遗传算法在无人机航路规划中的应用

随着无人机在现代战争中的作用日趋重要,对无人机航路规划的研究也越来越多。分析了无人机航路规划涉及的因素和处理过程,介绍了遗传算法的相关内容。根据无人机航路规划涉及因素多、计算量大的特点,采用遗传算法进行航路规划。给出了遗传算法编码方法以及算法参数、终止条件的设置方法,提供了一个应用示例,并给出了一些改进的建议。     

基于遗传算法的航路规划编码研究

面对复杂的作战环境,飞机执行作战任务前合理地规划出飞行航路十分重要。遗传算法因其良好的全局搜索能力而在优化问题中得到了广泛的应用。针对地形障碍、恶劣气候、导弹及高炮阵地等威胁源的特点,建立了连续的威胁概率函数模型;描述了各威胁源不同距离处的威胁概率分布情况,并进一步构建了航路规划目标函数模型;将遗传算法运用到航路规划中,设计了一种扩展航路点和规划空间、分段变步长的编码方式。对算法进行了相应的仿真,仿真结果表明,运用所设计的编码方式得到的航路有效地规避了威胁。     

基于双变异遗传算法的无人机对海侦察航路规划

针对目前关于无人机(UAV)对海侦察航路规划问题研究较少的现状,文中以UAV侦察美国"小鹰"号航母编队为例,将UAV对海侦察航路规划问题按照侦察方式,分为临空侦察和非临空侦察航路规划问题.对于临空侦察问题,提出一种改进的双变异遗传算法(DVGA)对最优路径进行求解;将非临空侦察问题转化为不具体旅行商和位置替换旅行商问题...     

无人机航路规划研究

通过对无人机航路规划的研究,对无人机航路规划问题进行了概括和总结,介绍了无人机航路规划流程,分析了无人机航路规划的约束条件,阐述了目前国内外应用和研究的几种航路规划算法,并对无人机航路规划算法的发展趋势进行了展望。     

基于改进遗传算法的多无人机搜索航路规划

针对多无人机对特定区域内的目标搜索问题,提出了一种基于贪婪算法改进变异操作的自适应遗传算法。依据先验情报对搜索区域进行栅格化处理,并结合无人机性能约束建立基于状态更新周期的协同搜索模型;引入类0-1编码将无人机航向控制序列与搜索概率进行关联;考虑到机载雷达对某一区域的重复探测会在一定程度上提高搜索概率,提出加入贪婪算子的贪婪变异策略,并引入策略选择阈值实现依据搜索概率变化对变异策略的动态调整,提高算法后期的局部搜索能力。仿真结果表明,改进的自适应遗传算法整体性能较好,具有较强的搜索能力和鲁棒性。     

无人机航路规划算法研究

针对无人机航路规划问题,研究了一种基于元胞蚂蚁算法的无人机航路规划方法.元胞蚂蚁算法对基本蚁群算法进行了系列改进,并将元胞邻居演化和改进后的蚂蚁寻优相结合,有效地克服了基本蚁群算法的收敛速度慢、易于过早陷入局部最优的缺点,提高了算法的运算精度,从而为解决复杂战场环境下无人机航路规划这一多约束多目标优化问题提供了一条可行...     

基于改进遗传算法的潜艇隐蔽航路规划

为了确保潜艇航行的安全和隐蔽，航海人员需要在出航前拟定航行计划，其中隐蔽航路规划是拟定航行计划的核心问题．本文以潜艇隐蔽航路规划的特点作为先验知识对基本遗传算法作了适当改进，并进行了仿真试验，仿真结果验证了算法的有效性．     

无人机在突防行动中的航路规划研究

在分析航路规划对无人机突防行动重要性的基础上,研究了无人机突防航路规划的基本方法,给出了突防航路的代价函数和航路的构建及优化方法,最后利用文章探讨的方法对某无人机的突防航路规划进行了实例仿真,其研究的原理和方法对无人机突防能力的提高将产生积极的影响,可为无人机的作战运用提供有力支撑。     

基于作战效能的无人机航路规划研究

综合考虑目标分配与航路规划全过程,提出一种基于作战效能的无人机航路规划方法.在航路规划层利用变长染色体遗传算法规划无人机的初始航路,在协同规划层则以作战效能为指标,运用遗传粒子群优化算法进行任务优化分配,最终得到一个备选航路集.然后,利用协同算法可在备选航路集中找到满足要求的任务航路.该方法不仅能够规划出单机或多机协同全局航路,而且还可根据威胁环境或目标变化适时修正航路,并始终保证较高攻击效能.     

基于稀疏A*算法的无人机航路规划方法

针对多约束条件下三维空间航路规划问题,分析了三维规划空间的划分方法,综合考虑航程代价、爬升代价和威胁代价等因素,针对航路规划任务对各种指标的偏重程度,引入指标的权重系数,设计了代价函数,并编制了稀疏A*算法流程,对算法的有效性进行了仿真验证.验证结果表明:采用稀疏A*算法能够有效地解决多约束条件下的三维空间航路规划问题.     

无人机覆盖航迹规划中子区域合并方法设计

为了有效提升无人机覆盖效率,提出了一种子区域合并方法,并给出了完整的算法实现步骤。该算法针对相邻子区域计算损失函数,并建立了相应的合并规则,通过将交界线两边的航迹线两两配对,得到一条新的整体的可行航迹。此方法相对于其他算法,有效地减少了转弯次数,有着更高的执行效率,因此具有更好的实用性。     

无人机三维路径规划的粒子群混合算法

路径规划是无人机控制过程中的重要环节之一,现有基于粒子群等算法的传统路径规划方法存在容易陷入局部最优等问题,无法适应现实场景中复杂环境及高搜索速度的要求。针对已有方法的缺陷,提出了一种无人机路径规划的高性能细菌觅食-遗传-粒子群混合算法,以传统粒子群优化算法为基础,引入细菌觅食算法及遗传算法思想,提高算法计算速度与能力,同时考虑实际场景中无人机的运行约束,进一步提高了方法的可用性。最后,利用仿真实验验证了所提方法的有效性,并通过与传统方法对比证明了所提方法在运行时间、规划航程等方面的优越性。     

基于遗传变异蚁群算法的机器人路径规划的改进

针对基本蚁群算法在机器人路径规划问题中容易陷入局部最优的问题,提出了一种改进的蚁群算法,利用遗传算法加入了变异因子使最优路径产生变异,从而降低了蚁群算法陷入局部极小的可能性。同时改善了基本蚁群算法不收敛或收敛速度比较慢的缺点,加快了收敛速度,增加了最优解的多样性。     

基于多准则遗传算法的航线规划

飞行航线规划是中小型飞机执行长途飞行任务时的重要工作。通过建立问题的多准则最短路径问题模型,提出一种多准则最短路径遗传算法求解优化飞行航线。通过理论分析证明了算法的收敛性。仿真实验验证了该算法的有效性。     

自适应蚁群算法的无人机航迹规划方法

为了提高无人机完成任务效率,在执行攻击任务前必需规划设计出高效的无人机飞行航路.提出了一种Q-学习的自适应蚁群算法的无人机航路规划方法,建立了基于真实地形数据和火力威胁区的威胁模型;针对传统蚁群算法在搜索过程中出现停滞现象,提出的Q-学习的自适应蚁群算法有效地解决了这一缺陷.并使用该算法对无人机的攻击任务航路进行了仿真计算,仿真结果表明该方法是一种有效的航路规划方法.     

基于狭窄通道路径树的快速航路规划算法

针对无人机在障碍间存在狭窄通道的城市环境中进行低空航路规划的问题,根据障碍之间的空间几何关系确定障碍之间的狭窄通道,再综合所有狭窄通道生成复杂环境中的狭窄通道路径树。设计了结合狭窄通道路径树的双向快速扩展随机树(Rapidly-exploring Random Tree, RRT)算法,在两棵搜索树的扩展过程中,通过判断搜索树与狭窄通道路径树的位置关系,将狭窄通道路径树添加到搜索树上,实现搜索树在狭窄通道中的快速扩展,减少两棵搜索树的无用扩展,提升航路树生成的速度。仿真结果表明,该方法能够解决无人机在存在狭窄通道的复杂环境中进行快速有效航路规划的问题。     

A＊的改进路径规划算法

通过对地图数据的预处理和启发函数的设计,对A＊算法进行了改进。利用VC＋＋编程实现改进算法,并在实际城市地图上对改进算法进行了验证,结果表明改进算法提高了搜索最优路径的成功率,同时解决了原算法易出现搜索死循环的问题,可适应不规则的城市路网。     

基于改进RRT算法的无人机航迹规划

为了提高无人机的作战效率,航迹规划系统必须为无人机设计出安全系数高,能量消耗少,处理时间短,同时还必须满足飞行器自身物理特性的威胁回避轨迹。基于上述研究目的,本文选择快速随机搜索树算法(RRT)作为迹规划航算法主体,结合Dijkstra算法改进了RRT算法,完成最小航迹代价飞行轨迹的设计。     

改进的A＊算法在机器人路径规划中的应用

文中提出了一种改进的A＊算法并应用于机器人路径规划中。采用基于A＊算法的二次路径规划策略,机器人行走时遇到突然出现的未知障碍物时能有效地进行路径重规划;采用基于优先级的子节点生成策略,考虑到了现实中机器人的体积,使规划路径能在现实中得到执行;最后,通过MATLAB仿真平台进行了仿真,验证了此算法的有效性和可靠性。改进的A＊算法提高了机器人的智能水平和实时路径规划能力。     

物联网数据收集中无人机路径智能规划

为解决无人机在数据收集过程中的路径规划问题,将其分为全局路径规划和局部路径规划。针对全局路径规划,将其建模为一个定向问题,定向问题是背包问题和旅行商问题2种经典优化问题的组合。采用指针网络深度学习对该模型进行求解,并在无人机能量约束下得到其服务节点集合及服务顺序。针对局部路径规划,基于无人机接收到节点的参考信号强度,通过深度Q网络学习对无人机局部飞行路径进行规划,使无人机逼近节点位置并服务各节点。仿真结果表明,所提方案能够在无人机能量约束下有效提升其数据收集的收益。