基于粒子群优化算法的无人机航迹规划

提出一种基于粒子群优化算法的无人机路径规划方法,利用粒子群优化算法,将约束条件和搜索算法相结合,从而有效减小搜索空间,得到一条全局最优路径。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。     

复杂环境下无人机三维航迹规划方法研究

复杂环境下规划无人机三维航迹时,随机型的粒子群优化由于问题维度高导致收敛性差难以获得最优甚至可行航迹;而确定型的稀疏A~*算法易陷入局部搜索导致搜索时间长且计算量大。基于分层思想,将高维航迹规划问题转换为多个低维问题。首先通过粒子群优化规划出少量导引航迹点集,然后采用稀疏A*算法计算导引点间的航迹段。仿真结果表明该方法能在获得满意解的前提下提高复杂环境下无人机航迹规划效率。     

粒子群算法在翼伞空投系统航迹规划中的应用

针对当前翼伞系统研究中未考虑到地形威胁、火力威胁对航迹规划影响的问题,对地形威胁和火力威胁进行了建模,结合翼伞飞行特性,引入最小威胁曲面生成三维航迹搜索空间,并利用粒子群算法搜索优化翼伞系统的航迹。仿真结果表明,粒子群算法能有效地减小搜索空间,提高规划的效率,且使规划出的航迹能够躲避威胁,满足航程和高度的要求。     

基于改进蚁群算法的无人机三维航迹规划研究

针对蚁群算法进行无人机航迹规划时,易陷入局部极值,且收敛速度较慢的问题,提出了基于改进蚁群算法的无人机三维航迹规划。将三维航迹规划分成基于改进蚁群算法的二维平面规划和高度规划两部分,采用几何优化方法增强了蚂蚁搜索的引导性,并根据航迹点与威胁源之间的距离及高度约束,调节航迹点的高度,规划出无人机三维航迹。同时,利用自适应调节参数方法提高蚁群搜索能力与个体之间交互能力,有效摆脱原算法易陷入局部最优的情况。此外,建立了指标函数并对路径进行了平滑处理。仿真结果表明,所提出的改进算法在三维环境下不仅可以安全避开威胁,而且找到最优解的能力及收敛速度优于原算法。     

基于改进沙猫群算法的无人机三维航迹规划

针对传统沙猫群(SCSO)算法全局搜索能力不足、易陷入局部最优等问题，提出一种改进沙猫群(LVSCSO)算法。该算法引入非线性调整机制，更好地体现出SCSO算法的搜寻和攻击过程；同时引入自适应莱维飞行机制，有效提高了算法的全局搜索能力和跳出局部最优的能力。采用栅格法构建无人机野外环境模型和复杂城市环境模型，以综合航迹长度、飞行高度和飞行转角的适应度函数为衡量指标，进行了算法的仿真验证。研究结果表明：在野外环境模型下，相较于传统SCSO算法和粒子群优化算法，该改进算法分别提升56.40%和22.06%;在复杂城市环境模型下，相较于传统SCSO算法和粒子群优化算法，该改进算法分别提升了56.33%和61.80%;新的LVSCSO算法在航迹规划上具有有效性和优越性。     

基于SAPSO算法的无人机三维航迹规划

运用粒子群算法(PSO)进行无人机三维航迹规划时,常通过引入最小威胁曲面来减小搜索空间,提高算法效率,但将威胁信息等效至数字地图中并不能准确反映威胁作用,且失去了利用地形遮蔽进行突防的优势。针对这一问题,从航迹规划的核心适应度函数出发,综合考虑火力威胁、地形威胁、高度威胁、机动性能四个方面约束,对适应度函数模型进行了分析改进。同时,针对粒子群算法易陷入局部最优的问题,提出将模拟退火粒子群算法(SAPSO)运用于航迹规划,利用模拟退火算法概率突跳能力进一步改善航迹质量。仿真结果表明,改进模型获得的三维航迹不仅满足各项约束,而且能够利用地形遮蔽进行突防,SAPSO算法改善航迹效果明显。     

Memetic算法在无人机侦察航路规划中的应用

为解决无人机侦察航路规划问题,采用文化基因算法(memetic algorithm,MA)进行求解。以粒子群优化算法作为主搜索策略,采用基于模拟退火的加权法对非劣解进行局部搜索。目标函数综合分析了战术效果、航程、安全性、飞行时间等指标要求,并从环境和无人机自身分析航路规划约束条件。最后对算法性能进行了测试,实验结果表明该文化基因算法比单独使用粒子群优化算法具有更高规划效率,得到的初始侦察航路较优。     

基于威胁建模的PSO 在UAV 3 维航路规划中的应用

为解决无人机(unmanned aerial vehicle,UAV)3维航路规划问题,采用粒子群优化算法(particle swarm optimization,PSO)进行无人机的3维航路规划.对无人机飞行环境中各种威胁进行数学建模,考虑了航程的影响,得出基于航路长度和威胁的航路评价函数.运用粒子群优化算法进行3维航路规划仿真测试,并提出了在天基信息支援下进行无人机二次航路规划的设想.仿真结果表明,该方法具有可行性.     

一种无人机自主变步长航迹规划方法

现有无人机航迹规划搜索算法大多采用定步长搜索算法，鉴于威胁分布具有不均匀性和突发性．提出了一种无人机自主变步长快速航迹搜索算法。该算法借鉴了稀疏A＊搜索算法的部分思想，结合威胁分布信息调整搜索步长，有效减少了搜索时间。仿真结果表明该算祛能够快速规划出满足任务需求及约束条件的无人机航迹。验证了算法的正确性和有效性。     

基于改进A-Star算法的无人机航迹规划算法研究

针对传统A- Star算法在无人机航迹规划问题应用中的局限性，提出了一种结合飞行器简化运动学方程的改进A- Star算法，并将该算法应用于解决无人机在未知危险环境中的威胁规避问题；研究了综合考虑各路径代价影响因素情形下的航迹规划方法。最后对无人机参考航迹规划的数字仿真证明了改进算法的有效性。     

基于改进粒子群优化算法的路径规划方法研究

文中充分利用粒子群优化算法收敛速度快、机理简单和编码实现容易的优点，提出了一种新颖的极坐标空间粒子群路径规划方法，并将其应用于真实海图数据环境中。通过仿真实验表明改进的粒子群算法同传统的PSO算法及遗传算法相比，在解决路径规划问题上具有更快的收敛速度和更高的收敛精度。     

无人机雁行仿生群飞路径规划

为解决单架无人机因互相之间没有通信机制而无法独立进行路径规划的问题,提出一种仿生雁群路径航 路选择的无人机群飞路径规划。介绍算法原理,将无人机初始化为粒子后,在无人机群中确定主机、僚机。依据遗 传算法基础原理,将仿生学引入到无人机群协同编队飞行航点规划当中,使用遗传算法对组群飞行的主机航路进行 路径规划,产生需要的解或最优解;通过模仿雁群跟随的策略,设计僚机跟随主机的算法,从而实现组群飞行,并 进行了实验验证。实验结果表明,该研究对无人机群飞行控制有一定的参考价值。     

基于混沌DESAPSO算法的无人机三维航迹规划

粒子群(PSO)算法易陷入局部最优,将其运用于无人机三维航迹规划会导致航迹品质不高,针对这一问题,提出了将差分进化(DE)算法、模拟退火(SA)算法嵌入PSO算法中,构成混沌差分进化模拟退火粒子群(DESAPSO)算法,从三个方面提高了航迹品质:一是利用DE算法的变异、交叉及竞争选择增加种群多样性;二是利用SA算法概率突跳能力跳出局部最优解;三是对PSO算法参数进行混沌优化,进一步增强种群多样性.仿真结果表明:混沌DE-SAPSO算法改进航迹品质效果明显,获得了满意的无人机三维航迹.     

限定搜索区域的分层遗传算法无人机路径规划

为克服简单遗传算法易陷入局部最优解的缺点,减小路径搜索范围,提出了限定搜索区域的分层遗传算法无人机路径规划方法,该方法将分层遗传算法引入无人机路径规划的优化搜索问题中,将路径节点的二维坐标作为基因进行编码,根据威胁的分布情况缩小路径规划算法的搜索范围,使子种群可以获得包含不同优良模式的新个体,为子种群提供更加平等的竞争生存机会,使优化搜索有较为明确的搜索方向。仿真结果表明:与基于分层遗传算法的路径规划方法相比,该方法提高了路径寻优算法的性能,减少了绕行路径的出现几率,缩短了最优路径的长度。     

基于博弈策略的多无人机航迹规划研究

在综合考虑无人机航迹规划和任务分配的性能指标基础上,提出了目标移动环境下基于博弈策略的多无人机航迹规划方法。采用Voronoi图方法创建了威胁场,建立了航迹威胁总代价函数,并建立了航迹代价和任务分配的综合目标函数,从而构建了基于博弈策略的多无人机航迹规划目标函数。将目标移动加入到航迹规划中,利用快速扩展随机树(Rapidly-exploring Random Tree,RRT)算法得到比较合理的局部航迹规划。仿真算例表明,该方法不仅能保证各飞行器选择基于博弈策略的敌我双方最优航迹,而且可以提高多无人机攻击移动目标的整体作战效能,有效的提高作战能力。     

基于文化基因算法的多目标优化

针对粒子群算法收敛速度慢、求解精度低的不足,提出了将粒子群改进作为全局搜索,多目标模拟退火算法作为局部搜索的文化基因算法,将交叉和变异操作引入粒子群全局搜索中帮助跳出局部最优。对于多目标优化问题,根据非劣解的拥挤度决定最优值的选取策略,并将该算法用于多目标优化的实际求解中。仿真结果表明,该算法不仅能快速有效地得到Pareto解集,并且能有效地保持所求最优解的多样性。     

基于稀疏A*算法的微小型固定翼无人机航迹规划

为在微小型固定翼无人机嵌入式平台上应用航迹规划,设计一种基于稀疏A*算法的自动航迹规划方法.根据微小型固定翼无人机的应用环境、特点和运动约束,建立航迹规划的环境模型和运动模型,利用单元分解法实现飞行区域环境建模和无人机运动建模,使用稀疏A*算法进行航迹规划,给出其操作使用流程,并对2种不同的启发函数进行仿真分析.结果表明:该方法能提高航迹规划的安全阈度,优化算法.     

一种基于分割法的无人机路径规划新方法

为解决无人机快速可靠的路径规划问题,提出了一种在威胁分布已知条件下的无人机飞行路径规划新方法。在Matlab软件平台下,运用Voronoi图法根据已知威胁分布获取无人机的初始安全飞行路径,然后采用Dijkstra算法进行路径搜索获取最短路径,再利用提出的分割法对最短路径进一步优化并减少其拐点,最后利用spcrv函数对路径进行平滑以获取最优路径,并通过一系列的仿真证明了该算法可行并具有很好的时间性能。     

无人飞行器海上航迹规划差分进化算法研究

为研究海洋环境下的无人飞行器（UAV）航迹规划问题,提出了一种基于差分进化算法（DE）的航迹规划方法。该方法通过对规划环境进行预处理将岛屿处理成地形威胁区,使问题简化为二维平面规划。采用实数编码方式对航迹进行编码,建立了航迹代价函数的数学模型,从航迹质量、算法稳定性和收敛速度3个方面比较了DE与遗传算法（GA）和粒子群优化算法（PSO)的性能。仿真实验结果表明,所提方法能在复杂的海洋环境下为飞行器规划出一条安全的可飞航迹。     

基于成像传感器特性的侦察无人机航迹规划研究

针对携带成像传感器的侦察无人机的航迹规划问题,提出整体与局部航迹规划结合的方法;将侦察无人机航迹规划问题分解为两步:第一步,利用遗传算法全局搜索的优势对蚁群算法初始信息素过低进行改进,对无人机进行整体航迹规划;第二步,利用几何限制原则结合侦察无人机携带的成像传感器的特点进行局部航迹再规划;通过按照该方法规划出侦察无人机的航迹并取得较好效果的一个实例证明,该方法计算简化、贴合实际、针对性强,可为实际战场侦察无人机航迹规划提供了参考.