基于改进蚁群算法的无人机动态航路规划

研究无人机航路规划,针对基本蚁群算法易于陷入局部最优、规划航路耗时长的问题,对基本蚁群算法进行了改进;引入航路点的动态自适应选择策略和信息素挥发因子动态自适应调整准则,有效克服了基本蚁群算法的不足,并对规划出的航路进行了平滑处理,使其更加满足无人机实际飞行需求;通过仿真分别规划出无人机在静态威胁和动态威胁中的航迹,仿真结果表明,与基本蚁群算法和遗传算法相比,改进的蚁群算法在两种飞行环境中均能规划出较优的航路。     

利用三次样条改进蚁群算法的无人机航路规划

针对无人机在二维平面自动飞行中转弯角度过大、路径规划困难的问题,研究了蚁群算法在复杂环境下航路规划中的应用,利用链接图简洁的特点建立空间模型,对无人机的飞行环境和航迹代价进行了描述,并结合三次样条插值函数与蚁群算法,提出了改进蚁群算法,对无人机飞行路径进行优化,并给出算法软件流程。利用MATLAB进行了仿真实验,得出了最优的航路,算法具有较好的稳定性和鲁棒性,对轨迹中不可飞的尖角进行了平滑处理,使得航路为曲线轨迹,满足无人机工作的性能要求,减少无人机在飞行中的代价损耗,验证了该优化算法在无人机航路规划中的可行性。     

固定翼巡线无人机实时蚁群算法路径规划

本文针对传统蚁群算法局部早熟等问题对算法进行了改进,并对无人机路径规划及重规划多条件约束问题进行了研究,提高蚁群算法航迹规划计算速度及全局性来满足实时蚁群算法航迹规划要求。文章针对传统蚁群算法的早熟问题采用全局与局部信息素互补衰减法,来高效完成蚁群算法寻优问题,并当无人机偏离航线时能及时根据无人机所在位置重新规划。通过实验结果得出蚁群算法具有快速的计算能力,能在短时间内对更改的路径进行响应,完成无人机自校正航迹规划。     

基于改进A*算法的无人机航迹规划

在无人机航迹规划问题的研究中,针对在执行飞行任务前,需要根据所经区域内已知的地形、地貌、障碍和威胁等信息以及飞机本身机动能力的限制计算出飞行航迹, 并根据规划出的航迹完成飞行任务.能准确识别起始点到目标航路,提出了一种基于改进A*算法的无人机航迹规划方法,将无人机自身的性能和飞行任务结合到A*算法中去,在节点的搜索过程中解决了A*算法大空间搜索耗时多的问题.通过简单的路径消减算法去除不必要的航迹点,使得规划出来的航迹能够最大程度上满足无人机的运动特性.仿真结果表明采用的方法计算速度快并且规划达到最优性能.     

关于无人机飞行航迹跟踪优化控制研究北大核心CSCD

研究无人机任务规划中的飞行航迹跟踪优化控制。为克服传统航迹规划算法仅使用航迹关键点难以满足无人机执行任务对航迹跟踪的要求,提出了一种用C^2样条算法融合的无人机三维航迹跟踪优化控制方法,解决了不同航段中无人机的可飞性、边界限制、过载限制等约束。首先针对巡航段航迹采用融合算法中的3D样条优化生成具有时效性的光滑航迹曲线。然后针对任务段航迹采用融合算法中的4D样条优化进一步生成能控制航迹关键点速度的航迹曲线,完成整条航迹的跟踪优化。仿真结果表明,关于C^2样条算法融合的无人机三维航迹优化方法能有效地优化出无人机的实际飞行轨迹,有助于无人机的航迹跟踪控制。能够满足任务规划中无人机对航迹跟踪优化控制的高精度要求,为任务执行提供良好航迹条件。     

基于动态规划的无人机航路优化问题研究

无人机航路规划往往指无人机在初始位置、终止位置和一些目标任务结点确定之后的航迹优化问题;在无人机飞行任务执行过程中,无人机需要在参考飞行航线的约束下,根据局部地形、地貌、障碍、威胁等信息以及飞机本身机动能力的限制,实时的计算出飞行航路,并跟随该航迹完成飞行任务;在利用Dynapath(动态路径)算法进行参考航线优化的过程中,考虑了飞机机动性能的限制;在此基础上,详细讨论了参考航线由多航段组成时航路点的处理方法并进行了计算机仿真,仿真结果表明该方法可以比较理想地进行航路点的处理,得到比较良好的最优航迹。     

一种面向突发威胁的多因素Dubins航迹规划算法

针对传统无人机航迹规划算法应用在突发威胁场景下存在搜索点冗余、路径规划实时性较差等问题,提出了一种基于多因素Dubins路径的无人机动态航迹规划算法。该算法首先根据无人机自身性能约束及突发威胁区域的位置,并且考虑无人机的起始和最终位置,利用传统的Dubins路径找到有效的路径扩展点。然后结合启发式搜索思想建立基于路径长度和威胁的路径扩展点评估函数。最后通过路径评估函数计算,比较路径点的代价值,选取每一步的路径扩展点,规划出较优路径。仿真结果表明,在突发威胁场景下利用该算法进行航迹规划时路径长度较短、路径扩展点较少,并且符合无人机实际飞行过程中航向角变化,可有效保障无人机的安全性和航迹规划的实时性。     

基于MapReduce与蚁群优化的航路规划算法

航路规划是提高无人机生存能力的有效途径,可使其安全、快速到达目的地。为在云计算环境中分布式并行地求解航路规划问题,应用云计算技术提出基于MapReduce和多目标蚁群算法的航路规划算法( RPMA)。设计多目标蚁群算法,并采用多种优化策略对传统算法进行改进。 RPMA能预先规划出多条航迹,可根据不同的飞行任务选择不同的航路,并在飞行过程中根据不同需要临时确定合适的飞行航路。仿真实验结果表明, RPMA求解航路问题是可行、有效的,具有较好的收敛性和扩展性,以及对大规模数据的处理能力。     

基于几何法的无人机航迹规划

针对无人机的三维航迹规划问题,提出了一种基于几何法的航迹规划算法.通过对无人机飞行航迹的分析,将无人机航迹看作是由一系列直线、圆弧和螺旋线的有序组成.研究了无人机最大过载系数、最大平飞速度、升限等性能与航迹可行性的关系,得出生成最优航迹的限定条件.讨论了几何法无人机航迹规划的步骤.按照几何原理对无人机航迹进行了规划,将无人战斗机的机动性能在航迹中充分体现出来.计算机仿真结果表明用几何法规划的航迹具有较好的适用性.     

基于粒子群优化算法的无人机航迹规划

无人机作为侦察和作战的重要手段,重要的是保证侦察目标的准确性,对任务/航迹规划系统是无人机实现自主飞行和自主攻击的关键技术。在给出无人机航迹规划问题描述的基础上,提出一种基于粒子群优化算法的无人机航迹规划方法,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并进行仿真。仿真结果表明,规划方法能够快速有效地完成规划任务,获得满意的航迹,满足无人机作战要求,具有重要的现实意义。     

拉格朗日松弛的无人机路径规划

提出了基于城市建筑物遮挡模型的无人驾驶飞行器（简称无人机）路径规划方法,主要包含两方面的内容：一是利用圆柱体虚拟城市的建筑物环境,使建筑物对无人机的遮挡面积可计算,另外,由于建筑物的相对位置会相互遮挡,不可以进行简单的面积加法。采用程序实现了无人机的遮挡总和的计算,即每个建筑物遮挡面积的并集。二是在计算出无人机飞行的水平平面上（x,y）点的遮挡曲面值的基础上,给出了无人机基于拉格朗日松弛算法的优化路径规划,即走一条遮挡面积最小的路径的方法。给出matlab仿真结果,实验结果表明该方法是十分有效的。     

自适应搜索半径蚁群动态路径规划算法

针对用于路径规划的蚁群算法收敛速度慢、计算量大、对环境变化适应性低的局限性,提出了一种新型的自适应搜索半径蚁群路径规划算法。该算法可以根据环境复杂程度自动改变寻优半径,进行最优局部目标点的获取,然后调用改进蚁群算法获取局部区域内的最优路径,再重复循环获取新的最优局部目标点,直到找到全局目标点。仿真结果表明,提出的算法能够根据障碍分布情况自动选择合适的搜索半径,完成路径的动态规划,体现出良好的环境适应能力和较好的综合路径优化性能。     

基于区域分割的无人机路径规划

研究无人机路径规划优化问题,针对在城市环境下执行飞行任务前,需要根据所经城市内已知的建筑物信息以及飞机本身性能的限制计算出飞行轨迹,并根据规划出的路径完成飞行任务。在给定起始点和目标点上,提出了一种城市建筑物遮挡模型的无人机路径规划方法。主要包含两方面的内容:一是利用圆柱虚拟城市建筑物环境使建筑物对无人机的遮挡面积可计算;二是在计算出无人机飞行的水平平面上(x,y)点遮挡值的基础上,给出了无人机搜索区域等分的沿对角线折线走法的优化路径规划,得到一条遮挡面积最小的路径并进行仿真。仿真结果表明,规划方法能够快速有效地完成规划任务,获得满意的航迹,为无人机优化路径提供了依据。     

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。     

基于改进蚁群算法的无人飞行器航迹规划

无人飞行器航迹规划是现代战争中实施远程精确打击,提高飞行器实际作战效能的关键技术。蚁群算法作为一种启发式仿生优化算法,能够有效应用于航迹规划中。针对基本蚁群算法在应用中容易过早陷入局部最优解这一缺点,提出自适应动态双种群蚁群算法的改进策略,通过信息素的震荡变化和挥发系数的自适应调整,扩大搜索空间,提高算法搜索的全局性。并将改进后的算法应用于无人飞行器航迹规划,通过实验仿真,证明了此改进算法在航迹规划应用中的可行性和有效性。     

帝国竞争算法在无人机三维航线规划中的应用研究

针对实际飞行环境中无人机的三维航线规划问题,提出了一种创新启发式优化算法——牛顿帝国主义竞争算法(NICA,Newtonian imperialist competitive algorithm).该算法能够根据无人机的飞行轨迹,从起始位置到任务目标位置生成平滑的航线路径,约束航线规划,使得目标完成任务的时间最小化.该算法也能为无人机在真实地形上的航线提供最佳轨迹路径.最后通过与ICA、GA和PSO算法进行比较,验证了改进算法的有效性.结果表明:改进帝国算法提高了全局最优解的搜索能力,在收敛速度和精度上优于其他3种算法,适合用来解决无人机的三维航线规划问题.     

基于集成约束无人机两步制航迹规划方法

无人机航迹规划是一个富含地形威胁、雷达威胁和自身可飞性等多约束的优化问题.采用两步制的规划框架,提出一种基于集成约束的无人机航迹规划方法.规划第1阶段采用基于多种群策略的差分进化优化方法,规划第2阶段采用海洋捕食者算法的Lévy运动优化;集成约束机制在搜索过程中动态更新约束策略来补偿可行解数量骤减,抑制搜索停滞.与典型算法和约束处理策略进行对比,实验结果表明,所提出无人机航迹规划方法收敛性好、稳定性强,能够有效地求解复杂多约束无人机航迹规划问题.     

一种栅格模型下机器人路径规划的改进蚁群算法

提出了一种静态环境下机器人路径规划的改进蚁群算法。该算法使用栅格法对机器人的工作空间进行建模,通过模拟蚂蚁的觅食行为,采用折返的迭代方式对目标进行搜索。在搜索过程中,以移动方向一定范围内最大信息素和目标引导函数作为启发式因子。此外,根据蚁群算法处理本问题时信息素散播的特点,重构了信息素的更新策略和散播方式。仿真实验结果表明,这些改进措施使最优路径的寻找快速而高效,即使在障碍物非常复杂的环境下,也能迅速地规划出一条最优路径。     

导航系统中多目标路径平滑化规划的研究

路径规划是车辆、机器人出行、无人机航路推荐和计算机游戏等许多应用中的关键任务。现有的大多路径规划常简化为单目标优化问题进行求解。但在现实生活中,还需要同时考虑多种规划目标,且用于规划路径的目标之间还存在着彼此不能变换的问题。在熟知的路径规划算法（D*Lite）上提出了一种新的多目标路径平滑化规划算法-平滑多目标D*Lite算法。通过构造一条初始多目标平滑路径,当检测到环境变化时采用增量搜索思想,仅更新受影响结点并从当前结点重新进行规划得到一条新的多目标平滑路径。仿真结果表明,该算法不但能有效躲避突发障碍物,规划路径拐点较少,还能提高搜索效率,可有效应用于具有不同非交互规划目标的导航系统。     

静态威胁下的无人机航迹规划

无人机（Uninhabited Air Vehicle,UAV）由于其自身优点,已经在军事以及民用领域取得广泛使用。无人机的航迹规划本质可归结为一个多目标多约束条件的最优化问题。简单介绍无人机航迹规划的基本理论。运用神经网络算法针对静态环境下的火力威胁和非火力分别建模。运用遗传算法对无人机进行航迹规划。通过建立不同环境的模型仿真验证算法的优越性。