多无人机多目标协同侦察航迹规划算法

针对目前无人机集群对多目标进行协同侦察时,易重复侦察目标,进而导致侦察效率低的问题,提出了一种多无人机多目标协同侦察航迹规划算法。首先,优化了K-means聚类算法的评价标准,使目标集合的聚类结果更加稳定,同时也降低了目标被重复侦察的概率。然后,利用改进的离散粒子群算法求解侦察序列,来降低整体任务的时间代价。最后依据侦察序列生成各无人机任务航迹。仿真结果表明,该算法不仅能够有效避免目标被重复侦察,而且相较于基因算法和标准离散粒子群算法,在4架无人机观测30个目标的仿真条件下,将时间代价降低24%,其收敛速度较快,求解精度更高。     

基于PSO-HJ算法的多无人机协同航迹规划方法

针对多无人机协同航迹求解计算量大、难以收敛等问题,提出了一种基于粒子群优化和Hook-Jeeves (PSO-HJ)搜索算法相融合的多无人机时间协同三维航迹规划方法。首先,建立了单无人机航迹规划求解模型。然后,通过对适应度评价函数值低的粒子引入Hooke-Jeeves搜索算法,提高了粒子多样性,改善了航迹规划算法收敛性;对不满足约束的粒子引入约束违反度函数,基于比较准则提出了一种新的粒子评价机制,促进粒子搜索位于约束边界的最优解,加快了航迹规划算法的计算效率。最后,设计了一种多无人机时间协同航迹规划求解算法,利用PSO-HJ算法先分别求解单无人机航迹信息,通过多无人机集中航迹规划层协调到达时间实现协同航迹规划。仿真结果表明,PSO-HJ算法的精度比量子粒子群(QPSO)算法精度提高了20.85%,比PSO算法精度提高了58.14%,更适用解决实际复杂的多机协同规划问题。     

面向任务的无人机照相侦察航迹规划算法

针对当前无人机照相侦察获取的影像数据很难满足后端情报处理要求的问题,提出了一种面向任务的无人机照相侦察航迹规划算法。首先基于情报处理的航迹预规划,结合无人机情报处理和航迹规划的耦合关系来完成航迹参数的解算。然后提出η形转弯策略,在最小转弯半径约束下,以最小路径代价完成相邻航带间的转弯航迹规划。最后确定侦察区域内的照相序列,来实现区域全覆盖侦察。实验结果表明,较常规U形转弯策略而言,算法路径代价降低了15%左右。     

基于摆扫成像的无人机视觉侦察航迹规划方法

为解决无人机执行视频侦察任务时,存在覆盖盲区及侦察效率低的问题,提出了一种基于摆扫成像的无人机视觉侦察航迹规划方法。首先,建立了视频摆扫成像模型来求解视频摆扫周期性成像规律,提高侦察效率。然后,基于视觉成像的区域分割来实现侦察区域的分割,降低侦察区域的未覆盖率。最后,完成整个任务区域的侦察航迹规划。实验结果表明,在未指定航向的情况下,算法可给出最佳作业航向角为55°以及未覆盖率为2.10%的视频侦察航迹,有效提高了航迹覆盖率和侦察效率。     

基于改进A*算法的多基地多无人机分阶段任务规划方法

针对多无人机疏散配置在多个基地、协同执行多目标侦察任务的应用需求,提出了一种基于改进A*算法的多基地多无人机分阶段任务规划方法,包括区域设置、航程估算、多基地多无人机任务分配、基地内单无人机时序分配、航迹搜索、航迹平滑和局部动态规划等多阶段层次化的处理流程。基于改进A*算法预估航程矩阵,基于改进K-means算法和深度遍历方法求解多基地多无人机任务分配,基于旅行商（TSP）模型求解单无人机时序任务分配,基于改进A*算法和三次B样条曲线规划并优化航迹,依据态势变化执行局部动态任务规划。开发了多无人机任务规划软件,验证了所提出的分阶段任务规划处理流程。实验结果表明,改进A*算法可剔除冗余节点,缩短4%以上航程,应用改进A*预估航程的任务分配能够满足威胁规避约束,进而可有效实现复杂威胁条件下多基地多无人机的航迹规划。     

粒子群算法在惯性/地磁组合导航航迹规划中的应用

高效的航迹规划是水下运载器隐蔽航行的关键技术之一。结合水下航行器的地磁导航环境特征约束因素,建立了航迹代价评估模型,采用最短路径算法在约束区域内按路径长度的次序递增、迭代,规划出一条粗选航迹。在此基础上,采用粒子群优化算法将时间信息作为搜索空间的粒子,改进惯性权重值和编码方式,对粗选航迹进行优化,实现全局最优。仿真结果表明,粒子群优化算法缩小了搜索范围,提高了搜索效率,收敛更快,将适应度由49.211提高至43.304,所需代价更小,且所获取的航迹可以有效规避非适配区,保证了全局最优、局部最优。     

多种群遗传算法在PBX本构模型参数识别中的应用

利用多种群并行结构对标准遗传算法SGA进行并行化处理,引入移民算子和精华种群形成多种群遗传算法MPGA,并设计了自适应交叉和变异概率对算法的收敛速度进行改进。结合ABAQUS软件和改进的多种群遗传算法,建立了材料本构模型参数识别方法。采用该方法对PBX炸药黏弹性损伤本构模型参数进行了模拟识别,并同基于标准遗传算法的参数识别方法进行了比较。结果证明,基于改进多种群遗传算法IMPGA的方法对克服算法未成熟收敛有显著的效果,识别结果更稳定。同时该方法的收敛速度更快,寻优能力更强,适合复杂非线性问题的优化,此方法可以被应用到其他材料本构模型的参数识别中。     

基于改进人工蜂群算法的多无人机灭火任务规划

针对当前多无人机通过投放灭火弹对多处山火进行灭火救援任务规划中,因各点火情的时变而导致规划效率低下的问题,提出了一种多无人机对多火点火场灭火救援任务规划方法。首先,建立了目标价值随时间变化的多无人机任务规划模型,可实现根据指挥者的决策意图来进行合理救援。然后,根据模型提出了一种基于整数编码的改进人工蜂群算法,利用该算法求解各无人机的救援序列可以提高无人机救援效率。最后根据救援序列及预先规划的可飞路径生成各无人机的救援路径。仿真结果表明,在相同任务规模下,该方法的寻优效率较高,寻优时间仅为现有方法的15.2%;在总价值提高的情况下,完成任务的时间与现有方法相比平均缩短了4.9%。     

改进遗传人工神经网络在组合导航中的应用

鉴于常规卡尔曼滤波算法组合导航系统数据融合算法中,存在易于发散的缺陷,尝试将遗传优化人工神经网络引入组合导航系统中.针对传统遗传算法存在的易早熟、算法稳定性差、固定的交叉和变异概率影响收敛效果等缺点,采用浮点式编码方式,两两竞争的选择策略、引入突变操作、重新定义交叉算子和自适应的交叉变异算子等措施进行了遗传算法的改进.仿真结果表明,改进后的算法更为有效,并且精度与常规卡尔曼滤波算法相当.     

基于改进遗传算法的多波束水下地形匹配方法

传统地形匹配算法在初始位置误差较大的条件下,由于搜索区域过大,定位精度较低,容易发生误匹配。针对此问题,提出一种基于改进遗传算法（GA）的多波束水下地形匹配方法。首先,根据地形变化特征,在多波束测深数据中自适应选择多条水深数据作为匹配序列,提高在地形相似处的匹配精度;然后,设计适应度函数用于衡量匹配航迹与真实航迹的相似度,加入收敛因子以减小惯导累积误差的影响;最后,利用正余弦算法对遗传算法进行优化,提高算法收敛速度,改善局部收敛的问题。仿真与船载实验结果表明,基于改进GA的多波束匹配方法对初始位置误差的大小不敏感,在分辨率为1 m的地形图上,匹配定位误差小于3 m,相比ICCP方法,在不同初始位置误差的情况下,定位精度分别提高了53%和79%。