针对动态目标的多无人机协同组合差分进化搜索方法

针对多无人机动态目标协同搜索问题,提出一种组合差分进化无人机协同搜索航迹规划方法.建立动态目标协同搜索环境信息图模型及无人机运动模型.基于改进差分蝙蝠算法和自适应差分进化算法,设计基于种群数量自适应分配的组合框架,将差分进化算法中的变异、交叉和选择机制引入蝙蝠算法,构建组合差分进化算法的协同搜索算法,并对无人机动态目标协同搜索的航迹进行优化.针对待搜索目标轨迹随机多变且具有规避侦察特性的现实场景,建立可回访数字信息图和自适应目标搜索增益函数,从而提高无人机对动态目标的捕获能力.最后,通过仿真结果验证所提出的无人机动态目标协同搜索算法的有效性.     

针对运动目标的多无人机协同鸽群优化搜索方法

针对多无人机协同运动目标搜索问题,本文设计了改进鸽群优化算法的协同搜索决策.首先,基于运动目标的独立性,建立了服从正态分布的目标概率信息图模型;为了提高环境中目标存在的确定度,建立了搜索环境的确定度信息图.其次,通过建立的吸引和排斥数字信息素图,引导无人机向未搜索区域飞行,减少重复搜索概率,提高协同目标搜索效率,并基于传统的鸽群算法,通过加入速度更新修正机制和精英代机制对其进行改进.然后,结合环境中目标的存在概率信息以及无人机搜索目标的探测信息,使用改进鸽群优化算法,规划无人机的最优搜索飞行路径.并设计避碰机制,以有效防止无人机搜索过程中的碰撞.最后,通过比较仿真实验验证了改进鸽群优化算法对运动目标协同搜索的有效性.     

多运动目标的多无人机协同搜索追踪策略

针对多无人机协同搜索追踪区域内多运动目标问题,考虑无人机的传感器与避撞等约束和目标随机运动等特征,提出了以垂线搜索为基础的多无人机协同搜索追踪策略.策略包含任务分配和航迹规划两部分.在任务分配部分,设计了航道均分垂线搜索算法,将搜索资源在区域内均匀分配,提高协同搜索效能.在航迹规划部分,设计了改进的人工势场算法,避免发生机间碰撞,保障飞行安全.在典型场景下,仿真验证了策略的有效性,相比传统垂线搜索方法,本策略能在保证安全的前提下,引导无人机群捕获更多的目标,有效提升了多无人机协同搜索追踪的效果.     

基于MTPM和DPM的多无人机协同广域目标搜索滚动时域决策

传统的协同搜索决策方法在目标引导和机间协同方面存在不足. 研究建立了基于分布概率预测的目标概率图（Target probability map,TPM）初始化方法和基于贝叶斯准则的目标概率图动态更新方法,形成了修正目标概率图（Modified TPM,MTPM）及其运算机理.考虑对任务子区域进行可控回访,定义了数字信息素图（Digital pheromone map,DPM）,建立了数字信息素图使用方法及更新机理.设计了基于MTPM和DPM的寻优指标,建立了基于滚动时域控制的协同搜索决策方法（MTPM-DPM-RHC method,MDR）.仿真表明: 1） MTPM能有效降低对目标的虚警率和漏检率;2） DPM能有效实现对任务区域可控回访;3） MDR方法的遍历能力、重访能力和目标搜索效率均优于已有方法.     

基于stackelberg多步博弈的无人机协同搜索路径规划

考虑到现有无人机搜索问题研究中无人机、移动目标仅有一方具有远距离探测能力的设定，已经无法体现出战场环境下双方的博弈关系。针对这一不足，基于stackelberg均衡策略，结合多步预测的思想，提出了stackelberg多步博弈策略，实现了无人机、目标都具有远距离探测能力的博弈搜索。通过建立无人机、目标各自的路径收益函数，使双方能够根据不同时刻的博弈状态选择相对应的函数，实现无人机的动态路径规划。仿真结果表明所提出策略完全适用于该博弈模型，比贪婪策略具有更高的搜索效率，大大提高了目标捕获率。     

基于k度平滑的多无人机协调路径规划方法

针对多无人机协同的轨迹规划问题,提出一种基于k度平滑法的多无人机协同路径规划方法.通过改进的蚁群优化算法搜索最短路径,应用k度平滑方法平滑初始路径并实现多无人机的协调.通过k度平滑引入多无人机协调算法,使多架无人机能够在k度时间间隔内到达指定地点.通过仿真实验将所提方法与改进蚁群算法、经典算法及平滑方法进行对比分析,验证所提算法的可行性和有效性.实验结果表明,所提策略能够有效提高多无人机路径规划效率,实现多无人机同时到达指定位置的目标,且具有良好的可行性、有效性.     

基于集散式模型预测控制的多无人机协同分区搜索

针对多无人机在对大范围目标区域执行协同搜索任务时搜索资源分配不均、容易因频繁转场造成资源浪费等问题,借鉴集中式控制和分布式控制结构的优点,建立了集散式多无人机(unmanned aerial vehicle,UAV)协同搜索结构体系,通过聚类分析和V图划分等方法对目标区域进行分区,结合各子区域任务特点对无人机群进行搜索任务分配,并采用一种经改进后可有效增大UAV预测范围的预测控制模型,研究了动态环境下多UAV集散式协同分区搜索问题,最后,将所提方法与常见几种协同搜索方法进行对比仿真,获取仿真结果验证了所提方法在目标发现概率和搜索效率方面的有效性和优越性.     

优化蚁群算法在无人机航路规划中的应用

研究无人机航路规划问题,采用基本蚁群算法易陷入局部最优、搜索时间长导致人机作航路规划效率低的难题.为了提高无人机航路规划效率,提高速度和系统品质特性,提出了一种基于改进蚁群算法的无人机航路规划方法.算法前期采用了保留最优解和自适应航路点选择策略对路径进行优化,使之适应大规模问题求解;后期改进了基本蚁群算法中信息素、挥发因子的更新规则,通过改进使得每轮搜索后信息素的增量能更好地反映求解的质量,有效地避免陷入局部最优,加快了收敛,提高了搜索效率.采用改进的蚁群算法对无人机任务航路进行仿真,仿真结果表明,改进方法避免了陷入局部最优,并缩短了搜索时间,航路规划效率明显提高,证明是一种有效的无人机航路优化方法,可为实际应用提供参考.     

基于改进蚁群算法的三维航迹规划

针对蚁群算法在无人机（UAV）三维航迹规划中存在的收敛速度慢、空间复杂度高的缺点,提出了一种基于改进蚁群算法的无人机（UAV）三维航迹规划方法。该方法改进了局部搜索策略、初始信息素调整因子并在启发函数中加入了路径偏移因子,从而降低了航迹搜索空间的复杂度,提高了算法的搜索效率和收敛速度。在利用DEM数字高程数据建立的搜索空间中,该算法与现有算法相比,规划航迹缩短约24.08%,运行时间减少约11.56%,表明改进蚁群算法在无人机（UAV）三维航迹规划中的可行性和有效性。     

带定位误差约束的多无人机快速协同航迹规划北大核心

在战场中,采用多架无人机协同配合对目标进行打击可以有效提高目标毁伤概率。实施过程中,无人机除了会受到自身的硬件约束,还会遇到环境约束以及任务要求约束等众多软硬约束条件。针对无人机执行打击任务过程中存在的定位误差校正约束、转弯半径约束以及时间协同约束等,建立了多约束条件下多无人机快速协同航迹规划的混合整数规划模型,利用CPLEX进行求解。仿真结果表明,上述模型可以为多架无人机生成合理航迹,确保有效执行任务。     

基于三维程控的无人机协同编队飞行研究

基于三维程控飞行策略,对多无人机(UAV)协同编队飞行控制进行研究,提出一种多机同方位任务需求的编队控制方法.采用“长机-僚机”编队结构模式控制编队飞行,以编队中的长机航迹坐标为基准坐标系实现了僚机与长机相对位置一致的控制;实现了编队中所有无人机同时到达指定位置并保持速度相对稳定的控制.通过航路规划和编队遥调,实现了人工干预与自动控制结合的编队飞行策略.仿真结果表明,该方法具有较好的可实施性、管理性、应用性和安全性.     

无人机群目标搜索的主动感知方法

为提升蚁群搜索算法在规模大的栅格环境中对未知目标的搜索效率,提出基于蚁群算法的主动感知搜索框架。该框架通过应用历史环境信息来选择无人机的运动方式,并由无人机运动方式和感知域信息得到新的环境信息,从而实现无人机群的智能自动化搜索功能。新方法计算出一种具有探索偏好的未搜索概率,可使无人机搜索时偏向未搜索程度高的栅格,以此来提高算法的搜索能力。同时,以未搜索概率和信息素作为运动方式决策的依据来建立一种新的运动方式选择机制。该机制不仅考虑了目标可能出现的区域,又可兼顾未知区域,从而可实现无目标先验信息条件下的搜索过程。仿真结果表明,此算法在规模大的栅格环境中,与现有算法相比具有更高的搜索效率,并且得到的目标分布信息将更加全面。     

基于分布式一致性的无人机编队控制方法

多无人机系统中,系统状态的一致性是实现多无人机协同控制的基础,针对多无人机中存在的三维空间编队控制问题,提出一种分布式一致性的无人机编队协同控制方法。在主机-从机组成的多无人机系统的基础上,引入分布式结构,设计无人机控制系统模型并建立无人机编队协同机制。根据协同机制设计基于一致性算法的协同编队控制器、基于匈牙利算法的任务分配策略以及避障策略。分别在简易模拟器和基于ROS-Gazebo的实景模拟器中仿真验证了协同控制方法的有效性。结果表明：无人机群能够有效地完成协同编队任务,并且可以通过调整层次结构进行有效编队重构。     

面向城市巡防的多无人机协同航迹规划

无人机（UAV）因其低成本、高动态性与低部署性等优点被逐渐应用于城市巡防中。为提高异构无人机航迹规划的效率,首先建立了考虑无人机的任务执行率、航迹代价和撞击代价的多无人机任务规划模型。其次针对传统优化算法容易陷入局部最优解,均匀性差等问题,将差分策略和Levy飞行策略引入乌鸦搜索算法中对算法进行改进,提出基于Levy飞行策略的混合差分乌鸦搜索算法（LDCSA）,将剪枝处理和Logistic混沌映射机制加入快速遍历随机树（rapidly-exploring random trees,RRT）算法中,并通过改进的RRT算法进行航迹初始化。最后建立了3维的城市模型进行仿真实验,将所提算法与粒子群（PSO）、模拟退火（SA）、乌鸦搜索（CSA）算法对比,仿真结果表明该算法能提高全局收敛性与鲁棒性、缩短收敛时间、提高无人机执行覆盖率和减少能耗,在解决多无人机航迹规划问题中更具有优势。     

群机器人任务分工与协同搜索方法

群机器人执行搜索任务时,为平衡任务分工和提高协同搜索效率,提出预分工与反馈调节的双层分工方法和模拟鸟群觅食的协同搜索方法。在任务分工方面,以探测的目标强度为依据建立目标选择概率函数,使用轮盘赌确定机器人意向目标,将意向目标相同的机器人预分配为同一子群,使用反馈调节法实现分工平衡。在协调搜索方面,模拟鸟群觅食过程,提出粒子群-人工势场的搜索和避障协同控制方法。仿真结果表明,协同搜索方法能够锁定区域内所有目标,与文献[10]方法相比,任务完成平均耗时减少了17.14%,最优耗时减少了18.61%,验证了该方法在任务分工和目标搜索上的优越性。     

改进海洋捕食者算法及其在WRSN充电规划中的应用

针对无线可充电传感器网络下的多无人机充电规划,仅考虑无人机的飞行距离为成本目标规划出最优充电路径显得单一片面,现把无人机的飞行距离、能量消耗、时间成本和无人机搭配成本组合成新的成本目标模型,为了减少飞行停留点次数,还加入了正六边形充电模型,并提出了一种改进的海洋捕食者算法(BMPA)应用到此场景中.改进之处在于:一方面,在海洋捕食者算法中引入了天牛须搜索算法寻找全局气味值最大的点的操作,改善了最优解的质量;另一方面,在海洋捕食者算法中加入了新的自适应的非线性移动步长的参数,进一步改善勘探与开发的平衡,提高了全局搜索能力,促进局部研究的快速收敛.仿真实验结果表明,提出的算法不仅有效地减少了飞行次数,而且降低了飞行距离和算力消耗,与BAS、MPA和PreWBAS算法相比,在求解新的成本目标函数值上减少了50.90%、4.85%和14.38%,证明了改进后的算法的有效性.