采用粒子群优化算法的无人机实时航迹规划

战场环境是动态变化的,很难预先获得全局精确的威胁信息,因此需要无人机具备一定的实时航迹规划能力.采用连续型粒子群优化(PSO)算法进行无人机参考航迹的实时规划,以最大转弯半径、步进、最短距离和回避威胁作为适应度函数的评价指标,得到代表最优航路的离散点.对算法进行了相应的仿真,结果表明该方法费时短,占用内存少,可以满足在线实时航迹规划的要求.     

基于改进粒子群算法的无人机三维航迹规划

针对传统粒子群(Particle Swarm Optimization, PSO)算法在航迹规划的过程中需要根据无人机性能建立约束条件和易陷入局部最优值的缺点,提出了一种结合天牛须(Beetle Antennae Search, BAS)算法的球坐标PSO算法。该改进算法直接利用球坐标系对无人机的航向角和俯仰角进行约束,并且通过BAS算法避免PSO算法陷入局部最优值。根据数字高程地图建立仿真环境,综合考虑航迹长度、平滑度和危险性等因素构建目标函数。仿真结果表明,改进后的算法与其他PSO算法相比,规划的三维航迹质量更高,能够很好地适应无人机在各种环境下的飞行要求。     

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。     

基于改进球面向量粒子群优化的UAV航迹规划

针对无人机在复杂环境下受到多种威胁时的航迹规划问题,提出一种改进的基于球面向量的粒子群优化算法(ISPSO)。利用融合压缩因子和异步变化学习因子的ISPSO算法,通过粒子位置和速度同无人机转角和爬升角的对应关系,高效地搜索无人机的构形空间,找到成本函数最小的最优路径。为了评估ISPSO的性能,从真实的数字高程模型地图中生成2个基准场景,仿真结果表明,该算法优于基于球面向量的粒子群算法。     

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,...     

基于自适应变异粒子群算法的无人机航迹规划

提出一种基于自适应粒子群算法的航迹规划方法.航迹规划是低空突防过程中的关键技术,目的是得到一条既安全可靠又全局代价最优的三维航迹.针对基本粒子群优化算法容易陷入局部极值、进化后期的收敛速度慢和精度低等缺点,采用自适应粒子群优化算法,仿真结果表明该方法能够快速有效地完成规划任务,获得满意的三维航迹.     

采用粒子群优化算法规划无人机侦察航路

研究了粒子群优化算法,提出了将该算法运用于无人机的航路规划.引入交换指数和变异子的概念,解决了算法的局部极值问题,给出了航路规划的方法和步骤.在Matlab仿真环境下得到了参考航路.结果表明,该算法简单有效,在很大程度上提高了无人机的侦察效率.     

基于粒子群算法的无人机航迹规划简

文中提出了一种基于粒子群算法的无人机航迹规划算法。为了减少规划的难度,通过“最小威胁曲面”概念的引入,将“最小威胁曲面”进行水平投影,从而将三维航迹规划问题转换成为二维航迹规划问题进行处理;然后利用动态粒子群算法在水平投影面里进行航迹搜索;最后给出了仿真验证,通过仿真结果可以看出,本文介绍的航迹规划方法的有效性。     

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%.     

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。     

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。     

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。     

采用威胁启发粒子群算法的无人机航路规划

针对复杂地形和威胁环境下的无人机航路规划问题,对粒子群算法进行了改进,提出了融入威胁启发机制的改进粒子群算法.充分利用无人机在任务区域中已知的威胁信息,将其作为威胁启发项,构成粒子群速度更新公式的一部分,有效丰富粒子群算法的搜索行为,增强粒子在搜索过程中的针对性和指导性.使用最小威胁曲面方法,降低粒子编码的维数,并采用...     

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.     

基于机动目标威胁和粒子群算法的航路规划

执行飞行作战任务前对飞行航路进行合理规划十分重要,而环境/威胁建模是航路规划需要解决的首要问题。根据飞行过程中可能遇到的各种威胁源的特点,建立了山体障碍、恶劣气候及导弹、高炮固定阵地等各种静态威胁源的威胁概率函数模型,并进一步构建了机动导弹、高炮等动态威胁源的威胁概率函数模型;针对粒子群算法全局搜索能力强、收敛性好的特点,将粒子群算法运用到航路规划中,并进行了仿真实验,仿真结果证明了模型及算法的有效性。     

雷达假目标干扰无人机航路规划研究

雷达假目标干扰无人机在执行干扰任务前要根据战场环境预先规划好最优路径.全面考虑战场环境威胁约束、机动性能约束和假目标干扰任务约束,综合轮盘法、最优保存策略和六种进化算子形成进化算法,对航路规划问题进行求解.仿真结果表明,利用文中的假目标干扰任务约束量化方法和进化算法对雷达假目标无人机干扰航路进行规划是可行的.     

一种基于改进PSO的随机最大似然算法

随机最大似然算法(Stochastic Maximum Likelihood,SML)具有优越的波达方位(Direction-of-Arrival,DOA)估计性能,但SML解析过程较高的计算复杂度限制了该算法在实际系统中的应用.针对SML计算复杂度高的问题,提出一种低复杂度的粒子群优化算法(Particle Swarm Optimization,PSO),解决了传统PSO算法中粒子数多和迭代次数多的双重缺点.首先,根据天线获得的信号,将旋转不变子空间法(Estimation of Signal Parameters via Rotational Invariance Techniques,ESPRIT)求得的闭式解作为DOA的预估计值,同时计算系统此时的信噪比以及SML在此信噪比下的克拉-美罗界(Cramer-Rao bound,CRB).然后,根据DOA预估计值和当前CRB值在SML最优解的近邻范围内确定较小的初始化空间,并在该空间初始化少量粒子.最后通过设计合适的惯性因子w,使粒子以合理的速度搜索最优解.实验结果表明,改进PSO算法所需的粒子个数和迭代次数大约是传统PSO算法的1/5,降低了SML的解析复杂度,计算时间是传统PSO算法的1/10,因此在收敛速度上也有显著的优势.     

无人机航路规划中的变步长A*算法

为了实现无人机在不同条件下的自主航路规划,提出一种变步长的A*方法.此时,每步迭代的可拓展点为搜索区域内不同搜索角度、不同拓展步长的点阵.这样保证了每次搜索能在一个较大的区域进行,并能保证每次搜索对地图的分辨精度.然后,依据稀疏A*方法(SAS)的思想,对单步迭代的拓展方法给出了减少运算量、加快运算速度的改进方案;依据...     

基于Voronoi图和量子遗传算法的飞行器航迹规划方法

以飞行器航迹规划为应用背景,提出一种基于Voronoi图和量子遗传算法的飞行器航迹规划方法。首先,建立威胁源的V图,并构建发射点、目标点与威胁源的V图赋权有向图,从而建立飞行器航迹规划V图空间;然后,对传统量子遗传算法进行改进,引入了量子门旋转角步长动态调整机制;并增加了量子交叉操作和量子变异操作,使得改进后的量子遗传算法具有更高的搜索效率,采用改进后的量子遗传算法求解V图空间中的最优航迹;最后,进行了仿真实验。仿真结果表明,基于V图和量子遗传算法的航路规划方法是可行和有效的。     

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...