基于混合蚁群算法的无人机航迹规划

由于传统方法在无人机航迹规划实际应用中规划的航迹长度较长,文章提出基于混合蚁群算法的无人机航迹规划。由山峰模型和天气模型组建无人机航迹环境数学模型,描述无人机飞行航迹环境情况,以无人机航迹代价最小建立目标函数,并对无人机航迹长度、高度、速度、转弯角度进行约束,采用混合蚁群算法对目标函数求解,求出最优航迹规划策略。实验证明,文章设计方法规划的航迹长度最短为1 032.58 m,规划航迹长度较短,在无人机航迹规划方面具有良好的应用前景。     

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。     

基于改进自适应蚁群算法的无人机航迹规划研究

针对传统蚁群(ACO)算法在无人机航迹规划中存在的收敛速度慢、易陷入局部最优等缺点,提出了一种基于改进自适应蚁群(IAACO)算法的无人机航迹规划方法。首先,将角度导向因子引入状态转移规则中,使蚂蚁以更大的概率朝着目标点的方向前进,提高了路径的搜索效率;然后,引入启发式信息自适应调整因子平衡了算法的收敛性和全局搜索能力;最后,通过定义长度指标函数、角度指标函数,进一步建立了航迹优化的目标函数,实现了无人机航迹规划的全局优化。实验结果表明,改进后的算法收敛速度更快,生成的路径更平滑、长度更短。     

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.     

自适应蚁群算法的无人机航迹规划方法

为了提高无人机完成任务效率,在执行攻击任务前必需规划设计出高效的无人机飞行航路.提出了一种Q-学习的自适应蚁群算法的无人机航路规划方法,建立了基于真实地形数据和火力威胁区的威胁模型;针对传统蚁群算法在搜索过程中出现停滞现象,提出的Q-学习的自适应蚁群算法有效地解决了这一缺陷.并使用该算法对无人机的攻击任务航路进行了仿真计算,仿真结果表明该方法是一种有效的航路规划方法.     

基于优化蚁群算法的无人机海岛监测航迹规划

本文提出一种可行的面向海岛监测的无人机航迹规划控制算法,主要针对复杂的海岛群及气流不稳定等因素的无人机海岛监测,为海岛监测提供技术支持具有重要的理论意义及应用价值。通过MAKLINK图论建立二维路径规划空间模型,利用Dijkstra算法规划无人机初始航迹,融合蚁群算法仿真得到优化航迹规划路径。仿真结果表明,该融合得到的优化算法,比改进前的蚁群算法求解时间快、规划路径准确、迭代过程中系统稳定的特点,从而保证无人机在复杂的海岛监测中飞行航迹规划零失误。     

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。     

用改进蚁群算法实现突发威胁下的航迹规划

航迹规划对UAV完成任务具有重要的意义。为解决突发威胁下的UAV航迹规划问题,根据Voronoi图的局域动态特性提出了一种基于改进蚁群算法的实时重规划方法。采用全新的目标吸引策略、引入信息素增量调节因子并自适应调整信息素挥发系数来对基本蚁群算法进行了改进,提高了算法的求解效率,并进行仿真验证。根据战场已知威胁源生成Voronoi加权图,并与所提的改进蚁群算法相结合求解规划空间中的最优航迹。仿真结果表明,利用改进蚁群算法能够有效地提高收敛速度和寻优能力,可以较好地解决突发威胁下的UAV航迹规划问题,保证UAV能够回避战场威胁,顺利飞抵目标点。     

基于BP神经网络的气象威胁度建模和评估方法研究

对执行非作战任务的无人机航迹规划而言,气象要素是必须考虑的主要因素之一.重点针对气象要素对无人机航迹规划的影响进行分析,给出了8种严重影响飞行安全的气象相关因子.结合BP神经网络算法建立了气象威胁度模型,并对气象威胁度进行了仿真评估分析.仿真结果表明,该气象威胁度模型简单实用,评估方法具有良好的效用,能较迅速、准确地反...     

融合遗传算法与BP神经网络的气象威胁度建模与评估

针对无人飞行器航迹规划中的气象威胁要素模糊性强、复杂多变等特点,提出一种融合遗传算法与BP神经网络的气象威胁度评估方法。利用遗传算法的全局寻优能力优化BP神经网络的初始参数及结构,结合GA-BP神经网络对气象威胁度进行建模与评估。通过Matlab仿真验证,结果表明该方法能够准确评估气象威胁度,与BP神经网络相比,具有更快的收敛速度、更好的全局收敛性,提高了评估效率与准确度。     

基于元胞蚂蚁算法的无人靶机航路规划设计

靶机飞行航路设计是实现靶机有效控制,确保高效完成供靶任务的保障。本文通过元胞蚂蚁算法对某型无人靶机飞行航路优化设计进行了研究,分析了实现航路优化应突出解决的问题,并通过仿真实验验证该方法的可行性。     

基于改进混沌遗传算法的无人机航迹规划

如何快速地规划出满足约束条件的飞行航迹,是实现无人机自主规划的关键。提出了一种基于混沌遗传算法的航迹规划方法,该方法首先由Voronoi图生成初始航迹,然后采用混沌遗传算法在生成的航迹空间中寻优。主要对近年来出现的混沌遗传算法进行了改进以使其更具智能化。该方法采用幂函数载波代替传统混沌优化算法中的线性载波;为进一步提高混沌映射迭代序列的均匀性,提出了确定区间的随机幂指数概念并将其应用到混沌遗传算法中。仿真结果表明,该方法可以提高混沌遗传算法收敛的精确性。     

基于改进型Voronoi图的无人机航迹规划研究

常规Voronoi图只能用于等威胁体的航迹规划, 对实际战场环境有较大的局限性。提出一种基于Delaunay三角网的改进型Voronoi图, 并将其用于不同威胁体的航迹规划。主要讨论了改进型Voronoi图的构造步骤以及起始航迹和终止航迹的确定方法, 最终在VC++6.0开发环境下完成了基于改进型Voronoi图的航迹规划。结果显示, 规划出的航迹能有效避开雷达等威胁, 表明了改进型Voronoi图在基于不同威胁体的航迹规划中的可行性。     

采用威胁启发粒子群算法的无人机航路规划

针对复杂地形和威胁环境下的无人机航路规划问题,对粒子群算法进行了改进,提出了融入威胁启发机制的改进粒子群算法.充分利用无人机在任务区域中已知的威胁信息,将其作为威胁启发项,构成粒子群速度更新公式的一部分,有效丰富粒子群算法的搜索行为,增强粒子在搜索过程中的针对性和指导性.使用最小威胁曲面方法,降低粒子编码的维数,并采用...     

基于机动目标威胁和粒子群算法的航路规划

执行飞行作战任务前对飞行航路进行合理规划十分重要,而环境/威胁建模是航路规划需要解决的首要问题。根据飞行过程中可能遇到的各种威胁源的特点,建立了山体障碍、恶劣气候及导弹、高炮固定阵地等各种静态威胁源的威胁概率函数模型,并进一步构建了机动导弹、高炮等动态威胁源的威胁概率函数模型;针对粒子群算法全局搜索能力强、收敛性好的特点,将粒子群算法运用到航路规划中,并进行了仿真实验,仿真结果证明了模型及算法的有效性。     

采用改进流函数法的无人机航路规划

提出改进的流函数法为无人机在复杂地形环境下进行航路规划。针对传统流函数法在多个障碍物航路规划时存在的问题,进行了理论分析,并给出一种虚拟动态目标的方法,解决了两个障碍物重叠情况的航路规划问题。为满足无人机的机动约束,将无人机自身的约束条件转化为虚拟障碍,以保证规划出的航路可飞。仿真结果表明,该方法能够在复杂地形条件下快速地为无人机规划出一条可飞的航路,具有较好的工程应用价值。     

无人机航路规划中的变步长A*算法

为了实现无人机在不同条件下的自主航路规划,提出一种变步长的A*方法.此时,每步迭代的可拓展点为搜索区域内不同搜索角度、不同拓展步长的点阵.这样保证了每次搜索能在一个较大的区域进行,并能保证每次搜索对地图的分辨精度.然后,依据稀疏A*方法(SAS)的思想,对单步迭代的拓展方法给出了减少运算量、加快运算速度的改进方案;依据...