基于粒子群优化算法的无人机航迹规划

无人机作为侦察和作战的重要手段,重要的是保证侦察目标的准确性,对任务/航迹规划系统是无人机实现自主飞行和自主攻击的关键技术。在给出无人机航迹规划问题描述的基础上,提出一种基于粒子群优化算法的无人机航迹规划方法,利用粒子群优化算法,将约束条件和搜索算法相结合,从而有效减小搜索空间,得到一条全局最优路径并进行仿真。仿真结果表明,规划方法能够快速有效地完成规划任务,获得满意的航迹,满足无人机作战要求,具有重要的现实意义。     

基于粒子群优化算法的无人机航迹规划

提出一种基于粒子群优化算法的无人机航迹规划方法,利用粒子群优化算法,在等效数字地图中实现单个目标点的无人机航迹规划,并对算法性能进行仔细分析,仿真结果表明,该方法能够快速有效地完成航迹规划任务,得到满意的三维航迹。     

基于粒子群优化算法的无人机航迹规划

提出一种基于粒子群优化算法的无人机航迹规划方法,利用粒子群优化算法,在等效数字地图中实现单个目标点的无人机航迹规划,并对算法性能进行仔细分析,仿真结果表明,该方法能够快速有效地完成航迹规划任务．得到满意的三维航迹。     

基于优化粒子群算法的无人机航路规划

针对粒子群优化(PSO)算法的无人机(UAV)航路规划问题,引入惯性权重和自然选择对粒子群算法进行优化,以提高基本粒子群算法收敛速度,防止陷入局部最优.算法分析惯性权重对粒子群算法的影响,进而调整惯性因子,提高算法的搜索能力;利用自然选择的便利性和规律性等特点,更新粒子群算法的粒子;同时通过对无人机的可行航向进行限定,缩小搜索范围.仿真实验表明:基于粒子群优化算法的无人机航路规划不仅缩短了最优航路,而且提高了搜索速度.     

基于适应度值优劣粒子群算法的无人机路径规划

粒子群优化算法(PSO)是一种典型的基于群体合作的搜索算法,针对传统粒子群优化算法在求解无人机路径规划问题时存在陷入局部最优和容易早熟收敛等问题,提出基于适应度值优劣粒子群算法的路径规划方法。改进的粒子群算法将避障和路径长度作为约束条件来建立目标函数,通过将整个种群中的粒子按照适应度值划分为两个部分,并且分别设计了划分后的两个部分的惯性权重,以此来提高算法的多样性和收敛性,从而进一步提高粒子群算法的寻优能力。通过仿真实验表明：与原粒子群算法相比,根据适应度值来调整算法惯性权重能够有效提高粒子群算法的多样性和收敛性。     

面向无人机三维航迹规划的改进粒子群优化算法

基本粒子群算法在求解问题维数增多时陷入局部解的可能性增大,提出了一种结合模糊C均值(FCM)算法的改进粒子群算法。FCM算法分类停止后,采用轮盘赌法确定每个粒子所属的类,将粒子群算法速度更新公式中的所有粒子所经历的历史最优位置改为类内粒子的当前(本次迭代中的)最优位置,将改进算法用于无人机三维路径规划仿真实验,仿真结果表明:改进算法显著提高了基本粒子群算法的全局寻优能力与算法在最优解附近的寻优精度,成功得到了一条合理有效的路径。     

基于改进粒子群算法的反舰导弹航路规划研究

针对飞行器航路规划问题,提出了一种改进粒子群算法.在标准粒子群算法的基础上,对惯性权重系数进行了非线性的调整,对学习因子进行线性和非线性的优化,并引入遗传算法中的交叉算子,将较好粒子与较差粒子进行交叉,保证了种群的多样性,从而提高算法的全局搜索能力.为了验证算法的可行性与有效性,对其进行仿真测试.实验结果表明,与标准粒子群算法、线性惯性权重相比,改进的粒子群算法表现出较强的全局搜索能力和较好的收敛性.     

基于改进粒子群的双层规划求解算法

提出一种采用粒子群优化算法求解双层规划模型的算法。首先对粒子群优化算法作了改进,然后用改进后的算法求解双层规划模型,通过两个粒子群优化算法之间的协同迭代,同步优化双层规划的上下层,最终求得双层规划模型的最优解。此算法将求解一般双层规划问题转化为通过两个粒子群优化算法的交互迭代来求解上下两层规划问题。通过对几种典型函数的测试,验证了此算法的有效性。     

基于改进粒子群算法的BP算法的研究

针对BP算法的缺陷以及标准粒子群算法优化BP网络权值的不足,为了提高算法的全局搜索能力,提出了基于自适应动态调整惯性权重的粒子群算法的BP网络算法.算法根据适应度值的改变情况来调整惯性权重,使惯性权重的改变不依赖于最大迭代次数和当代迭代次数,从而使整个网络具有较快的收敛速度和较小的误差.将算法应用于海参疾病的诊断中.实验发现,基于自适应动态调整惯性权重的粒子群算法的BP算法比基本粒子群算法的BP算法收敛速度快,算法的准确率也比较高,同时改进算法训练的BP网络也比基本粒子群算法训练的BP网络稳定.仿真证明,自适应动态调整惯性权重的粒子群算法对BP算法的优化优于基本粒子群算法.     

一种改进PSO的室内机器人路径规划方法

针对室内空间局限性造成的移动机器人路径规划难度提升问题,文章分析了机器人室内移动中转弯、启停等运动特征,为获得最优规划路径引入了粒子群算法(particle swarm optimization, PSO),同时为改善经典算法中收敛度低,易早熟等问题,首先使用收敛因子、线性递减、非线性凹函数、随机分布方式等对PSO惯性权重的选取进行了讨论,并结合三次样条插值方法、选取罚函数作为适应度函数等对PSO进行了算法改进,最后,以实验室作为室内环境背景进行了仿真实验,并与经典的PSO路径规划方法进行了对比,实验结果表明,文章中改进的PSO路径规划方法精度高于经典PSO方法5%,平均寻优时间比经典PSO的少5s左右,能够有效的提高规划路径的平滑度,对于室内环境中机器人路径规划具有良好的实时性和有效性。     

基于改进A*算法的无人机避障路径规划

近年来,物流行业的飞速发展,运输是物流的重要环节之一,根据数据显示,运输的成本占据整个物流成本的50%以上.无人机的使用有效的控制了运输成本,合理规划物流无人机的飞行路线,也起着至关重要的作用.在物流无人机的航迹规划中,必须保证无人机飞行过程中能够准确避开禁飞区.本文基于A^*算法,结合多种类型的禁飞区,设计出一种改进算法,能够找到任意两客户点间无人机避障飞行的最优路线.仿真结果表明,本文所设计的算法能够有效解决多类型禁飞区并存的无人机避障路径规划问题.     

改进PSO算法及在无人机路径规划中的应用

在无人机路径规划问题中,传统算法存在计算复杂与收敛慢等缺点,粒子群优化算法(PSO)得益于其算法原理简单、通用性强、搜索全面等特性,现多用于无人机航路规划.然而,常规PSO算法容易陷入局部最优,本文在优化调整自适应参数的基础上综合引入全局极值变异与加速度项,以平衡全局和局部搜索效率,避免种群陷入“早熟”.对基准测试函数进行测试的结果表明,本文所提改进PSO算法收敛速度更快,精度更高.在实例验证部分,首先提取飞行场景特征,结合无人机性能约束,进行环境建模;然后将多项运行约束和期望的最小化飞行时间均转化为罚函数,以最小化罚函数作为目标,构建无人机飞行任务场景下的航路规划模型,并利用本文所提改进粒子群算法进行求解,最后通过对比仿真验证了改进粒子群算法的高效性和实用性.     

基于改进的樽海鞘群算法求解机器人路径规划问题

为了探索出更好解决机器人路径规划问题的方法,提出一种差异演化的寄生樽海鞘群算法.首先在领导者位置更新公式中加入对应的上一代领导者位置信息,加强全局搜索的充分性,同时引入自适应惯性权重,更好平衡领导者在不同进化阶段对于广度和深度搜索的不同需求,提高寻优精度.然后在算法结构中引入具有不同演化策略和寄生行为机制的寄生-宿主双种群及宿主群劣汰思想,增加种群的多样性,提高算法跳出局部极值的能力.理论分析证明了改进算法的时间复杂度与基本算法相同,6种对比算法在10个不同特征的标准测试函数上进行仿真对比测试,实验结果表明：该算法的寻优精度、收敛性能均有显著提高和改善.最后将改进算法与三次埃尔米特插值相结合,以路径上的节点组合为基础定义算法中个体位置的编码方式,以绕开障碍、最短路径为目标构造了适应度函数和约束条件,求解机器人路径规划问题.在不同复杂程度的障碍物场景和不同插值方法下进行的算例求解结果显示,该算法寻优结果的最佳值、平均值和方差整体上明显优于其他5种性能优越的代表性对比算法,也验证了融合埃尔米特插值方法对于求解机器人路径规划问题的优越性和有效性.     

基于动态规划的无人机航路优化问题研究

无人机航路规划往往指无人机在初始位置、终止位置和一些目标任务结点确定之后的航迹优化问题;在无人机飞行任务执行过程中,无人机需要在参考飞行航线的约束下,根据局部地形、地貌、障碍、威胁等信息以及飞机本身机动能力的限制,实时的计算出飞行航路,并跟随该航迹完成飞行任务;在利用Dynapath(动态路径)算法进行参考航线优化的过程中,考虑了飞机机动性能的限制;在此基础上,详细讨论了参考航线由多航段组成时航路点的处理方法并进行了计算机仿真,仿真结果表明该方法可以比较理想地进行航路点的处理,得到比较良好的最优航迹。     

基于区域分割的无人机路径规划

研究无人机路径规划优化问题,针对在城市环境下执行飞行任务前,需要根据所经城市内已知的建筑物信息以及飞机本身性能的限制计算出飞行轨迹,并根据规划出的路径完成飞行任务。在给定起始点和目标点上,提出了一种城市建筑物遮挡模型的无人机路径规划方法。主要包含两方面的内容:一是利用圆柱虚拟城市建筑物环境使建筑物对无人机的遮挡面积可计算;二是在计算出无人机飞行的水平平面上(x,y)点遮挡值的基础上,给出了无人机搜索区域等分的沿对角线折线走法的优化路径规划,得到一条遮挡面积最小的路径并进行仿真。仿真结果表明,规划方法能够快速有效地完成规划任务,获得满意的航迹,为无人机优化路径提供了依据。     

基于改进动态规划的无人机搜寻航迹规划研究

针对传统动态规划算法在无人机航迹规划中存在耗时长以及冗余节点的问题,提出了一种基于多阶段决策的改进动态规划算法.在单向动态规划算法中加入双向策略,结合顺序法和逆序法以减少搜寻空间的状态总数;利用区间单调性和四边形不等式进一步减少每次决策涉及的状态点,得到优化后的状态转移方程,降低了搜寻的时间复杂度.最后,对改进动态规划...     

足球机器人路径规划的PSO方法

研究足球机器人在已知静态环境下路径规划问题,在避障环境下寻求最优路径,提出了一种基于粒子群优化算法的足球机器人路径规划方法。为适应PSO算法的自身特点和提高算法搜索的效率,在传统栅格法的基础上引入实际坐标系法,对环境进行建模;为了更好地评价粒子（即解）的性能,在进行碰撞判定的基础之上,引入罚函数方法,克服了传统适应度函数难以更好地表达粒子性能的缺点。进行仿真的结果表明,该算法在足球机器人路径规划方面具有可行性、有效性和鲁棒性。     

改进鲸鱼算法及其在路径规划的应用

针对鲸鱼优化算法(WOA)存在的收敛速度慢、收敛精度低和易陷入局部最优等问题,提出了采用非线性收敛因子、协同a的惯性权重、时变独立搜索概率和免疫记忆改进的鲸鱼优化算法(IWTWOA);应用非线性收敛因子、协同a的惯性权重和时变独立搜索概率改进WOA迭代模型,平衡了算法的全局搜索和局部搜索能力,有效避免了陷入局部最优的问题;引入免疫算法的免疫记忆机制,提高了算法收敛速度;选取了15个基准测试函数进行性能测试,结果表明IWTWOA算法在稳定性、计算精度和收敛速度上均有所提高;最终将其应用在路径规划问题中,获得了较好的结果.