基于CPSO的UAV编队集结路径规划

针对多无人机编队集结路径规划问题,提出了具有合作机制的分布式协同粒子群(CPSO)算法。为了满足无人机运动学约束,采用曲率连续的PH曲线作为备选路径。基于协同进化思想提出CPSO算法,为每架无人机规划出一条满足机间协同约束的最优安全可飞行路径。仿真结果表明,规划得到的多条路径能够满足无人机运动学约束、安全性及无人机之间的协同性要求;相比于协同进化遗传算法,CPSO算法搜索成功率更高,稳定性更好。     

基于UKF的双机协同纯角度目标定位路径规划

针对三维空间双机协同定位问题,在无迹卡尔曼滤波的基础上,提出一种规划双机路径的方法。首先,利用双机探测得到的方位角和俯仰角信息,并结合无迹卡尔曼滤波算法估计目标的状态;在此基础上根据交互信息理论提出指标函数的概念,以指标函数最大为轨迹优化的最优性能指标,将问题转化为求双机控制量的最优解;最后,采用遗传算法求解双机的控制量,得到比较合理的双机飞行路径。仿真结果表明,通过最大化指标函数可以有效地规划双机路径,且具有更高的精度和速度。     

基于DSAS算法的直升机贴地飞行在线航迹规划

通过改进优化传统A*算法,利用动态稀疏A*搜索(DSAS)算法在线设计了直升机贴地飞行轨迹.该算法采用逆向搜索方式规划航迹,在遇到新生探测威胁时,只需局部调整受到影响的航迹,减少了重新规划的范围,提高了搜索效率.此外,在生成节点时考虑了直升机性能及飞行约束,优化了搜索范围;并且根据影响贴地飞行航迹性能的各种因素,设计了航迹代价计算方法;利用层次分析法结合专家分析计算得到最优代价权值.仿真结果表明,该方法在线设计的飞行轨迹能够较全面地满足避障、贴地功能,相比稀疏A*搜索(SAS)算法节省了计算时间.     

基于聚类PSO算法的舰载机舰面多路径动态规划

对舰载机舰面多路径动态规划问题,提出了基于聚类粒子群(PSO,Particle Swarm Optimization)算法进行解决的方法.首先建立了舰载机舰面多路径动态规划问题数学模型;其次,在建立航母舰面环境模型、舰载机"凸壳"模型、碰撞检测模型的基础上,利用聚类PSO算法进行问题求解;最后,通过编制程序对该解决方法予以实现.仿真结果表明利用聚类PSO算法所求解的结果比较精确,且计算效率也符合实际要求.因此基于聚类PSO算法对舰载机舰面多路径动态规划问题进行求解是可行的.     

基于非正交干涉矩阵的飞机装配序列规划方法

针对飞机装配中外形曲面特征多、装配关系复杂、连接方式多样等带来的装配工艺设计问题,提出了一种基于非正交干涉矩阵的飞机部件装配序列规划方法.通过分析被装配零件的结构特点,增加非正交的装配坐标方向,构建了非正交干涉矩阵;给出了装配可行性的推导方法,实现了装配序列的自动生成.并以装配时间为目标函数,采用遗传算法对装配序列进行了优化.基于MATLAB仿真平台,对某型号飞机舱门装配过程进行了模拟.仿真结果表明,该方法简单易行.与传统的基于正交干涉矩阵的方法相比,对于可装配性和装配效率都有显著提高.     

基于动态RCS的无人机航迹实时规划

传统的无人机航迹规划主要采用仅考虑无人机与雷达距离的简化雷达威胁模型,未充分考虑无人机雷达散射截面RCS(Radar Cross-Section)随自身姿态角改变而产生的动态变化.据此,提出了无人机周向动态RCS模型,并建立了综合考虑无人机动态RCS与雷达距离的探测概率模型,利用遗传算法进行了基于动态RCS的航迹实时规划,计算结果与传统航迹规划结果进行了对比.仿真结果表明该模型的可行性和有效性,能充分利用无人机自身的优势规避威胁,满足无人机的航迹实时规划的要求.      

月球精确软着陆最优标称轨迹在轨制导方法

为实现在月球表面期望的着陆点进行精确软着陆（PPL）,且满足燃耗最优性要求,基于提出的LIDAR目标点在轨自主选定的月球精确软着陆方案,对月球PPL最优标称轨迹在轨快速规划制导方法进行研究。首先针对月球PPL三维球体非线性轨道动力学模型,采用Legendre Gauss Lobatto伪光谱方法将轨迹优化的最优控制问题转化为非线性规划问题（NLP）,再利用SQP优化算法求解月球PPL最优标称轨迹,最后通过遗传算法对优化结果进行验证,并提出应用遗传算法提供SQP在轨规划初值数据库的方案。仿真结果表明了最优标称轨迹在轨规划方法的快速性和有效性。     

无人机复杂环境中跟踪运动目标的实时航路规划

在复杂地形环境中,无人机在跟踪运动目标时,现有的航路规划方法在实时性和可行性上存在一定缺陷.提出了一种新的滚动窗口启发方向计算方法,使其能够跟踪运动目标,同时在滚动窗口内采用流函数法进行避障.根据无人机约束,滚动窗口为三角形,并设计了基于行为的伸缩功能.在流函数中,利用水势能方法克服了陷阱地形并进行了航路平滑.仿真结果表明:这种混合算法对于复杂地形条件下跟踪运动目标的航路规划,能够减小规划算法的时间和空间复杂度,使规划出的航路适于无人机飞行.