多无人机协同搜索多目标的路径规划问题研究

多无人机协同搜索多目标的多旅行商航路规划问题(MTSP)是无人机协同作战的关键技术之一。在协同搜索背景下,多架无人机从同一个基地出发搜索附近的可疑目标,以最快速完成任务为目的,建立MTSP模型,提出一种聚类算法和遗传算法进行分步组合的优化算法。第一步,利用K-means聚类算法将MTSP问题分解成多个独立的TSP问题;第二步,改进遗传算法,引入2-opt算法作为优化算子,重新设计选择算子和交叉算子,分别求解多个TSP问题。通过具体算例验证了该算法的合理性,并同常用的分组遗传算法比较,分步组合优化算法具有更高的计算效率,求解结果更为可靠,尤其在求解大型MTSP问题时,优势更为明显。     

基于粒子群优化算法的多无人机多目标航迹路径规划

针对多无人机多目标航迹路径规划中容易陷入局部最优,机间碰撞以及时效低等问题.提出一种多无人机多目标下改进的粒子群算法（Multi UAV Multi-Objective Improved Particle Swarm Optimization, MUMOIPSO）.该方法将改进的粒子群算法与Dubins算法相结合.首先,通过目标置换以及粒子交叉等方法对粒子群算法中速度和位置更新方式进行改进;通过将自身速度引起位置变化的目标进行置换操作,将个体极值和全局极值影响自身位置变化的粒子进行交叉操作,使改进的粒子群算法适合多无人机多目标航迹路径规划.其次,应用反正切函数改进惯性因子,线性递减函数改进非负的加速度系数,在前期提高无人机全局搜索能力,在后期提高无人机局部搜索能力避免陷入局部最优.最后,采用Dubins算法结合Intersection Type方法规划出一条无碰撞的平滑路径.仿真结果表明,所提出的算法在保证良好稳定性的前提下,其搜索效果与路径规划方式更优,较对比其他算法在适应度函数和总航程方面分别提高16.3%和10.2%.     

基于改进人工蜂群算法的无人机的航迹规划

针对无人机飞行任务规划系统中的航迹规划问题,提出了一种改进的人工蜂群算法,将其应用于无人机的航迹规划。该算法将航迹规划问题转换成函数优化问题,以蜂群为搜索单位,通过群体之间的信息交流与优胜劣汰机制,使蜂群向更优方向进化。在雇佣蜂搜索阶段采用自适应搜索策略来加快算法收敛速度;在跟随蜂搜索阶段引入一种新的概率选择方式来保证种群的多样性;在侦察蜂搜索阶段利用混沌搜索算子提高算法的全局搜索能力。通过标准函数测试与航迹规划仿真对改进后的算法进行验证,结果表明,改进后的算法提高了全局收敛能力,在收敛速度和精度上优于传统的人工蜂群算法,可有效解决无人机的航迹规划问题。     

多无人机协同任务规划

为解决多无人机协同规划军事目标打击的问题,基于多旅行商（TSP）数字规划理论进行路径和时间的优化。文中建立了多旅行商（TSP）数字规划模型,并根据任务性能和区域划分理论,利用退火算法求解出该模型的最优解。使用A*路径规划算法,通过编程仿真规划出了无人机的时间最优路径。结果表明,该方法较好地解决了当前无人机协同作战的目标分配问题,大幅提高了无人机协同作战的能力。     

基于局部搜索树的UAV与UGS协同移动目标追踪方法

针对无人机(UAV)与地面无人值守传感器(UGS)的空地协同目标追踪问题,提出一种交通道路网络环境下基于局部搜索树的移动目标搜索追踪方法。在该方法中,无人机通过与地面无人值守传感器抵近通信,获取目标经过传感器节点的时间信息,基于该信息估计目标运动速度及预测目标后续位置,通过局部递归搜索优化无人机对目标的追踪路径。针对追踪过程中不完全信息条件下的传感器节点访问次序决策问题,设计了两种节点选择评价机制并对其效果进行了比较和分析。仿真实验结果表明,该方法能在目标运动路径及速度不断变化的情况下以较大概率捕获目标。     

改进遗传算法在饲料配方设计中的应用

针对现有饲料配方软件的局限性,以白绒山羊饲料配方为例,提出一种基于改进遗传算法的求解方法。与标准遗传算法相比,采用随机联赛选择替代轮盘赌模型,优化了选择策略;采用不同的随机数交叉和高斯变异,改进了交叉算子与变异算子。测试结果表明,该方法具有良好的运算效率,拓宽了搜索空间,提高了对重点区域的搜索能力,降低了成本,为复杂问题的优化提供了一种新的思路。     

基于K-臂赌博机的多无人机空地网络动态资源分配方法

针对配置大规模MIMO的多无人机空地网络中的动态资源分配问题,从最大化系统吞吐量的角度出发,该文提出一种基于K-臂赌博机的强化学习算法联合优化多个无人机的用户选择与功率分配策略。首先根据地理位置对用户进行分簇,利用簇中心节点规划无人机飞行路径;其次在不考虑无人机之间端到端通信的情况下,将多无人机资源分配问题转化为相互独立的多个智能体强化学习问题;最后提出分幕式多智能体多状态K-臂赌博机算法来实现用户选择与功率分配的联合优化。通过将无人机每个时刻的位置索引定义为状态空间,从而使得无人机可动态适配自身位置及信道的动态变化。仿真结果表明,所提方案可根据环境状态变化自主智能调整资源分配策略,相比于已有方案能有效提升系统总吞吐量。     

无人机编队信息交互拓扑多目标优化

无人机编队信息交互拓扑优化对于提高无人机集群任务执行的协同性和通信传输效率具有重要意义。首先,提出无人机编队剩余能量不均衡度指标,在编队通信链长的基础上,将网络延迟影响因素、剩余能量不均衡度纳入无人机编队信息交互拓扑的生成体系中,综合考虑多个目标优化无人机集群信息交互拓扑;然后,通过构建满意度偏差隶属度函数,建立目标规划模型实现多个目标的综合;同时,在拓扑生成中采用多叉树结构进行分级,并改进人工蜂群算法求解模型,可以支持较大规模无人机的协同;最后,通过16架无人机组成的编队进行仿真分析,验证了模型的合理性及算法的有效性。     

利用部分重叠信道的多无人机自主协同优化抗干扰

针对多无人机通信网络抗干扰中的功率和信道联合优化问题,考虑多无人机通信网络中的部分重叠信道切换、外部恶意干扰与网络内部互扰问题,通过构建Stackelberg博弈抗干扰模型,设计无人机用户和干扰机的效用函数,并提出了基于次梯度迭代的算法求解博弈的均衡解,获得无人机用户在干扰条件下的部分重叠信道选择和功率选择联合优化结果。仿真结果表明,所提算法能使多无人机用户获得良好的信道选择和传输功率策略,优化多无人机通信网络抗干扰性能。     

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。     

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。     

改进粒子群算法的多无人机航迹优化

针对多无人机协同搜索多运动目标航迹优化问题,建立基于搜索概率图的信息环境模型,提出了一种基于人工势场与自适应参数调整粒子群优化的搜索算法(APF-APSO算法),用于不确定环境中的动态目标搜索。利用人工势场中无人机与山体之间、无人机之间的虚拟排斥力进行有效避障,以及无人机与目标之间的虚拟吸引力加快目标搜索;通过非线性的指数函数参数调整法对粒子群参数进行调整,并根据无人机搜索过程中得到的栅格单元信息确定度和目标存在概率对搜索概率图进行实时更新,来引导无人机对目标进行搜索。仿真结果表明,与其他算法相比,所提算法在搜索目标方面具有很大的优势,缩短了路径长度;避免了陷入局部最优解,具有较好的收敛性;能够有效地实现多无人机之间的协同搜索,提高了搜索效率。     

基于Q学习算术优化算法的无人机三维航迹规划

针对传统方法求解无人机三维航迹规划易导致规划代价高、精度差和容易陷入局部最优的不足,提出基于Q学习算术优化算法的无人机三维航迹规划算法。为了提升算术优化算法的寻优精度,引入Circle混沌映射提高初始种群多样性和分布均匀性,引入Q学习根据个体状态自适应调整数学优化加速函数更新,均衡算法全局搜索与局部开发,设计最优解邻域扰动优化全局搜索能力。通过建立无人机三维航迹规划模型,将航迹规划转化为多目标函数优化问题,并利用改进算法求解无人机三维航迹规划,以综合考虑航迹代价、地形代价和边界代价的目标函数评估粒子适应度,对航迹规划迭代寻优。仿真实验结果表明,所提算法规划的航迹具有更低的总代价和适应不同复杂地形环境的稳定性。     

基于DMPC的多无人机多维决策协同区域搜索

为了提高面向频域的多无人机（UAV）协同区域搜索效率,提出了一种基于分布式模型预测控制（DMPC）的多UAV多维决策协同区域搜索策略优化方法。首先,基于电磁目标信号检测模型设计了频域数字信息素图及其与空间区域信息图的融合机制;其次,由于多UAV面临在航行路径、频域覆盖和波束机动上多维决策协同目标搜索问题,基于DMPC框架,提出了多维决策协同搜索（MDCS）算法,建立多维决策空间模型,设计了分层搜索决策机制及其效能函数,最后结合滚动时域优化求解各UAV的搜索决策。仿真实验结果表明,MDCS算法能够实现时空频多维在线决策协同区域搜索策略,引导UAV对未知区域进行最大化覆盖搜索,并且有效降低了多维决策造成的优化求解规模,提升搜索决策的实时性。     

无人机集群协同搜索跟踪任务规划方法

无人机集群在目标搜索、定位和跟踪等方面具有巨大的应用潜力,有效的任务规划方案能极大提高无人机集群执行任务的效率。在不确定的动态环境中,任务规划方案需要适应环境的变化,对任务规划的求解效率提出了较高的要求。针对动态环境下的无人机集群协同搜索跟踪任务规划问题,本文将其建模为动态多约束多目标优化问题（DMCMOPs）,并提出了基于动态自适应惩罚的动态约束双档案进化算法（DCTAEA）,其在收敛性种群更新中引入自适应惩罚函数机制,整合不可行个体的目标函数值和违反约束的惩罚值获得修正的目标函数值,实现有价值不可行解的利用,促使种群进入可行区域并向帕累托前沿面收敛,极大促进了种群的收敛。仿真结果证明,与第二代非支配排序遗传算法（NSGA-II）的动态版本、基于分解的多目标进化算法（MOEA/D）、约束双档案进化算法（CTAEA）和动态双档案进化算法（DTAEA）相比,本文所提算法有效性较显著。     

无人机辅助车联网的网络传输链路优化

无人机(UAV)通信技术的快速发展与智能车联网应用需求的极速增长促进了无人机辅助车联网系统的产生与发展。在无人机辅助车联网系统中,如何节省能量的同时最大化系统性能对于能量有限的节点十分重要。基于此,本文主要考虑无人机辅助车联网通信过程中如何选择最优的通信网络链路,从而最大化能量效率的问题。首先建立通信网络链路选择问题为混合整数规划问题,然后提出基于能量效率最大化的网络传输链路优化算法获得最优的传输链路及对应的能量分配,最后通过数值实验仿真验证了所提算法的有效性。     

群体智能支撑的无人机群航路规划应用综述

无人机群航路规划的主要目标是为每架无人机生成一条连接起始点和目标点并满足约束条件的可飞行路径。传统方法主要以代价地图为基础，采用动态规划与几何运算等方法解决无人机群的路径规划问题。然而，这些方法难以解决无人机群的几何、物理与时间等复杂多约束问题，而且代价地图的构建十分耗时，使得无人机群难以应对复杂多变的实际环境。近年来，群体智能技术的出现为无人机群路径规划提供了新思路，该技术不但能够解决无人机一维静态的路径优化问题，同时为多维动态路径的优化提供更加精准、快速、有效的智能解决方案。此外，机载智能硬件的飞速发展也极大提升了无人机群的通信速率与运算效率，使得无人机群具备环境适应能力强、部署灵活和多功能集成等优势。基于以上背景，阐述了无人机群航路规划的环境感知建模、适应度函数、约束条件和障碍物规避四方面内容；综述了群体智能算法原理，并分析讨论了5种群体智能算法以及其应用于无人机群航路规划的优缺点；分析和展望了群体智能算法应用于无人机群航路规划与任务协同方向的发展趋势。     

基于通感融合的无人机预编码及飞行轨迹设计

无人机(UAVs)具有机动性强,低成本及易部署等特性,通过搭载通信及感知设备,支持通信与感知技术的高效资源共享,无人机可作为融合通信与传感技术的高性能空中平台。该文针对多输入多输出(MIMO)无人机使能的联合通信、感知场景,综合考虑无人机飞行能量、多天线传输及用户业务需求等限制条件,建模无人机通信、感知预编码及飞行轨迹联合优化问题为多目标优化问题,以实现通信用户最低速率最大化及目标最小发现概率最大化。由于通信用户最低速率最大化问题为非凸优化问题,难以直接求解,将原优化问题分解为通信预编码设计子问题及无人机轨迹设计子问题,并采用交替迭代法依次求解两个子问题直至算法收敛,其中,对于通信预编码设计子问题,提出一种基于迫零(ZF)算法的求解策略;对于无人机轨迹设计子问题,提出一种基于连续凸逼近(SCA)算法的求解策略。基于所得到的无人机最优轨迹,将无人机感知位置选择问题建模为加权距离和最小化问题,进而应用泛搜索算法优化确定目标感知位置,并设计基于ZF算法的通信感知预编码联合优化策略,以实现通信感知性能的联合优化。最后通过仿真验证了该文所提算法的有效性。     

通信约束下的多无人机协同航路规划

针对存在通信约束的多无人机协同航路规划问题,在考虑多无人机同时到达目标点和避免相互碰撞的条件下,使用改进的A*算法规划出多无人机飞行的原始航路;通过不断计算和比较无人机间的距离来限制无人机的飞行,使无人机之间的距离始终保持在允许通信距离范围内;通过减小最大允许通信距离和增大最小安全距离来消除通信时间延迟对协同航路规划的影响,从而建立了存在通信距离限制和通信时间延迟条件下的多无人机协同航路规划算法。仿真结果验证了该算法的有效性。     

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。