基于改进粒子群算法的三维路径规划

路径规划是无人机任务目标的重要组成部分,针对粒子群(PSO)算法早期收敛速度快,后期易陷入局部最优的缺点,提出一种结合天牛须搜索(BAS)算法的改进粒子群算法,并将其应用于无人机三维空间路径规划.在改进的粒子群算法中,利用天牛个体的优势,在每次迭代中都有自己对环境空间的判断,使路径更加合理,搜索效率更高.仿真结果表明,...     

基于改进粒子群优化算法的无人机实时航迹规划

在无人机航迹规划中,通过改变惯性权重和采用自适应粒子群编码方式,以最大转弯半径、步进、最短距离和回避威胁作为航迹的评价指标,将约束条件、地形地貌及威胁信息引入适应度函数等方法,对粒子群优化算法进行改进,解决了粒子群算法在寻优过程中易陷入局部最优的问题.仿真结果表明,该方法可实现在线实时航迹规划.     

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.     

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.     

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,...     

无人机三维路径规划的粒子群混合算法

路径规划是无人机控制过程中的重要环节之一,现有基于粒子群等算法的传统路径规划方法存在容易陷入局部最优等问题,无法适应现实场景中复杂环境及高搜索速度的要求。针对已有方法的缺陷,提出了一种无人机路径规划的高性能细菌觅食-遗传-粒子群混合算法,以传统粒子群优化算法为基础,引入细菌觅食算法及遗传算法思想,提高算法计算速度与能力,同时考虑实际场景中无人机的运行约束,进一步提高了方法的可用性。最后,利用仿真实验验证了所提方法的有效性,并通过与传统方法对比证明了所提方法在运行时间、规划航程等方面的优越性。     

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。     

应用PSO算法的无人机三维航迹规划

无人机只有进行精确的三维航迹规划才能提高低空突防的成功率,而三维航迹规划由于搜索空间巨大,一直是航迹规划中的难点。采用粒子群优化(PSO)算法进行无人机的三维航迹规划,以最大水平转弯角、最大爬升/下滑角、最小步长、最小离地高度和最短距离作为适应度函数的评价指标。对算法进行了相应的仿真验证,结果表明该算法所需时间短,占用内存少,有利于工程实现。     

基于改进RRT算法的无人机航迹规划

为了提高无人机的作战效率,航迹规划系统必须为无人机设计出安全系数高,能量消耗少,处理时间短,同时还必须满足飞行器自身物理特性的威胁回避轨迹。基于上述研究目的,本文选择快速随机搜索树算法(RRT)作为迹规划航算法主体,结合Dijkstra算法改进了RRT算法,完成最小航迹代价飞行轨迹的设计。     

基于改进蚁狮算法的无人机三维航迹规划

无人机3维航迹规划是任务规划中最复杂、重要的部分,针对基本蚁狮算法在解决3维航迹规划时能力不足的问题,首先在蚂蚁的行为中引入混沌调节因子,在蚁狮的行为中引入反调节因子,提高了算法的探索能力和开发能力;其次在建立3维环境模型的基础上,充分利用地形和约束信息,缩减搜索空间;最后将改进后的算法应用于3维航迹规划,并与原算法进行对比, 实现在线局部重规划。仿真实验结果验证了改进方法的可行性和优越性。     

采用病毒粒子群优化算法的飞行器航迹规划

针对飞行器航迹规划问题, 对基本粒子群算法进行了改进, 提出一种基于病毒粒子群优化算法的飞行器航迹规划方法。该方法结合生物病毒进化系统理论, 在基本粒子群算法中引入病毒种群, 通过执行反向代换和转导算子两种操作, 利用病毒的水平感染和垂直传播能力来维持主群体粒子种群和病毒种群之间的信息交换, 保证了航迹规划中粒子个体的多样性, 提高了算法的局部搜索能力, 解决了基本粒子群优化算法容易使粒子陷入局部最优、收敛速度慢的问题。仿真实验结果表明, 在相同的约束条件下, 所提出的方法能够更快更有效地生成满足要求的航迹。     

基于改进蚁群算法的无人机灾区航迹规划

针对传统蚁群算法用于无人机航迹规划时在大空间多维数转弯次数多、收敛速度慢甚至不收敛等问题,提出了一种改进蚁群算法。根据地图构建三维空间模型,采用对空间切片的方式来避免在寻优过程中跨越多个单元格;通过每一代最优路径来更新信息素以及引入距离启发量的策略,增强了算法的收敛性和效率,得出改进蚁群算法相对于传统蚁群算法和快速搜索随机树算法在搜索效率上分别提高了65.9%和18.1%,在平均转弯角度上分别减少了48%和61.2%,在航迹长度上比传统蚁群算法缩短了38.5%的结果。研究所提出的改进蚁群算法能为无人机救灾快速路径规划提供有效的解决方案。     

无人机航迹规划算法分析

为实现安全、高效的无人机飞行,需要进行航迹规划,避免与障碍物发生碰撞,从而保证航行安全。无人机的航迹规划问题主要通过智能体的路径规划算法,在一定的约束条件下进行解决,如人工势场法、快速搜索随机树法、A*算法以及跳点搜索算法。文中分析了这些常用算法的原理,通过仿真对比这些算法在求解质量与计算效率方面的性能表现,总结了每种算法的特点、局限性及适用范围。     

基于LPA*算法的无人机三维航迹快速规划研究

针对无人机的快速航迹规划展开研究.首先针对航迹规划的实际需要,将航迹规划划分为二维的航线规划和二维航线点之间的三维航迹规划;然后对二维威胁建模得到的赋权图,用Dijkatra算法产生初始的多任务二维航线;再结合无人机在飞行过程中的约束条件,提出动态权值的三维LPA*的航迹规划方法对二维航线产生的航线点之间进行规划,满足地形回避和威胁回避.仿真表明,上述方法可以有效快速地完成规划任务,同时当数字地图改变时,LPA*算法可以通过检测局部一致性来避免进行重新的全局搜索,大大缩减了搜索空间,从而可以快速地修正航迹.     

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K-means聚类和量子粒子群算法的多航迹规划

针对在复杂环境下需要通过多航迹规划以实现武器协同的问题,利用排挤机制产生Kmeans聚类的初始聚类中心,并将改进K-means聚类与量子粒子群算法(QPSO)相结合应用于无人机的三维多航迹规划。改进算法解决了K-means聚类易陷入局部最优、聚类准确率低的问题。根据产生的初始聚类中心,将粒子划分成多个子种群,利用QPSO算法对每个子种群进行优化,使得每个子种群可以产生一条可行航迹。仿真分析证明了改进算法可以有效保证子种群之间的多样性,生成较为分散的多条可行航迹。     

基于改进混合粒子群算法的无人机充电路径规划方法

无线可充电传感器网络(Wireless Rechargeable Sensor Networks, WRSNs)是由若干个可无线充电的传感器节点自组织形成的网络。利用无人机(Unmanned Aerial Vehicle, UAV)作为移动电源,对WRSNs网络中传感器节点进行充电,将无人机飞行能耗联合传感器节点充电量作为优化目标,提出一种惯性权重线性递减混合粒子群算法,对无人机的充电路径进行规划。仿真验证表明,相比传统的粒子群(Particle Swarm Optimization, PSO)算法,该算法在收敛速度、无人机飞行能耗以及传感器节点充电量等指标上都有明显的优势。