基于混沌蚁群算法的集群无人机协同任务分配

针对无人机集群协同任务分配问题,以无人机集群完成所有任务的总航程和未完成任务数最小为优化目标,构建多目标的多任务分配数学模型,并提出基于混沌蚁群算法的优化方法对模型进行求解。借鉴混合算法能提高单一算法性能的思想,在集群任务分配问题中将混沌算法的遍历性、随机性和蚁群算法的信息素正反馈机制结合起来,并通过仿真实验验证所提方法的有效性和适用性。结果表明：基于混沌蚁群算法的集群无人机协同任务分配方法能够增强全局寻优能力,提高算法效率,为多无人机分配最优的任务序列。     

不确定环境下基于PSO 算法的多无人机任务分配方法

实战环境下,无人机所获得的信息通常具有不确定性,针对不确定环境下的多无人机任务分配问题,提出了一种决策方法。分析无人机任务规划中各指标的不确定性,采用主观赋值和客观赋值相结合的方法,确定指标的综合权重,将离散粒子群优化算法和区间数排序方法相结合,给出区间形式不确定信息的无人机任务分配方法。仿真实验结果表明了该方法的可行性和有效性。该决策方法不仅能解决确定信息情况下的无人机任务分配问题,而且能解决区间数不确定信息情况下的无人机任务分配问题。     

基于并行蚁群算法的常规导弹作战任务分配

作战任务分配是常规导弹作战研究的关键问题之一。结合常规导弹作战实际情况和任务分配特点,综合考虑作战意图、任务协同等约束条件,采用并行蚁群算法,建立了作战任务分配模型。在多子群蚁群算法的基础上,设计了基于任务能力评估的子群协调沟通策略和基于任务代价的状态转移规则,提出了并行求解任务分配问题的蚁群算法思想。通过仿真验证了模型的正确性,仿真结果表明该方法能够有效解决常规导弹作战任务分配问题。     

一种新型启发式搜索算法研究

提出了一种用于解决复杂优化问题的新的启发式算法--蚁群算法.采用该算法进行了无人机的航路规划,为求解无人机航路规划问题提供了一种新的算法.该算法对传统蚁群算法进行了改进,更好地解决了无人机的航路规划问题,文中进行了相应的仿真,仿真结果表明了算法的有效性.     

多目标空地异构无人系统协同任务分配方法

针对由地面无人车与多无人机组成的空地异构无人系统面向大范围、多目标的协同任务分配问题，以无人系统完成任务时间为优化目标，同时考虑无人机收放、续航能力以及任务时序等约束条件，建立空地异构无人系统的任务分配模型，提出一种多目标空地异构无人系统任务分配方法。结合密度值最大聚类和混合粒子群优化算法，对空地异构无人系统的任务分配问题进行求解，从而得到满足约束条件的全局任务分配结果；通过仿真实验对所提方法进行验证。实验结果表明，该方法能够有效地求解在不同作战环境中的空地异构无人系统的任务分配问题。     

多无人机多任务对地攻击协同任务分配

针对多无人机对地协同攻击多任务分配问题,通过合理假设对问题进行抽象简化的基础上,建立了基于任务分配收益和代价的总体分配效能函数模型,并以此模型作为任务分配方案的评估标准。引入各种操作符重新定义了离散粒子群优化算法的速度以及位置更新公式,建立了算法实现的基本流程,并利用该DPSO优化算法对任务分配模型进行求解。分别针对多UAV单任务,单UAV多任务以及多UAV多任务进行仿真分析,结果表明,DPSO算法比遗传算法具有更好的全局搜索能力和收敛速度,通过仿真验证了任务分配模型的合理性和正确性,验证了算法的有效性和相对于遗传算法的优越性。     

多目标时空同步协同攻击无人机任务分配与轨迹优化

针对复杂战场环境下分布式无人机对多目标协同打击任务,提出多目标攻击的任务分配与轨迹优化算法。建立典型多目标打击的任务场景和无人机模型;基于Delaunay三角形理论,以禁飞区为节点构建搜索地图;运用A^*算法实现威胁最小的单机路径搜索;在无人机动力学约束和能耗损失最小的基础上,引入时间调节因子,采用基于贝塞尔曲线的分布式无人机时空同步轨迹优化方法,得到对多目标同时打击的优化轨迹;设计轨迹跟踪控制器,对预规划轨迹进行跟踪仿真。仿真结果表明,多目标攻击的任务分配与轨迹优化方法能够对多目标实现多角度、时空同步、分布式协同打击,且对噪声及阵风等具有较强的抗干扰能力。     

基于防御雷达监控的多无人机协同侦察优化模型

针对多无人机协同侦察路径优化问题,构建一种分步求解有防御雷达监控的多无人机协同侦察优化模型.通过聚类分析的方法对待侦察目标点进行目标群的划分,运用TSP算法求出目标群内各目标点之间的最优侦察路径并对无人机进行任务分配.根据相关约束条件,建立以无人机在敌方雷达监控范围内的滞留时间最短为目标的MMTSP 优化模型.运用蚁群算法对所建模型进行求解,并进行实例分析.分析结果表明:该模型和方法具有可行性和有效性,可为多无人机协同侦察提供参考.     

基于区间直觉模糊决策的多无人机任务分配方法

针对多无人机在不确定环境下面向SEAD 约束的任务分配问题,提出一种基于区间直觉模糊决策的多无 人机任务分配方法。构建面向不确定环境下无人机的任务分配数学模型,将无人机和任务的不确定信息用区间直觉 模糊数表示;借助TOPSIS 原理,考虑区间直觉模糊数的曼哈顿距离和犹豫度对区间直觉模糊数进行比较,采用改 进后的离散差分进化算法求解得到最优的任务分配方案。结果表明：该分配模型合理,算法具有较好的收敛性。     

基于改进蚁群算法的无人机2 维航路规划

针对传统蚁群算法在无人机3 维航路规划中存在搜索时间长、容易陷入局部最优解的问题,提出一种蚁 群算法的改进策略。将固定翼无人机的性能约束条件作为待扩展节点是否可行的判断条件,减小计算量和算法搜索 时间;对航路点的高度规划采用直接设定策略,将3 维航路规划问题简化为2 维航路规划问题,减小算法的复杂性; 改进全局信息素更新规则和安全启发因子,解决了局部最优解和威胁源规避问题。仿真结果表明：改进蚁群算法与 传统蚁群算法相比,能够有效规划出一条从起点到终点的飞行航路,具有更高的有效性和实用性。     

基于蚁群算法的测试任务调度优化方法

复杂系统测试通常存在任务复杂、测试时间长、资源浪费等问题,对资源和任务进行合理调度具有重要实用价值。提出基于蚁群算法的测试任务并行任务调度优化方法,对测试问题进行描述,与蚁群算法结合,设计了启发函数、状态转移规则;根据算法流程获得测试时间最短的任务调度序列;针对任务序列多解的问题,提出资源均衡度的评价标准,得到最优的资源任务调度序列。基于蚁群算法解决了复杂测试系统任务调度问题,对某实际测试系统资源任务集进行调度仿真,并与随机穷举法对比验证算法的有效性,结果表明该方法能大大节约测试时间。测试实例与当前常用的半串行测试进行对比,测试效率提升了43.07%;所得结果为最短测试时间任务调度序列中资源均衡度最高的。     

遗传-蚁群算法在目标分配问题中的应用研究

针对传统算法很难满足大型水面舰艇编队防空武器的武器目标分配(weapon target assignment,WTA)问题,提出一种将遗传算法融入蚁群算法的混合算法。分析了遗传算法和蚁群算法的优缺点、利用遗传算法快速全局随机搜索能力生成一组粗略解,用其作为蚁群算法的初始信息素,再利用蚁群算法的并行性、正反馈机制,最后求得最优解,并对遗传-蚁群算法与蚁群算法、遗传算法这3种方法进行仿真比较。分析结果证明:遗传-蚁群算法用更少的时间获得最优的火力分配方案,缩短了武器系统反应时间,在求解质量方面有较大优势。     

基于模拟退火算法的岛礁补给路径规划

为了高效、准确地解决岛礁补给最优路径规划问题,基于模拟退火算法对该问题进行了研究.采用路径长度最短作为海岛补给路径规划的最优指标,利用模拟退火算法求解最短路径.并分别对蚁群算法和模拟退火算法路径规划进行仿真分析,仿真结果表明:在岛礁补给路径规划问题上,模拟退火算法不仅可以高效准确地解决岛礁最优路径规划问题,而且相对于蚁群算法具有能避免陷入局部最优,计算结果稳定且效率更高等优势.该方法不仅可以用于岛礁补给路径规划,还可以用于解决无人平台、飞行器等路径规划的问题.     

基于人工鱼群-蚁群算法的UUV三维全局路径规划

针对水下无人航行器在三维环境下的全局路径规划问题,从优化初始信息素分布和转移概率角度,对人工鱼群和蚁群的融合算法进行了深入研究。融合算法中,对人工鱼群算法的状态表达式和移动步长进行了改进;对蚁群算法的启发值、信息素等进行优化设计;借鉴拥挤度因子思想,改进传统蚁群算法转移概率,提升算法的全局寻优能力。在对实际海洋环境数据进行栅格法建模的基础上,以路径长度为衡量指标,利用MATLAB软件进行算法的仿真验证。实验结果表明融合算法的初期收敛速度较快,最佳适应度值和算法耗时均得到改善,算法的有效性得以验证。     

大规模WSN分簇路由蚁群算法的研究

为提高大规模WSN路由性能,提出了基于蚁群算法的无线传感器网络分簇路由算法。首先将网络节点进行聚类,将整个网络分解成一些小规模的区域类,然后利用蚁群算法对每个区域类并行求解最佳路径,并将所有区域类的路径解按一定规则生成整个网络路由的较优解。该算法根据聚类特征对任务进行分解,利用蚁群算法并行求解子问题后再生成全局解的方式,极大地加快了算法的求解速度,对建立大规模WSN路由有着重要启示。算法的时间复杂度和仿真测试分析表明,此算法具有良好的性能。     

基于遗传算法的导弹集群多任务分配优化问题

针对导弹集群协同作战的任务分配问题,提出了一种基于遗传算法的任务分配方法,提高了多任务组合优化问题的搜索能力.该方法采用一种任务组合编码的新方法,实现在整个解空间上寻找到最优组合问题的全局最优解或次优解.实验结果表明,本文方法能有效地解决导弹集群的任务分配问题,获得令人满意的实验结果.     

基于蚁群算法的空间目标地基监视重调度

为解决空间目标地基监视中的资源故障或因天气、供电导致的资源失效等对调度的干扰问题,在扰动度量的基础上提出一种基于扰动邻域搜索的蚁群算法.建立以失败需求综合优先级最小和扰动最小为目标的重调度模型,算法中采用2个信息素矩阵来产生一个可行解,通过邻域搜索在可行解的扰动邻域内对其进行局部优化,再用蚁群算法进行全局寻优.仿真实验结果表明:该算法是有效、可行的,能在可接受时间内收敛,且其解的质量相对启发式方法有明显提升.