基于混合变异策略差分进化算法的无人机航路规划

提出在一种三维场景参数部分已知的有威胁空域中,采用差分进化算法(DE)规划无人机(UAV)航路,为了提高差分进化算法性能,以生成最优的路径,而采取多种变异策略的差分进化算法。算法根据种群个体的适应度值,将初始化的种群分为3个子种群,然后对于不同子种群采取不同变异策略。重点构建了环境模型和生存模型。数值实验结果表明,相较于单一变异策略的DE算法,混合变异策略的DE算法在无人机航路规划问题求解中,具有更好的求解效果和环境适应能力。     

改进人工蜂群算法的无人机航迹规划研究

如何快速地规划出满足约束条件的飞行航迹,是实现无人机自主飞行的关键。将改进的人工蜂群算法应用于求解无人机航迹规划问题,同时在人工蜂群算法的侦察阶段引入差分进化算法的思想。通过仿真实验并与标准人工蜂群算法比较,结果表明此算法能够有效加快收敛速度,提高最优航迹精度,是解决航迹规划和其他高维复杂函数优化的有效方法。     

多基地多目标无人机协同任务规划算法研究

在多基地多目标多无人飞行器(unmanned aerial vehicle,UAV)的协同任务规划这类约束条件众多、复杂且耦合的多目标优化与决策问题中,利用传统的粒子群优化算法在寻优时容易陷入局部最优,为此,提出了一种基于模拟退火的混合粒子群算法。基于攻打任务背景,综合考虑无人机的物理性能约束,搭建航迹长度最小适应度函数和威胁代价最小适应度函数以构造目标函数,先利用Voronoi图以及Dijkstra算法进行航迹规划,再利用基于模拟退火的混合粒子群算法进行任务分配。仿真结果表明:所提算法融合了模拟退火算法、粒子群优化算法的优点,能快速求解UAV任务规划的近似最优解,且与粒子群优化算法和模拟退火算法相比,在进化次数足够多的情况下该方法得到的结果更优。     

基于遗传算法的无人机航迹规划代价函数

针对当前使用的无人机航迹规划代价函数的不足之处,提出一种利用遗传算法对无人机航迹规划代价函数进行优化的方法。对基本遗传算法进行了局部改进,设计了航迹极坐标编码方式及航迹适应度函数,在采用基本遗传操作算子的基础上采取精英保存策略,提高了算法的效率;采用代价归一化并进行优化的思想,得到优化之后的代价函数权重值。优化结果表明,该方法可以获得代价更低的航迹。     

基于深度强化学习的无人机实时航迹规划

随着无人机技术的应用和发展,无人机执行任务的飞行环境愈发复杂多变,对无人机机动避障能力和航迹规划的实时性提出了更高的要求。基于泛化性较好、对环境依赖弱的深度强化学习算法,以雷达实时获取的障碍物地图信息为基础进行实时路径规划,针对二维航迹规划问题特点设计了连续奖励函数,解决了强化学习算法在二维平面航迹规划中奖励稀疏的问题;基于迁移学习的思想设计多个训练环境,并按任务的难易程度进行分步训练,降低了算法的训练难度,提高了训练效果,并使算法的收敛效果更加稳定。在实验中将SAC算法与目前主流的PPO和TD3算法进行对比,实验结果表明：SAC算法收敛速度快,实时性好,航迹平滑度更好。     

基于神经网络自适应PID的无人机编队避障飞行控制研究

针对无人机编队避障飞行控制难题,研究了无人机编队避障航迹规划与智能控制技术.首先,提出一种基于改进人工势场法的无人机编队航迹规划算法,利用改进势场函数和引入"随机波动"法等手段,解决了传统人工势场法用于无人机编队航迹规划时遇到的无法到达目标点以及局部最小值问题,并提升了传统算法航迹规划的快速性和鲁棒性.其次,设计了一种...     

基于聚类遗传的多无人机航迹规划

提出了一种在雷达和复杂地形环境下应用并行遗传算法进行多无人机三维航迹规划的方法.将K-均值聚类算法与多种群协同进化的方法结合起来,采用主从式并行进化的方案,提高了收敛速度且便于分布式处理.各子种群采用自适应的进化方法,在保持多样性的同时,保证了算法的收敛性.在根据数字地图建立无人机安全飞行曲面的基础上进行地形跟随和无人...     

基于变权重搜索策略无人机航路规划算法

通过对A*算法在路径规划中的应用进行研究,提出了一种新的三维航路动态规划方法,通过对搜索策略引入启发式权重系数,利用加权值自适应方法对算法的评价函数进行设计,改善了传统A*算法在大空间中搜索速度低的缺点,提高航迹点搜索效率,同时将无人机的约束条件有效分割到解空间,便于应用于工程实践。基于优化算法规划的最优航路,设计了导引控制律,使无人机很好地跟随规划的路径,同时生成的期望控制指令充分考虑了无人机本身的机动性能以及实时性要求,解决了航迹规划与航迹跟踪之间的问题,最后进行了仿真验证,结果表明:该方法是可行和有效的,有着较高的优化效率;易于实现,工程实用性强。     

时敏打击中航迹规划与重规划研究

针对时敏打击作战的特点,对飞行器航迹规划与重规划进行了研究,提出了一种基于粒子群的航迹规划算法.该方法通过使用特定的粒子群编码方式和构造适当的适应度函数,可以在满足航迹约束的条件下,有效利用各种环境信息,进行实时航迹规划.仿真实验表明,该算法可以有效利用各种环境信息,在实时环境下处理各种航迹约束,并最终获得近似的最优航迹.     

基于GAPSO-TS的多基地无人机航路-时间协同规划

针对多基地无人机协同规划航迹计算复杂、容易陷入局部最优的问题,在遗传粒子群算法(GAPSO)的基础上,引入禁忌搜索算法(Tabu-Search)混合为GAPSO-TS算法,通过与PSO、GAPSO算法对比,表明GAPSO-TS算法能够提高全局寻优性能,同时相对于GAPSO算法,加快了收敛速度.在多无人机时间协同三维航路规划里应用GAPSO-TS算法可以更快的收敛,同时设计以时间协同为约束的适应度函数,函数具有简单易行的特点,保证了不同基地的无人机都可以在同一时间内最快到达目的地,实验结果验证了算法的可行性.