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。     

基于蚁群算法的无人机三维路径规划与冲突解脱

针对传统无人机路径规划方法难以满足无人机在复杂山区环境应用这一缺点,提出一种基于蚁群算法并利用插值算法和容斥算法优化的无人机三维路径规划算法。通过无人机飞行约束条件和对蚁群算法的优化在所建立的三维空间中得到最优路径。利用二次、三次样条插值、容斥算法等优化算法对无人机路径优化,规划出一条更加平滑的便于无人机执行的最佳路径,并建立了无人机冲突约束,解决了无人机冲突。     

优化路网结构的最优路径和算法

优化路网络结构具有现实性和重要性 ,采用TC -B算法可以实现优化路网络结构选择的最优路径。     

基于ArcGIS的最短路径算法在城市交通中的应用

最短路径算法在城市交通中应用广泛。分析对比了Dijkstra算法和A*算法,并结合城市交通中的实际情况,在A*算法中加入了交通信号灯的时间因素和路面宽度因素,以达到改进算法的目的。通过在Esri公司的ArcGIS平台上使用Python进行测试后得到的结果表明:Dijkstra算法所计算的路径最短,但未考虑城市交通的实际情况;经过改进的A*算法所得路径避开了城市中心拥堵区域,通过的路口最少,更适合应用于实际交通当中。     

低空无人机路径规划算法综述

随着无人机技术的发展,无人机在低空的应用场景越来越多,复杂的低空环境对无人机路径规划算法提出了新的要求。本文总结了近年来常用的无人机路径规划算法,包括图搜索算法,线性规划算法,智能优化算法（遗传算法、粒子群算法、蚁群算法）,强化学习算法;对这些算法的原理、适用场景及其优缺点进行了归纳分析;并基于无人机发展现状对无人机路径规划算法进行了展望。     

基于分层栅格地图的移动机器人路径规划

针对传统A-Star算法与模糊控制算法单独应用于移动机器人路径规划时各自的局限性,提出一种基于分层栅格地图并将两种算法融合的移动机器人路径规划新方法.融合后的新算法先利用A-Star算法在高层栅格地图中整体规划出一条概括性路径,再利用模糊控制算法以概括性路径中的点为导航点,在底层栅格地图中进行局部规划,从而得出最终的路径.仿真结果表明,与传统的A-Star算法与模糊控制算法相比较,新算法所规划路径距离较短且平滑可行,具有较高的品质.     

基于改进A*算法的可行性路径搜索及优化

针对路径搜索和路径优化问题，提出了一种改进的A＊搜索算法。对估价函数予以加权处理，并引入“人工搜索标志”，避免重复搜索无效区域，能有效且快速地逃离障碍物陷阱，使得算法在未知环境中能有效准确地找到可行性路径，并对可行性路径进行了优化，得到最短路径。仿真实验证明了算法的有效性和适应性。     

带收益的车辆路径问题研究综述

车辆路径问题是企业实现物流配送的关键环节,对带收益的车辆路径问题的研究进行了综述。根据目前该问题的研究进展,对相关的研究进行了分类;分析了该类问题的特点,探讨了相应的0-1整数规划模型及集划分模型,总结了求解该问题的精确算法与启发式算法。介绍了该问题在实际中的应用,展望了其研究前景,为相关研究指出了方向。     

基于改进蚁群算法的无人机路径规划

针对传统无人机路径规划算法存在规划效率低以及无法满足特定任务需求的缺点,提出了基于改进蚁群优化算法的无人机路径规划算法。首先,将待规划区域栅格化,给每一个网格按顺序编号;其次,在路径搜索时引入了一种双向搜索机制,对信息素的更新规则和下一步节点的选择方法做出改进;最后,提出了一种新的方法来整合两组蚂蚁生成的路径,并给出了若干仿真试验结果。结果表明,所提算法相比传统算法更能有效避免过早陷入局部最优,收敛速度加快,生成满足任务约束的最短路径。     

基于进化算法的测控飞机跟踪路径规划

提出一种基于进化算法的测控飞机跟踪路径规划方法,对进化算法进行了简单介绍,给出了规划算法的计算条件、算法要素和流程,并对3种假想的目标轨迹给出了规划结果。规划结果显示,该方法是可行的。     

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.     

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。     

基于一种混合算法的巡航导弹参考航迹规划

通过分析A*算法,提出了适合与遗传算法(GA)进行混合的改进方案,针对遗传算法求解巡航导弹参考航迹规划问题,讨论了在初始群体构建和变异操作中引入改进A*算法的混合方法,从而得到参考航迹.仿真结果表明,该方法具有很强的快速规划能力,并能得到较优的结果,适合于大规模复杂环境中的参考航迹规划.     

网络中心战中服务质量选路的研究

介绍了网络中心战的概念和网络中心战架构中分布式无主节点网络体系结构,提出了网络中心战的业务需求模型。在综合分析网络资源状况和服务质量度量参数的基础上,结合网络中心战对实时性要求较高的特性,提出了以探测器到火力控制单元的网络时延作为服务质量选路标准。以3节点旅（团）级网络中心战演示实验平台为例,提出了一种计算网络中心战架构中端到端时延和获取路径信息的算法,开发了Server／Client架构计算程序,选取探测器到火力控制单元之间的最小网络时延的链路作为最优路径。解决了网络中心战中路由选择的关键问题,满足了网络中心战对时延的要求,并且可用于多业务点提供业务时最优路由的确定。     

月球探测器路径规划的基于案例的学习算法研究

讨论了基于案例的学习方法在月球探测器局部路径规划中的应用问题。基于案例的学习算法是人工智能中的一种学习方法 ,它根据过去的经验进行学习及问题求解 ,是一种增量式的学习过程。本文对基于案例的学习方法在月球探测器路径规划中的应用框架进行了一些讨论 ,提出了一些算法。