基于改进差分进化算法的多无人机航迹规划

针对已知三维环境下的多无人机动态路径规划问题,在多无人机协同方面基于参考路径长度以及威胁距离进行任务点规划,并根据实际环境设定了约束函数和适应度函数。在航迹规划算法方面则采用改进差分进化算法,将种群基于种群个体的适应度均分为两个子种群,选择不同的变异策略。仿真验证结果显示,改进差分进化算法得到的规划路径在路径长度、适应度值优于传统差分进化算法,可以生成路径更短且适应度值更优的航迹。     

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.     

基于PSO-Markov联合模型的无人机路径规划

利用PSO算法对无人机在侦查任务中的路径进行实时规划,将算法与地形、飞行角度、油量等约束条件结合起来,有效地缩减了搜索空间;同时为了在任务中能够更好地掌握无人机完成任务与生存的概率以及整个路径的代价,引入了一种可用于计算风险和评估任务威胁的生存性联合模型,该模型使用了八状态马尔科夫链来描述无人机的状态。仿真实验结果表明,该方法可以有效地检测航路中飞机的各种状态的概率,并以此对整个航路进行评估。     

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。     

基于Markov模型及A~*算法的平台航路规划

通过实验一种改进的A*算法,将平台执行任务时约束条件转化为生存代价问题。飞行时,对路径中的雷达、武器区域,采用未发现、发现、跟踪、对战、击中5种状态进行描述,根据飞行过程中每个状态之间的转移概率计算生存代价,与算法本身的适应度函数结合,设置新的适应度函数,从而在符合路径长度等约束条件下寻最优路径。实验结果最终表明,相对于传统算法,改进后算法搜索路径更优,且能实时获取平台状态。