一种自适应控制的人工势场的无人机路径规划算法

路径规划是无人机的重要组成部分,在简述传统的人工势场法的原理基础上,提出了一种基于无人机对各个方向感应系数自适应的改进方案,引入自适应论改进了传统的势场计算公式,改变了粒子运动中对各个方向的障碍物的斥力系数,找到最适合不同地图系数的最优路径,仿真实验显示,改进的人工势场法要优于传统的人工势场法,理论分析和结果表明改进的人工势场算法解决了目前路径规划遇到的问题,提高了算法的精度和速度。     

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RRT算法的无人机路径规划应用研究

经典的路径规划算法大都需要在全局已知空间中对环境进行建模,包括人工势场法、遗传算法、启发式算法、仿生学算法等.由于需要预先构建环境,因此这些方法并不适合解决在高维度空间中的路径规划问题.基于快速扩展随机树(RRT)的路径规划方式其优势在于可以避免对全局环境的构建,通过对状态空间进行随机采样,检测碰撞点,能够有效地解决在...     

基于改进袋獾优化算法的无人机路径规划

无人机(UAV)路径规划的目标是在考虑地形威胁和高度约束的条件下,得到一条尽可能高效的安全飞行路径。袋獾优化算法是一种模拟袋獾进食的两种行为来寻求最优解的元启发式算法。在袋獾优化算法(TDO)的基础上,结合自适应权重方式减少陷入局部最优的情况,还引入limit阈值思想,可以更好地平衡全局搜索和局部收敛。首先通过六个测试函数,将改进后的算法与多种算法进行对比实验,验证算法的高效性。然后建立两个不同的地图模型,将三维路径的长度视为适应度函数,通过与粒子群算法、人工鱼群算法及蚁群算法共同求解三维路径规划问题,验证改进算法的可行性。实验结果表明,改进后的算法有更快的收敛速度和更高的收敛精度,不易陷入局部最优,而且在三维路径规划问题中具有更好的求解能力。     

基于改进混合灰狼优化算法的无人机三维路径规划

针对传统灰狼优化(Grey Wolf Optimization, GWO)算法求解无人机三维路径规划问题时会出现收敛速度慢、容易陷入局部最优等问题,提出一种改进混合灰狼优化算法——CLGWO。基于Cat混沌映射和反向学习策略初始化灰狼种群,为算法全局搜索过程中丰富种群多样性奠定基础;提出新型非线性收敛因子的改进策略,提高算法全局搜索能力。在灰狼位置更新中提出引入狮群优化(Lion Swarm Optimization, LSO)算法的扰动因子和动态权重,使灰狼具有主动的搜索能力,避免因灰狼失去种群多样性而陷入局部最优。为验证改进算法的有效性,进行了8个国际通用的标准测试函数收敛性对比实验和无人机三维路径规划仿真实验。实验结果表明,CLGWO算法在单峰、多峰函数上均有较好的收敛性、较高的寻优精度;三维路径仿真环境下,CLGWO算法的平均路径长度、平均迭代次数、平均运行时间相比于GWO算法分别优化了33%、31%、52%,且路径转折少,能较好地得到全局最优值,验证了CLGWO算法的有效性。     

基于改进蚁群算法的物流无人机路径规划

本文针对在低空城市环境下物流无人机运输路径的规划问题,首先利用栅格法对城市环境进行三维模型的构建,综合无人机自身各项约束条件,利用蚁群算法建立无人机路径优化模型。蚁群算法作为用于解决局部最优问题的方法之一,一直被广泛应用于路径规划问题。相较于传统的蚁群算法,本实验通过对残留信息量的改进使信息素在更新时,其正反馈的过程能够迅速扩大初始的差异,引导整个系统向最优解的方向进化。并引入估价函数,代价函数,启发式函数,在考虑路径优化的同时进一步计算无人机运输途中的能耗,使其更具实际意义。结果表明：改进后的蚁群算法在规划路径的路径点数、时间规划、能源消耗方面均有明显减少。证明了改进策略具有实用价值,在无人机路径规划方面具有一定的实用价值。     

基于改进自适应蚁群算法的无人机航迹规划研究

针对传统蚁群(ACO)算法在无人机航迹规划中存在的收敛速度慢、易陷入局部最优等缺点,提出了一种基于改进自适应蚁群(IAACO)算法的无人机航迹规划方法。首先,将角度导向因子引入状态转移规则中,使蚂蚁以更大的概率朝着目标点的方向前进,提高了路径的搜索效率;然后,引入启发式信息自适应调整因子平衡了算法的收敛性和全局搜索能力;最后,通过定义长度指标函数、角度指标函数,进一步建立了航迹优化的目标函数,实现了无人机航迹规划的全局优化。实验结果表明,改进后的算法收敛速度更快,生成的路径更平滑、长度更短。     

基于紧凑蚁狮算法的三维路径规划研究

现有导弹三维路径规划算法仅将距离作为优化目标,没有考虑通信连通性和作战隐蔽性的需求,往往不能获得较好的战术效果,而且大多采用元启发式算法,计算量大,不利于嵌入式应用.针对此问题,本文提出一种基于紧凑蚁狮算法的三维路径规划方法,将距离、通信连通性、作战隐蔽性作为多优化目标,对蚁狮算法进行紧凑改进,通过截断正态分布模型得到虚拟种群来取代实际种群,达到优化算法步骤和减少计算量的目的. MATLAB仿真试验结果表明,紧凑蚁狮算法(cALO)相比狼群算法(WPA)、粒子群算法(PSO)、蚁群算法(ACO)、蚁狮算法(ALO),可以较大提升三维路径规划的综合效果,占用较少的内存并极大地加快算法收敛速度,十分适合导弹的嵌入式环境应用.     

基于无人机送货路径规划算法

针对无人机送货路径规划的优化问题,提出了一种基于遗传算法原理的路径规划算法.通过建立无人机的送货系统模型,将路径规划问题转化为组合优化问题,设计恰当的编码方案将路径规划问题转化为整数规划模型,以达到寻找无人机最优送货路径的目的.对算法进行了相应的仿真,仿真结果表明,这种路径规划算法与常见的随机算法相比具有较强的全局搜索...     

基于改进混合粒子群算法的无人机充电路径规划方法

无线可充电传感器网络(Wireless Rechargeable Sensor Networks, WRSNs)是由若干个可无线充电的传感器节点自组织形成的网络。利用无人机(Unmanned Aerial Vehicle, UAV)作为移动电源,对WRSNs网络中传感器节点进行充电,将无人机飞行能耗联合传感器节点充电量作为优化目标,提出一种惯性权重线性递减混合粒子群算法,对无人机的充电路径进行规划。仿真验证表明,相比传统的粒子群(Particle Swarm Optimization, PSO)算法,该算法在收敛速度、无人机飞行能耗以及传感器节点充电量等指标上都有明显的优势。     

基于改进粒子群算法的三维路径规划

路径规划是无人机任务目标的重要组成部分,针对粒子群(PSO)算法早期收敛速度快,后期易陷入局部最优的缺点,提出一种结合天牛须搜索(BAS)算法的改进粒子群算法,并将其应用于无人机三维空间路径规划.在改进的粒子群算法中,利用天牛个体的优势,在每次迭代中都有自己对环境空间的判断,使路径更加合理,搜索效率更高.仿真结果表明,...     

基于改进蚁群算法的移动机器人动态路径规划方法

 本文提出了基于改进蚁群算法的移动机器人动态路径规划方法.首先针对蚁群算法收敛速度慢,容易陷入局部最优的缺点,提出了根据目标点自适应调整启发函数,提高算法的收敛速度;借鉴狼群分配原则对信息素进行更新,避免搜索陷入局部最优.其次为了优化改进蚁群算法的性能,提出用粒子群算法对改进蚁群算法的重要参数进行优化选择.最后实现了基于改进蚁群算法的移动机器人动态路径规划并完成了仿真实验,实验结果证明了该方法的可行性和有效性.     

基于蚁群算法的智能机器人路径规划

从本质来看,蚁群算法是一种专门用以解决复杂优化问题的科学方法,在很多领域都涉及到蚁群算法。在蚁群算法的支撑下,打开了智能机器人项目研究领域的一扇大门,令智能机器人在设计好的路径指令下能够完成简单的行进任务。文章就针对蚁群算法影响下的智能机器人路径规划的相关内容做以阐述,以期为职能机器人项目的研究提供有益的借鉴。     

基于改进灰狼优化算法的三维路径规划

针对移动机器人三维路径规划问题,提出一种基于改进灰狼优化算法的移动机器人三维路径规划方法.首先,利用超立方体抽样初始化灰狼种群,提高初始种群的质量,引入动态权重,加大最优狼比重,加快算法的收敛速度和精度;其次,提出降维-升维的地图处理方法,降低三维地图的复杂程度,加快算法的求解速度;最后,结合人工势场法,对局部未知的动...     

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。