无人机航迹规划群智能优化算法综述

无人机航迹规划是指根据任务目标规划出满足约束条件的飞行轨迹.航迹规划的好坏,对任务的完成产生重大的影响.因此,对航迹规划的研究成为了无人机技术研究的重要内容.本文综述了无人机航迹规划研究的现状,分别介绍了粒子群算法、蚁群算法、蜂群算法三种常见的群智能优化算法及其优缺点,最后对无人机航迹规划群智能优化算法的发展趋势进行了展望.     

基于混合蚁群算法的无人机航迹规划

由于传统方法在无人机航迹规划实际应用中规划的航迹长度较长,文章提出基于混合蚁群算法的无人机航迹规划。由山峰模型和天气模型组建无人机航迹环境数学模型,描述无人机飞行航迹环境情况,以无人机航迹代价最小建立目标函数,并对无人机航迹长度、高度、速度、转弯角度进行约束,采用混合蚁群算法对目标函数求解,求出最优航迹规划策略。实验证明,文章设计方法规划的航迹长度最短为1 032.58 m,规划航迹长度较短,在无人机航迹规划方面具有良好的应用前景。     

基于冲突消解多无人机协同航路规划算法仿真

针对多架无人机同时攻击同一目标的问题,提出了一种基于冲突消解机制的航路规划算法.通过分析协同规划中的各种约束条件及任务要求,从规划终点同时、同步扩展每架无人机的飞行航迹,并采用不等步长扩展法反映每架无人机的飞行速度,在扩展节点的同时进行各项约束条件的检查和消除,保证多条航迹间的时空协同;最后通过数学仿真验证了该算法的可...     

基于优化蚁群算法的无人机海岛监测航迹规划

本文提出一种可行的面向海岛监测的无人机航迹规划控制算法,主要针对复杂的海岛群及气流不稳定等因素的无人机海岛监测,为海岛监测提供技术支持具有重要的理论意义及应用价值。通过MAKLINK图论建立二维路径规划空间模型,利用Dijkstra算法规划无人机初始航迹,融合蚁群算法仿真得到优化航迹规划路径。仿真结果表明,该融合得到的优化算法,比改进前的蚁群算法求解时间快、规划路径准确、迭代过程中系统稳定的特点,从而保证无人机在复杂的海岛监测中飞行航迹规划零失误。     

用改进蚁群算法实现突发威胁下的航迹规划

航迹规划对UAV完成任务具有重要的意义。为解决突发威胁下的UAV航迹规划问题,根据Voronoi图的局域动态特性提出了一种基于改进蚁群算法的实时重规划方法。采用全新的目标吸引策略、引入信息素增量调节因子并自适应调整信息素挥发系数来对基本蚁群算法进行了改进,提高了算法的求解效率,并进行仿真验证。根据战场已知威胁源生成Voronoi加权图,并与所提的改进蚁群算法相结合求解规划空间中的最优航迹。仿真结果表明,利用改进蚁群算法能够有效地提高收敛速度和寻优能力,可以较好地解决突发威胁下的UAV航迹规划问题,保证UAV能够回避战场威胁,顺利飞抵目标点。     

基于改进鲸鱼算法的多无人机协同欺骗干扰技术

多机协同对组网雷达系统进行航迹欺骗干扰属于大规模优化问题,往往需要利用群体智能算法优化无人机的飞行任务,然而采用传统群体智能算法优化时往往会出现收敛速度慢、求解精度低等问题。针对这一问题,对标准鲸鱼优化算法进行了改进,提出了一种基于改进鲸鱼优化算法的多无人机协同欺骗干扰技术。首先建立了多无人机协同欺骗干扰组网雷达的数学模型以及对应的优化函数,然后在标准鲸鱼优化算法的基础上引入了自适应惯性权值,提高了算法的全局搜索能力和收敛速度。仿真实验表明,固定无人机数量为9架时,利用改进鲸鱼、标准鲸鱼、粒子群、蚁群4种算法分别优化多机协同欺骗干扰模型,得出改进鲸鱼优化算法平均运行时间最短,迭代次数最少,同时优化产生的实际航迹与理论值误差最小;逐步增加无人机数量至20架,利用上述四种算法进行模型求解时得出改进鲸鱼优化算法在不同无人机架数的条件下产生的假目标航迹条数均优于其他3种算法。     

基于Voronoi图和离散粒子群优化的无人机航迹规划

航迹规划是根据任务目标规划出满足约束条件的飞行轨迹,是实现无人机突防攻击的关键技术.由于无人机航迹规划的复杂性,提出了一种无人机分层航迹规划的方法,该方法首先由Voronoi图生成初始航路,然后考虑各约束条件,赋予各航路相应的权值,最终应用离散型粒子群算法搜索出满意的规划解.仿真结果表明,该方法规划效率高,占用内存少,...     

基于改进领航跟随法的多机协同航迹规划

航迹规划是实现无人机高效任务管理的关键环节之一。针对队形保持的多无人机协同航迹规划问题,引入队形力这一概念,对传统领航跟随法进行改进,提出了一种基于领航跟随法和人工势场法相结合的多机协同航迹规划算法,并利用MATLAB软件对上述算法进行了仿真实验,验证了此算法的正确性。     

基于智能算法的无人机航迹规划

文中针对多无人机在复杂约束条件下编队协同、巡航范围内覆盖率高的问题,基于K-means算法和Hop-field神经网络算法实现了一种无人机整体航迹规划方法。对任务要求的禁飞区域、目标区域建立任务区域的数字地图模型,进行模型分解合理的将有效区域分解为多个子目标点。随后采用K-means算法对无人机巡航的目标点进行聚类,并结合Hop-field神经网络算法对同类子目标点进行无人机航迹规划。以无人机在抗震救灾中的真实数据为实例,通过仿真实现了巡航区域90%的覆盖率,验证了文中方法的鲁棒性和有效性。     

采用改进粒子群算法的无人机协同航迹规划

为合理解决多无人机协同航迹规划问题,提出了两种解决方法。针对提出的空间直接法,将多无人机三维协同航迹规划问题简化为具有时间约束的二维航迹规划,并对传统协同变量和协同函数进行新的构建,最后结合一种改进的粒子群算法作了进一步的仿真实验,并取得了比较理想的结果。     

基于改进蚁群算法的无人机协同航迹规划研究

无人机群协同作战中,如何确定各无人机的航迹是整个规划问题的基础和关键,直接影响到作战效率.采用层次分解策略,首先对威胁场进行Voronoi图环境建模,然后利用改进蚁群算法,提出带有方向性引导性的信息素更新策略,减小迷失蚂蚁对算法收敛性的影响.同时,从时域和空域方面考虑多机协同问题,在满足最小时间窗基础上,最后仿真得到了...     

基于改进QACA的无人机集群任务分配算法

针对无人机集群多目标任务分配问题，提出在量子蚁群算法(QACA)基础上，融合克隆选择算法的交叉和克隆复制因子来提高算法的全局搜索能力，避免搜索过程陷入早熟收敛问题，然后利用量子蚁群算法快速搜索。仿真结果表明，该算法是求解无人机集群多目标任务分配的一种有效算法。     

基于改进蚁群算法的无人机低空突防三维航迹规划

探讨了无人机低空突防三维航迹规划中地形、威胁以及航迹代价评估等模型的建立方法.将蚁群算法引入无人机航迹规划,针对传统蚁群算法易出现停滞现象,引入偏航角对启发信息进行调整改进;建立优先搜索集,使蚁群算法更快速有效地搜索到最优航迹.仿真实验结果证明了该规划方法的效率.     

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...     

基于拥挤度因子的动态信息素更新策略蚁群算法

针对蚁群算法易陷入局部最优、收敛速度慢的问题,文中提出了一种基于拥挤度因子的动态信息素更新策略的蚁群算法(CFACS)。引入鱼群算法中拥挤度的思想,扩大种群中蚂蚁分布范围,使其探索更大的解空间,提高算法全局搜索能力;采用动态信息素更新策略,在每一次迭代中,自适应调整当前最优路径所释放的信息素浓度,保证蚁群前期的多样性,同时保证算法在后期的收敛性。求解TSP问题的仿真实验表明,改进算法求得解的质量和求解的收敛速度都明显优于传统蚁群算法,较好地平衡了种群多样性与收敛速度之间的矛盾。     

Resource scheduling in mobile edge computing using improved ant colony algorithm for space information network

With the development of space information network (SIN), new network applications are emerging. Satellites are not only used for storage and transmission but also gradually used for calculation and analysis, so the demand for resources is increasing. But satellite resources are still limited. Mobile edge computing (MEC) is considered an effective technique to reduce the pressure on satellite resources. To solve the problem of task execution delay caused by limited satellite resources, we designed Space Mobile Edge Computing Network (SMECN) architecture. According to this architecture, we propose a resource scheduling method. First, we decompose the user tasks in SMECN, so that the tasks can be assigned to different servers. An improved ant colony resource scheduling algorithm for SMECN is proposed. The heuristic factors and pheromones of the ant colony algorithm are improved through time and resource constraints, and the roulette algorithm is applied to route selection to avoid falling into the local optimum. We propose a dynamic scheduling algorithm to improve the contract network protocol to cope with the dynamic changes of the SIN and dynamically adjust the task execution to improve the service capability of the SIN. The simulation results show that when the number of tasks reaches 200, the algorithm proposed in this paper takes 17.52% less execution time than the Min-Min algorithm, uses 9.58% less resources than the PSO algorithm, and achieves a resource allocation rate of 91.65%. Finally, introducing dynamic scheduling algorithms can effectively reduce task execution time and improve task availability.     

QIACO:一种多QoS约束网格任务调度算法

网格环境下的任务调度问题属于NP难解,难以得到精确的最优解,适合使用蚁群算法等智能优化算法对最优解进行逼近;同时,服务质量(QoS)也是衡量网格性能的一个重要指标,网格任务调度应该满足用户的QoS需求.为解决具有QoS保证的网格任务调度问题.本文以带有Qos约束的任务为研究对象,结合改进的蚁群算法,提出了一种基于蚁群算...     

Multi-point path planning based on the algorithm of colony-particle swarm optimization

The problem of multi-point path planning is a NP-hard problem,which is equivalent to finding the shortest path of a starting point and some specific node.Aiming at the problem of multi-point path planning,a retrospective ant colony-particle swarm optimization algorithm was proposed.This algorithm used Floyd-Warshall to transform the graph and combined ant colony algorithm and particle swarm algorithm to find the shortest path.The experimental results show that this algorithm can find the precise solution under small data,at the same time,under a large amount of data,can be better than the maximum minimum ant colony algorithm and genetic algorithm.     

基于改进蚁群算法的自适应云资源调度模型研究

对于传统蚁群算法用于云计算资源分配和调度问题过程中存在的不足,提出了一种可以提高负载均衡度、缩短任务执行时间、降低任务执行成本的改进自适应蚁群算法,改进算法以能够基于用户提交的任务求解出执行时间较短、费用较低,负载率均衡的分配方案为目标,通过CloudSim平台对传统蚁群算法、最新的AC-SFL算法、改进自适应蚁群算法进行仿真实验对比。实验数据表明,改进后的自适应蚁群算法能够快速找出最优的云计算资源调度问题的解决方案,缩短了任务完成时间,降低了执行费用,保持了整个云系统中心的负载均衡。