基于IBA-MOEA的无人机航路规划多目标优化方法

为进一步增强传统无人机航路规划模型的适用性,提高求解此类问题的计算效率,首先建立以复杂山区和敌我双方对抗条件为背景的无人机路径规划模型,在此基础上提出了一种基于改进蝙蝠算法的多目标进化算法(IBA-MOEA),并使用此算法对模型进行了有效求解.所提算法将卷积粒子滤波与蝙蝠算法进行融合,并根据蝙蝠种群的特点,加入蝙蝠种群...     

基于改进蚁群算法的无人机三维航路规划

研究了一种基于改进蚁群算法的无人机三维航路规划方法,以保证在敌方防御区域内以最小的被发现概率以及可接受的航程到达目标点。首先对无人机三维航路规划模型进行分析,在此基础上采用蚁群算法对三维航路进行优化。将最短路径的信息反馈到系统中作为搜索的指导信号,并改进节点选择方法,以提高应用蚁群算法搜索无人机三维航路的效率。最后将所研究的方法应用于无人机的三维航路规划,仿真结果表明本文方法是有效的。     

未知环境中无人机实时航路规划的模糊控制

指出了未知环境下无人机实时航路规划与航路规划的关系;提出了模糊控制用于实时航路规划的算法.根据模糊控制和航路规划原理,构造了模糊控制规则库;将传感器实时探测的信息送给模糊控制器进行处理,得到水平偏转角控制量,使无人机规避障碍同时飞向目标点.用MATLAB进行仿真验证,仿真结果证明了算法的有效性.     

一种无人机路径规划的混沌遗传算法

提出采用基于混沌的遗传算法进行无人机路径优化问题的求解。算法利用极坐标描述战场中的威胁位置和航路点,缩短了路径编码长度,提高了搜索效率,并在遗传算法操作时加入混沌操作,扩大了搜索范围,提高了优化速度,有效地解决了解空间巨大带来遗传算法收敛速度慢和容易陷入局部最优的局限。实例仿真结果表明,文中的算法与标准遗传算法相比,优化效率显著提高,得到的优化解即优化航路更好地规避了威胁。     

多异构无人机任务规划的分布式一体化求解方法

针对多异构固定翼无人机对已知目标群执行侦查、打击、评估任务的规划问题,提出了一种分布式一体化求解方法,该方法将任务执行耗时约束和协同攻击约束加入到协同任务规划模型(CMTAP)中,基于分布式规划架构,通过改进遗传算法的基因编码方式和相关遗传算子,完成任务分配和航迹生成两个子问题的一体化求解。将任务完成的总时间指标加入到代价函数中,保证了各无人机规划航迹的均匀性。建立固定翼无人机六自由度模型,采用矢量场航迹跟踪算法验证了该方法的可用性,并通过蒙特卡洛数学仿真,验证了该方法的快速性。     

鸽群优化算法研究进展

仿生智能优化一直是智能计算领域的一个热门研究领域,在生命科学、系统科学、控制科学、计算机科学、管理科学和社会科学等学科均已得到了广泛应用.鸽群优化(pigeon-inspired optimization,PIO)算法是近年来才出现的一种群体智能优化算法,它是受自然界中鸽群自主归巢行为的启发而提出的.因此,对自然界中的鸽群机制和鸽群优化算法基本原理进行了阐述,介绍了鸽群优化模型,并对其在无人机(unmanned aerial vehicle,UAV)编队、控制参数优化、图像处理等领域的典型应用进行了评述,最后展望了未来的发展方向.     

多重威胁下的无人机自主避障航迹规划

无人机作为一种新兴的无人作战力量和不可或缺的民用设备,现已渐渐融入到国家安全和社会发展中的各个方面,航迹规划是保障无人机顺利完成既定任务的核心环节.为解决规划空间存在诸多静态和动态威胁的实时航迹规划问题,提出了一种基于滚动时域的无人机自主避障航迹规划方法.首先将航迹规划模型构建为单目标函数优化问题,根据无人机简化运动学模型和约束条件,采用滚动优化策略生成最优航迹序列;然后对最优航迹序列之间的航迹再一次采用滚动优化策略产生子序列,综合考虑威胁和飞行约束,利用负梯度下降法搜索航路点,采用遗传算法对子序列进行规划;最后经反复滚动迭代优化可得近似全局最优航迹,同时利用贝塞尔曲线对航迹进行处理,使其表征实际的飞行航迹.实验仿真结果表明:验证了模型的合理性和方法的有效性;具有良好的威胁规避能力并能规划出一条光滑航迹;与全局规划方法相比,该方法减少了收敛时间,实时性更强,能够快速、鲁棒地收敛到近似全局最优解.     

基于GIS的无人机航迹规划软件的开发

以遗传模拟退火算法为依据,设计了一款基于GIS的无人机航迹规划软件,主要包含数据通信、地图处理显示和航迹规划3个模块。在航迹规划模块中,有航路点规划、航路信息生成与校验和历史航迹显示3种模式。可以在编辑状态下,设置航路点和航线,实现航迹规划的功能,方便航线生成与管理,使得航迹规划更具科学性和可靠性。该软件操作简单方便,给用户带来了方便快捷的导航和规划服务,无人机任务规划提供了强有力的保障能力。     

多无人机协同四维航迹规划的改进的Tau-H策略

为了在满足多类约束条件的前提下进行多无人机（UAVs）协同飞行的航迹规划及优化,提出改进的Tau-H运动策略.在常用的Tau-H运动策略基础上,通过在运动间距表达式中引入初速度的相关项,克服了固有的仅能考虑始末速度为零的情况的缺陷,可以实现无人机始末非静止的到达时间和速度的四维运动匹配.利用粒子群算法（PSO）搜索各无人机的初始耦合系数,形成全局航迹预规划;建立各无人机间的通信拓扑,采用采样间隔与冲突判断双驱动的滚动优化方法,求解局部再规划问题,实现航迹不断更新.通过对算例的仿真表明,基于改进的Tau-H策略得到的航迹可飞性好,安全性高,能够满足连续型多无人机航迹规划及优化的应用需求.     

基于粒子群算法的无人机航迹规划问题

首先将无人机航迹问题转换为多目标的TSP问题数学模型,建立了航迹规划问题的数学模型.然后将轨迹规划问题转换成一个求最短路径的单目标的有约束是优化问题,针对这类问题的求解,采用了一种新的粒子群算法并利用软件编程求解.最后验证了结果的可行性,同时讨论了结果的稳定性和收敛性.     

引入迷失探索与集群分裂机制的改进鸽群优化算法

鸽群优化算法(pigeon-inspired optimization,PIO)作为一种新兴的优化技术,具有收敛速度快、精度高等优点,但其对于一些具有局部最优值的问题的求解效果并不理想.将自然界中鸽群飞行时的迷失探索和集群分裂机制引入原始鸽群优化算法,提出了一种迷失探索与集群分裂鸽群优化算法(lost and split pigeon-inspired optimization,LSPIO),迷失探索机制的引入加强了算法的全局搜索性能,而集群分裂机制增加了种群多样性.选取9个标准测试函数进行算法性能评估,并与标准鸽群算法和粒子群算法进行对比.结果表明,LSPIO算法在保持良好收敛性质的同时可以有效地避免早熟问题,且提高了种群多样性.     

基于鸽群优化算法的图像分割方法研究

图像分割是一类需要在非线性参数空间中寻求最优解的有约束非线性优化问题.为提高此类优化问题的寻优精度,提出了一种基于鸽群优化算法的图像分割方法.首先以分割阈值为优化变量,将图像分割建模为以最大间类方差为优化目标,以像素概率分布有限为约束条件的非线性优化问题;随后,以随机的分割阈值作为迭代初值,采用鸽群优化算法(PIO)求解最优参数;最后,利用所得最优解作为最佳阈值实现图像分割.为验证方法的有效性,分别对具有两类不同特征的图片进行分割实验,并采用重叠度及时间效率对算法进行评估,进一步与PSO、KSW智能优化算法对比.结果表明,该算法重叠度最高,运算时间最短.并且对算法中的参数进行修改,将图像分割结果进一步优化.     

一种改进蚂蚁算法的无人机多目标三维航迹规划

传统的标准蚂蚁算法及A*算法求解无人机多目标三维航迹规划存在需设置导航节点及构建VORONOI图等缺陷,针对这一问题,提出了一种改进的蚂蚁算法.该算法将导引因子引入到状态转移策略中,减少了蚂蚁局部搜索的盲目性,确保蚂蚁形成有效航迹,解决了将该算法应用于航迹规划的两个构造难题,即航迹节点不固定和局部搜索难以到达目标节点这两个难题.将雷达、导弹、高炮及大气威胁模型的最大作用距离和有效作用距离等约束条件引入代价函数及启发因子计算中,解决了航迹规划多约束求解困难等问题.仿真结果表明,该算法构造合理,蚂蚁算法无需导航节点及VORONOI图便可自主寻找到目标节点,且收敛速度满足航迹规划要求,生成的航迹代价较小.     

IDTTC算法在AEWR情报分析中的应用

针对机载预警雷达（AEWR）情报分析领域的航迹关联问题,在研究传统航迹关联算法的基础上,改进了多传感器双门限航迹关联算法,并用实测数据进行了验证.结果表明,将改进的双门限航迹关联（IDTTC）算法应用于机载雷达情报分析,实现了航迹的自动关联,提升了航迹关联处理的效率.     

基于多学习多目标鸽群优化的动态环境经济调度

针对电力系统动态环境经济调度(DEED)问题,提出了一种基于多学习策略的多目标鸽群优化(MLMPIO)算法.在多学习策略中,种群个体可以向外部存档集中的多个全局最优位置以及个体的历史最优位置进行学习,进而保持种群的多样性和全局搜索能力,避免陷入早熟收敛.引入了小概率变异扰动机制,进一步增强种群的多样性.为提升算法的运行效率,采用容量自适应变化的外部存档集来存储当前Pareto最优解集.为验证所提算法的性能,将MLMPIO应用于10机组电力系统的DEED问题求解.仿真结果证明了MLMPIO算法解决此类问题的可行性和有效性.     

多普勒盲区条件下的目标航迹优化技术

机载预警雷达采用脉冲多普勒体制,具有良好的低空探测性能,但其固有的多普勒盲区会使目标无法被检测,从而造成目标航迹中断和重起批．针对多普勒盲区条件下的目标跟踪问题,研究了一种基于多普勒预测的目标航迹优化方法．首先分析了多普勒盲区产生的原因,然后在传统自适应航迹暂消准则的基础上,结合扩展卡尔曼滤波处理后的点迹预测,提出了一种优化的暂消准则,并引入航迹质量分数来评估航迹维持能力．最后通过仿真实验验证了所提出准则的可行性和有效性．     

基于分层规划思想的无人机协同优化

无人机自身具有的航空特性和可以进行大面积巡查的特点,使得其在洪水、旱情、地震等自然灾害实时监测方面具备特别优势.在完成灾情巡查、生命迹象探测、通信中继和对地数据传输等协同任务时,需要对无人机进行任务分配与航迹规划.对于无人机巡查重点区域任务规划问题,基于分层规划思想建立了多旅行商数学模型,并使用遗传算法进行求解.首先分配重点区域之间的无人机任务,其次再规划重点区域内部无人机的路线,最后根据无人机的限制条件,在既定路线上进一步优化无人机路线.     

无人机的侦察航路规划

针对无人机(UAV)侦察任务的两个目标：(1)发现尽可能多的目标；(2)获得对所有目标尽可能多的有效侦察时间，提出了一种优化方法，包括航路规划和航路光顺两部分。首先由基于遗传算法(GA)的航路规划器根据选定的任务目标制定出优化航路，然后由航路光顺器对优化航路进行光顺以形成可供无人机飞行的航路。最后给出了仿真结果，初步表明该方法可以有效地提高无人机的侦察任务效率。     

基于蚁群算法的多无人机协同任务规划研究

现代战争中,无人机对战前情报收集、重要空域控制、重点目标监视和打击等起着关键作用.随着攻击方参战无人机的规模增加,相应防御方的防御力度也在提高.无人机群的作战任务面临的是多目标多雷达的防御群.因此,多无人机协同任务规划的研究主要集中在任务分配和路径规划.基于蚁群算法建立了针对目标群简化的数学模型,解决了侦查无人机滞留防御方雷达探测范围内的时间总和最小的航线优化问题,完成了无人机侦查任务拟制最佳路线和调度策略,实现了多无人机的协同任务规划.     

基于PSO-ACO算法的新型无人机探测与通信优化设计

新型太阳能无人机在地震、泥石流、城市内涝等重大灾害的探测中起到越来越重要的作用.利用粒子群算法(PSO)与蚁群算法(ACO)研究新型太阳能无人机的最小线路规划与终端中继的互通问题,通过建模与求解,制订了无人机最优化线路,极大优化了无人机数量与飞行路径,提高了太阳能无人机使用效率,为救灾过程的持续通信提供了保障.模型综合考虑了地形与地震灾害现场的因素,规划了太阳能无人机地震救灾过程中的探测路径,实现了无人机白天12h的不间断通信.