蚁群算法的改进设计及在航迹规划中的应用

将蚁群算法与人工势场算法相结合，提出了一种新的寻优算法。在算法的设计过程中，首先引入人工势场法进行蚁群算法初始信息素的分配，避免了在迭代初始阶段，信息素太少与启发信息不成比例而使得蚂蚁集中在启发信息最强的路径上，从而陷入局部最优的问题。其次，通过引入势场引导函数改进蚁群算法的状态转移函数，避免了在三维空间中蚂蚁搜索容易忽视节点周围障碍物因素，从而陷入盲目选择导致搜索时间过长的问题。将优化算法应用于无人机三维航迹规划问题的求解，并通过仿真验证了有效性。     

无人机三维航路规划技术研究及发展趋势

由于搜索空间巨大,三维航迹规划一直是航迹规划中的难点,而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。本文描述了无人机在线航路规划的影响因素,分析了无人机动力学约束及威胁场约束,探讨了无人机航路几何建模方法及三维航路规划算法的研究概况,并着重分析了三维航路规划算法如禁忌搜索、人工势场法、粒子群优化算法、Dijkstra算法及A＊算法。最后,阐述了无人机三维航路规划面临的关键问题及发展趋势。     

改进型蚁群算法的全局路径规划仿真研究

针对传统蚁群算法收敛较慢的问题,提出了一种在复杂环境下全局路径规划的改进型蚁群算法。利用链接图法建立了路径规划的空间模型;借鉴狼群分配原则对信息素进行更新;在缩小搜索区域,提高搜索效率的过程中,引入了启发式概率公式和启发函数;通过参数自适应调整策略,进一步对最优解进行了优化。将基于Dijkstra算法的初始路径规划和改进后蚁群算法的规划结果进行了仿真对比,结果表明,改进后蚁群算法的全局优化性能较好,具有一定的有效性和可行性。     

基于A~*蚁群算法的无人机航路规划

针对低空密集复杂环境,在构建环境模型及无人机模型的基础上,提出了一种综合运用A~*算法与蚁群算法的智能航路规划方法。其中A~*算法用于全局航路规划,蚁群算法用于局部路径重规划,利用A~*算法的导向性克服蚁群算法收敛速度慢的缺点,能够使无人机快速到达目标点。仿真结果表明,A~*蚁群算法不仅可以全局引导蚁群算法快速收敛,使无人机快速飞向目标点,同时也可以在局部环境中规避障碍,保证无人机的飞行安全。     

基于人工势场-人工鱼群算法的改航路径规划

航班路径规划是改航策略的一个关键问题。将人工势场和人工鱼群算法相结合,应用于航班路径规划问题中。建立了引力和斥力的人工势场模型,用于单条改航路径规划;构造了单个人工鱼和适应度函数,采用人工鱼群算法优化改航路径;通过对改航路径的评估和修正,获得满足要求的改航路径。算例仿真结果显示,与现行的改航相比,基于人工势场-人工鱼群算法生成的改航路径总长度缩短了7.6%,表明算法是可行的和有效的。     

基于APF导向的蚁群航路规划算法参数优化研究

针对基于APF导向的蚁群航路规划算法中的参数优化问题,提出了算法中的参数优化规则。分析了APFGA算法中参数m、α、β、γ、和ρ等的选取原则,通过合理选择参数,使蚁群的搜索有效地避免陷入局部最优,加快了算法的速度,提高了蚁群的搜索效率。实验结果给出了参数选择依据,通过合理设置算法参数可以有效地改善蚁群算法的性能,有利于APFGA算法在航路规划等方面的应用和推广。     

基于改进人工势场法的服务机器人路径规划

人工势场法是服务机器人路径规划算法中一种简单有效的方法.针对传统人工势场法存在的目标不可达问题,通过在原来的斥力函数中加入一个调节因子的方法解决,同时采用遍历搜索法解决局部极小值问题,并引入安全距离以及改进调节因子以提高机器人路径规划过程中的安全性能.最后,利用Matlab软件将改进后的人工势场法应用于服务机器人路径规划并进行了仿真实验.仿真结果表明,基于改进人工势场法的服务机器人路径规划有效地解决了机器人不能到达目标点的问题.     

防区外发射导弹的航路规划

超低空突防是目前远距离空地导弹对地攻击的最为有效的突防模式,而预先对导弹突防路线进行航路规划则是灾防成功与否的关键。本文系统地给出了航路规划的设计思想、数学原理和路径生成方法,定量描述了威胁场和地形的数学模型。同时运用威胁场分区规划法、遗传算法,以及最优控制专家知识库的全新的寻优方法对复杂环境进行搜索,并引入模糊数学进行评估决策,从而产生最佳实防路径。     

基于改进蚁群算法的无人机侦察航路规划研究

蚁群算法是一种新的源于大自然生物界的仿生随机优化方法,在一系列组合优化问题求解中取得了成效。本文将蚁群算法引入无人机侦察航路的规划,对基本蚁群算法提出了改进,提供了一种新的有效的航路优化算法,并对无人机的侦察航路进行了仿真计算。仿真结果表明改进的蚁群算法克服了基本蚁群算法的收敛速度慢、易于过早陷入局部最优的缺点,仿真结果验证了该算法的有效性。     

基于改进蚁群算法的飞机低空突防航路规划

蚁群算法是一种新型的基于群体的仿生算法。采用蚁群算法实现了飞机低空突防的航路规划,为航路规划问题提供了新的解决思路。并对原始蚁群算法进行了改进,提出了保留最优解、自适应选择策略和自适应信息素调整准则,有效地提高了算法的收敛速度和解的性能。最后用计算机进行了仿真,取得了较好的结果。     

基于改进ARA*算法的无人机在线航迹规划

针对无人机三维在线航迹规划对算法速率、航迹最优性的需求,提出了基于改进ARA^*算法的无人机在线航迹规划方法。首先,建立无人机三维航迹规划的数学模型;然后,提出了节点空间约简策略、局部启发项策略以提高算法收敛速率,并针对复杂规划环境提出了启发因子自适应递减策略。仿真结果表明,所提算法能够快速、稳定地生成首条可行航迹,并在剩余时间内不断提高航迹质量,可应用于不同类型的在线规划任务,动态地适应规划时间与航迹最优性的要求。     

基于改进启发式蚁群算法的无人机自主航迹规划

无人机自主航迹规划是未来无人机作战使用的关键技术难题。针对传统航迹规划方法存在的求解效率不高、实时性较差、容易陷入局部最优等缺点,提出一种基于改进启发式蚁群算法的无人机航迹规划。算法前期使用Dijkstra 算法进行初始化航迹,引入启发式信息,提高搜索效率;采用Logistic 混沌映射初始化信息素,增加解的多样性,提高算法收敛速度;算法中、后期采用多航迹选择策略和模拟退火机制,提高全局搜索能力,避免因收敛速度过快,陷入局部最优解。对该算法进行仿真分析,结果表明：在存在威胁和障碍的复杂环境中,本文的改进蚁群算法与标准蚁群算法相比,能够有效规划出一条从起点到终点的航迹,并且寻优精度更高,收敛速度更快,具有一定应用价值。     

基于导向强化Q学习的无人机路径规划

随着无人机的广泛应用,其飞行能耗和计算能力面临着瓶颈问题,因此无人机路径规划研究越来越重要。很多情况下,无人机并不能提前获得目标点的确切位置和环境信息,往往无法规划出一条有效的飞行路径。针对这一问题,提出了基于导向强化Q学习的无人机路径规划方法,该方法利用接收信号强度定义回报值,并通过Q学习算法不断优化路径;提出"导向强化"的原则,加快了学习算法的收敛速度。仿真结果表明,该方法能够实现无人机的自主导航和快速路径规划,与传统算法相比,大大减少了迭代次数,能够获得更短的规划路径。     

基于改进鲸鱼优化算法的无人机航路规划

针对复杂地形环境下的无人机航路规划问题，提出一种基于改进的鲸鱼优化算法的航路规划算法。首先，根据起始点和目标点等信息，通过坐标系旋转将二维航路规划问题转化为D维空间下的寻优问题；然后，将灰狼优化算法中的等级制度和微分进化算法中的贪婪策略引入鲸鱼优化算法提出改进的鲸鱼优化算法。在保证算法收敛速度的同时，所提的改进鲸鱼优化算法有效地提高了开发能力和搜索能力。最后，将提出的改进算法应用于无人机的航路问题求解。仿真结果表明，所提的改进鲸鱼优化算法能够有效的获得一条代价最优的、有效的航路结果，其性能优于传统的优化算法。     

基于改进蚁群算法的飞机低空突防航路规划

采用蚁群算法实现了飞机低空突防的航路规划，为航路规划问题提供了新的解决思路。并对原始蚁群算法进行了改进，提出了保留最优解、自适应选择策略和自适应信息素调整准则，有效地提高了算法的收敛速度和解的性能。最后用计算机进行了仿真，取得了较好的结果。     

基于GA-OCPA学习系统的无人机路径规划方法

为解决未知空域中无人机路径规划方法实时性和适用性不足的问题,以生物应激条件反射理论为基础,将无人机实时路径规划类比为在外界条件刺激下的一种自学习行为。首先,将概率自动机与遗传算法相结合,设计了基于Skinner操作条件反射理论框架(GA-OCPA)的学习系统;然后,将无人机规避机动的飞行速度、滚转加速度和拉升加速度作为系统学习的行为,并计算每次学习尝试之后的选择概率和个体适应度,通过遗传算法搜索最优行为进而得到最优路径;最后,运用增量多层判别回归树(IHDR)对学习得到的最优行为建立知识库,形成威胁状态与路径规划的匹配映射。实验结果表明GA-OCPA学习系统对于无人机路径规划具备有效性和适用性。     

月面巡视机器人快速安全路径规划

为提高月面巡视机器人自主探测任务的效率及安全性,提出了一种基于月面数字高程地图的大范围自主探测快速安全路径规划算法。首先根据获取的月面数字高程地图设计了一种地形可通过性分析方法,并生成了欧几里得距离地图（EDM）为安全路径规划提供参考。然后针对A^*算法解决月面巡视探测问题时搜索速度慢、未考虑路径安全性的问题,提出了FSA^*算法,改进了A^*算法的搜索机制以适用于月面大范围路径的快速搜索,并结合EDM地图设计了一种安全启发式函数,可使生成路径尽量远离危险区域,提高了巡视机器人自主探测过程的安全性。最后选取月球艾特肯盆地区域作为仿真场景,验证了该算法的有效性。