CN107392388A - 一种采用改进人工鱼群算法规划无人机三维航迹的方法 - Google Patents
一种采用改进人工鱼群算法规划无人机三维航迹的方法 Download PDFInfo
- Publication number
- CN107392388A CN107392388A CN201710644404.8A CN201710644404A CN107392388A CN 107392388 A CN107392388 A CN 107392388A CN 201710644404 A CN201710644404 A CN 201710644404A CN 107392388 A CN107392388 A CN 107392388A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- artificial fish
- mrow
- flight path
- threat
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013439 planning Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims abstract description 23
- 230000003068 static effect Effects 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims description 15
- 241000251468 Actinopterygii Species 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000013016 learning Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种采用改进人工鱼群算法规划无人机三维航迹的方法。该方法是针对无人机执行单一任务进行航迹静态规划和实时动态重规划的方法。该方法通过地貌模型、简化威胁模型构建数字地图,考虑空间划分粒度对寻优算法复杂度的影响,依据栅栏自适应算法实现空间的分割;采用改进的人工鱼群算法实现静态航迹规划;考虑时间因素,构建基于动态贝叶斯网络的威胁预测模型,对突发的威胁进行预测,结合无人机飞行约束,获得重规划起点,采用改进的人工鱼算法实现全局航迹动态重规划。本发明方法其优点在于降低航迹寻优算法的复杂度,提高了最优航迹搜索能力,满足实际航迹规划要求。
Description
技术领域
本发明涉及无人机的航迹规划领域,主要涉及应用仿生寻优算法实现无人机的航迹静态规划以及无人机威胁预测。
背景技术
无人机(Unmanned Acrial Vehicle,UAV)航迹规划是根据任务目标规划满足自身约束并能规避威胁的飞行轨迹,是无人机自主飞行中的关键技术之一。
国内外相继开展了此类问题的研究,提出了诸多航迹规划算法,如A-Start算法、遗传算法、蚁群算法等,但由于飞行器面临的规划空间异常复杂、规划约束条件多且模糊性大,使得航迹搜索出现计算量过大、效率不高、寻优能力差等问题,这使得像粒子群这样的群体优化算法为人们所青睐,G.D.Goez等人在“On-Line Route Planning of UAV UsingParticle Swarm Optimization on Microcontrollers”【IEEE Latin AmericaTransactions,2016,14(4):1705-1710】提出了基于粒子群算法的实时航迹规划方法。在对无人机的航迹重规划研究也比较丰富,管文艳等人在“低空突防模型建模的研究”【***仿真学报.2006,18(2):77-82】提出使用贝叶斯网络构建威胁预测模型,对突发威胁进行评估加载到地图中利用A*算法实现航迹重规划。张洛兵等人在“基于改进人工蜂群算法的无人机实时航迹规划”【飞行力学.2015(1):38-42】中提出一种改进的人工蜂群算法,建立突发威胁模型,进行重规划。
上述无人机航迹规划的算法复杂度较高,应用粒子群算法容易陷入局部最优,在航迹重规划时对威胁的评估没有考虑时间因素的影响,做出的航迹重规划不符合实际影响。
发明内容
本发明的目的在于,提出合理的空间分割方法,降低算法复杂度,构建威胁评估模型,通过改进寻优算法实现无人机航迹静态规划和动态重规划。本发明通过地形模型、简化威胁模型构建数字地图,依据栅栏自适应算法实现空间的分割;应用改进的人工鱼群算法实现静态航迹规划;构建基于动态贝叶斯的威胁预测模型,对突发的威胁进行预测,考虑无人机飞行约束,获得重规划起点,应用改进的人工鱼算法实现航迹动态重规划。
一种采用改进人工鱼群算法规划无人机三维航迹的方法,其特征在于提出栅栏自适应算法进行搜索空间分割,采用步长、视野等比例自适应改进人工鱼群算法实现三维航迹的静态规划;构建基于动态贝叶斯网络的威胁预测模型指导航迹动态重规划,包括如下步骤:
步骤S1:构建数字地图,依据栅栏自适应算法实现空间的分割,具体步骤如下:
a)构建地貌模型、简化威胁模型,多模型叠加,构建数字地图;
b)采用栅栏自适应算法空间分割,将空间以x轴分割为n个切面,z轴为飞行高度,设定为无人机最大飞行高度;
步骤S2:应用改进的人工鱼群算法实现静态航迹规划,具体步骤如下:
a)应用步长、视野等比例自适应的改进人工鱼群算法,设定算法参数人工鱼维数、人工鱼个数、步长、视野,步长自适应满足公式1所示:
Step=Step*(1-θ)num (1)
其中Step为步长,num为迭代次数,θ表示的是步长衰减率;
b)代价函数设计为满足公式2:
其中w为人工鱼维数,lw表示w段航迹,δi代表对应的权值,v(i)为i类型威胁的度量值;
c)设定起始位置,应用改进人工鱼群算法实现航迹静态规划;
步骤S3:构建基于动态贝叶斯的威胁预测模型,对突发的威胁进行预测,获得重规划起点,应用改进人工鱼算法实现重规划,具体步骤如下:
a)构建动态贝叶斯网络结构,观测变量离散化,与威胁等级划分相同分为4级;
b)采用EM算法实现模型参数学习;
c)观测证据跟新,触发网络推理,构建对应最大概率威胁模型,并进行模型叠加;
d)依据无人机最小转弯半径,确定重规划起点,将重规划起点作为新的起点,应用改进人工鱼群算法实现全局航迹重规划。重规划起点满足公式3:
其中rmin表示的是无人机最小转弯半径,rthread表示的是威胁对应的半径。
所述步骤S1中,进行空间分割的栅栏自适应算法。算法思想是:维度取威胁中心点和平行于x轴的威胁圆两端点的序列点集,当相邻两个点的距离小于2rmin(威胁圆最小半径),则删除这两点,取当前位置相邻两点的中点作为新的点,增加到序列中。
所述步骤S2中,将人工鱼步长、视野等比例自适应的改进人工鱼群算法应用于无人机的三维航迹规划问题。
所述步骤S3中,构建基于动态贝叶斯网络的简化威胁预测模型;根据无人机的最小转弯半径约束,重规划起点的确定,应用改进人工鱼群实现航迹重规划。
本发明的优点是:该方法通过地貌模型、简化威胁模型构建数字地图,考虑空间划分粒度对寻优算法复杂度的影响,依据栅栏自适应算法实现空间的分割;采用改进的人工鱼群算法实现静态航迹规划;考虑时间因素,构建基于动态贝叶斯网络的威胁预测模型,对突发的威胁进行预测,结合无人机飞行约束,获得重规划起点,采用改进的人工鱼算法实现全局航迹动态重规划。本发明方法其优点在于降低航迹寻优算法的复杂度,提高了最优航迹搜索能力,满足实际航迹规划要求。
附图说明
图1为采用寻优算法实现航迹规划的空间二维分割示意图;
图2为采用寻优算法实现航迹规划的空间三维分割示意图;
图3为改进人工鱼群算法三维航迹静态规划图;
图4为改进人工鱼群算法三维航迹静态规划二维投影图;
图5为基于动态贝叶斯威胁预测模型的航迹动态重规划图。
具体实施方式
下面将结合附图、理论分析和仿真实验对本发明作进一步的详细说明。本发明提出一种采用改进人工鱼群算法规划无人机三维航迹的方法。通过地形模型、简化威胁模型构建数字地图,依据栅栏自适应算法实现空间的分割;应用改进的人工鱼群算法实现静态航迹规划;构建基于动态贝叶斯的威胁预测模型,对突发的威胁进行预测,考虑无人机飞行参数,获得重规划起点,应用改进的人工鱼算法实现航迹动态重规划。具体步骤如下:
步骤S1:构建数字地图,依据栅栏自适应算法实现空间的分割。具体如下:
1)建立数字地图,原始地形的数学模型函数形式为:
其中,x,y是水平投影面的点坐标,z是对应水平面坐标点的地形高度。a,b,c,d,e,f,g是常系数。系数的不同可以模拟各种崎岖的地貌。山峰的数学模型函数形式为:
其中Z0为基准山峰的高度,Zi为第i个山峰在基准山峰高度上的最高点的高度,x0i、y0i为第i个山峰的最高点坐标,xsi、ysi表示为第i个山峰沿x、y轴的坡度调整系数,值越大山峰越平坦。将山峰模型和原始地形模型进行叠加,得到三维数字地图。
威胁模型,本发明将无人机面临的威胁划分为4个等级,以威胁点为圆心的圆形来表示,等级越高对应的圆的半径越大。
2)根据数字地图的二维投影,输入对应静态威胁位置及威胁等级,应用栅栏自动划分算法,得到固定X轴的空间切片,如图1、2所示。
步骤S2:应用改进的人工鱼群算法实现静态航迹规划。具体如下:
在人工鱼群算法中,每一条鱼可以看做是优化问题解空间中的一个解,传统的人工鱼群算法可以描述为:假设人工鱼群在n维空间中搜索,有N条人工鱼组成鱼群X={x1,x2,x3,...,xN},xi={xi,1,xi,2,xi,3,...xi,n}表示问题的一个解。每条人工鱼通过四种鱼个体行为(觅食、追尾、聚群、随机)不断的调整自己的位置来搜索最优解,鱼通过视野来定义解的搜索区间,通过步长来进行改变自身位置,通过拥挤度因子来避免陷入局部的最优,通过公告牌记录最优解,最终得到代价函数最小的全局最优解。通过步长、视野自适应改进人工群,能提供收敛速度,减小迭代后期最优解震荡甚至错失最优解的可能性。
无人机三维航迹规划的人工鱼定义:一条从起点到任务点的三维航迹,表示为xi={xi,1,xi,2,xi,3,...xi,n},其中xi,n={xi,n,x,xi,n,y,xi,n,z},xi,n,x表示的第i条鱼的n维x坐标值,相应的两个表示的是y和z的坐标。
人工鱼距离定义两条航迹之间的距离,满足公式:
D代表的是两个矩阵展开之后的欧式距离矩阵。
1)设定算法参数,包括人工鱼维数、个数、步长、视野、步长衰减率等。
2)人工鱼群算法,通过模拟鱼觅食的行为来寻优,航迹规划的代价函数满足公式:
其中w为人工鱼维数,lw表示w段航迹,δi代表对应的权值,v(i)为i类型威胁的度量值,v(1)、v(2)、v(3)分别为航迹的长度代价、威胁代价、爬升代价。
代价函数值越小的位置食物浓度越高,位置即对应的航迹。
3)应用步长、视野等比例自适应改进人工鱼群算法进行寻优,步长和视野随着算法迭代次数的增加而衰减,提高算法收敛速度。最终得到航迹规划代价函数值最低的航迹,规避威胁。
步骤S3:构建基于动态贝叶斯的威胁预测模型,对突发的威胁进行预测,获得重规划起点,应用改进人工鱼算法实现重规划。具体如下:
1)根据专家经验构建动态贝叶斯网络结构,将对应观测变量离散化,分为4个等级,构建样本样本空间;
2)采用EM算法进行动态贝叶斯网络的参数学习,算法主要思想是通过期望的统计来替代实际的统计值,是一个依次计算期望统计值和模型参数λ的迭代过程;
3)通过假设等可能的先验概率来初始化参数,得到DBN的条件概率,收集数据,观测证据更新,触发网络推理,更新状态表,推理得到下一时刻威胁的等级。
4)应用航迹重规划策略,确定重规划的起点,将起点和任务终点作为参数,应用改进的人工鱼群算法,实现航迹的重规划。重规划起点根据无人机最小转弯半径,与威胁点距离满足公式:
其中rmin表示的是无人机最小转弯半径,rthread表示的是I类威胁对应的半径。
仿真实验:
进行仿真实验,取200km×200km的空间,地形设置基准高度为4,实现平原地貌,四座山峰,以及静态的4个不同等级的威胁,最高等级A设置为半径为25的圆,最低等级D是半径为10的圆。空间以x轴切割为12片,对应的横坐标分别为[20,25,30,35,50,60,80,90,100,120,140,170],人工鱼维数为12,个数为20,步长为20,视野100,步长衰减率取为0.1,视野高度z初始设置为30,通过Matlab得到如图3、4所示的航迹。由于战场上的数据保密性高,没有充分数据进行学习,利用专家经验设置观测变量的条件概率,威胁等级初始状态认为是等可能发生的。采用模拟数据进行训练网络,应用前2个时间片来预测下一时间片的威胁等级,实现航迹重规划如图5所示。
Claims (4)
1.一种采用改进人工鱼群算法规划无人机三维航迹的方法,其特征在于提出栅栏自适应算法进行搜索空间分割,采用步长、视野等比例自适应改进人工鱼群算法实现三维航迹的静态规划;构建基于动态贝叶斯网络的威胁预测模型指导航迹动态重规划,包括如下步骤:
步骤S1:构建数字地图,依据栅栏自适应算法实现空间的分割,具体步骤如下:
a)构建地貌模型、简化威胁模型,多模型叠加,构建数字地图;
b)采用栅栏自适应算法空间分割,将空间以x轴分割为n个切面,z轴为飞行高度,设定为无人机最大飞行高度;
步骤S2:应用改进的人工鱼群算法实现静态航迹规划,具体步骤如下:
a)应用步长、视野等比例自适应的改进人工鱼群算法,设定算法参数人工鱼维数、人工鱼个数、步长、视野,步长自适应满足公式1所示:
Step=Step*(1-θ)num (1)
其中Step为步长,num为迭代次数,θ表示的是步长衰减率;
b)代价函数设计为满足公式2:
<mrow>
<msub>
<mi>V</mi>
<mi>min</mi>
</msub>
<mo>=</mo>
<mi>min</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>w</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Integral;</mo>
<mn>0</mn>
<msub>
<mi>l</mi>
<mi>w</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>&delta;</mi>
<mi>i</mi>
</msub>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>s</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中w为人工鱼维数,lw表示w段航迹,δi代表对应的权值,v(i)为i类型威胁的度量值;
c)设定起始位置,应用改进人工鱼群算法实现航迹静态规划;
步骤S3:构建基于动态贝叶斯的威胁预测模型,对突发的威胁进行预测,获得重规划起点,应用改进人工鱼算法实现重规划,具体步骤如下:
a)构建动态贝叶斯网络结构,观测变量离散化,与威胁等级划分相同分为4级;
b)采用EM算法实现模型参数学习;
c)观测证据跟新,触发网络推理,构建对应最大概率威胁模型,并进行模型叠加;
d)依据无人机最小转弯半径,确定重规划起点,将重规划起点作为新的起点,应用改进人工鱼群算法实现全局航迹重规划。重规划起点满足公式3:
<mrow>
<mi>I</mi>
<mi>n</mi>
<mi>d</mi>
<mi>e</mi>
<mi>x</mi>
<mo>&GreaterEqual;</mo>
<msqrt>
<mrow>
<msubsup>
<mi>r</mi>
<mrow>
<mi>t</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mn>2</mn>
<msub>
<mi>r</mi>
<mrow>
<mi>t</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
</msub>
<msub>
<mi>r</mi>
<mi>min</mi>
</msub>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中rmin表示的是无人机最小转弯半径,rthread表示的是威胁对应的半径。
2.根据权利要求1所述的一种采用改进人工鱼群算法规划无人机三维航迹的方法,其特征是:所述步骤S1中,进行空间分割的栅栏自适应算法,算法思想是:维度取威胁中心点和平行于x轴的威胁圆两端点的序列点集,当相邻两个点的距离小于则删除这两点,取当前位置相邻两点的中点作为新的点,增加到序列中。
3.根据权利要求1所述的一种采用改进人工鱼群算法规划无人机三维航迹的方法,其特征是所述步骤S2中,将人工鱼步长、视野等比例自适应的改进人工鱼群算法应用于无人机的三维航迹规划问题。
4.根据权利要求1所述的一种采用改进人工鱼群算法规划无人机三维航迹的方法,其特征是所述步骤S3中,构建基于动态贝叶斯网络的简化威胁预测模型;根据无人机的最小转弯半径约束,重规划起点的确定,应用改进人工鱼群实现航迹重规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710644404.8A CN107392388A (zh) | 2017-07-31 | 2017-07-31 | 一种采用改进人工鱼群算法规划无人机三维航迹的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710644404.8A CN107392388A (zh) | 2017-07-31 | 2017-07-31 | 一种采用改进人工鱼群算法规划无人机三维航迹的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107392388A true CN107392388A (zh) | 2017-11-24 |
Family
ID=60343439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710644404.8A Pending CN107392388A (zh) | 2017-07-31 | 2017-07-31 | 一种采用改进人工鱼群算法规划无人机三维航迹的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392388A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108759841A (zh) * | 2018-05-25 | 2018-11-06 | 中国电子科技集团公司第二十九研究所 | 一种复杂环境下的快速航路规划方法 |
CN108919641A (zh) * | 2018-06-21 | 2018-11-30 | 山东科技大学 | 一种基于改进樽海鞘算法的无人机航迹规划方法 |
CN109489659A (zh) * | 2018-12-13 | 2019-03-19 | 哈尔滨工业大学(深圳) | 一种基于多地磁要素检测的定位方法 |
CN109947124A (zh) * | 2019-04-25 | 2019-06-28 | 南京航空航天大学 | 改进粒子群算法优化模糊pid无人直升机姿态控制方法 |
CN110031004A (zh) * | 2019-03-06 | 2019-07-19 | 沈阳理工大学 | 基于数字地图的无人机静态和动态路径规划方法 |
CN110031007A (zh) * | 2019-03-22 | 2019-07-19 | 深圳先进技术研究院 | 一种航迹规划方法、装置及计算机可读存储介质 |
CN110162077A (zh) * | 2019-06-18 | 2019-08-23 | 哈尔滨工程大学 | 一种基于飞鱼算法的无人机航迹规划方法 |
CN110222406A (zh) * | 2019-05-30 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种基于任务阶段复杂性的无人机自主能力评估方法 |
CN110456823A (zh) * | 2019-08-27 | 2019-11-15 | 北京航空航天大学 | 一种针对无人机计算与存储能力受限的双层路径规划方法 |
CN110597264A (zh) * | 2019-09-25 | 2019-12-20 | 中国人民解放军陆军工程大学 | 无人机反制*** |
CN110617818A (zh) * | 2019-10-15 | 2019-12-27 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人机航迹生成方法 |
CN111046486A (zh) * | 2019-11-18 | 2020-04-21 | 西北工业大学 | 运载火箭一子级伞控回收航迹规划方法 |
CN111580517A (zh) * | 2020-05-12 | 2020-08-25 | 国家海洋技术中心 | 一种基于无人水面艇的多海湾区域路径遍历方法及*** |
WO2020191531A1 (zh) * | 2019-03-22 | 2020-10-01 | 深圳先进技术研究院 | 一种航迹规划方法、装置及计算机可读存储介质 |
CN112099528A (zh) * | 2020-09-18 | 2020-12-18 | 中国航空无线电电子研究所 | 基于化学反应优化算法的制导方法 |
CN112229409A (zh) * | 2020-10-15 | 2021-01-15 | 西安电子科技大学 | 基于贝叶斯和进化算法的无人机协同航迹规划方法 |
CN113126644A (zh) * | 2021-06-03 | 2021-07-16 | 北京理工大学 | 基于自适应视线法的无人机三维航迹跟踪方法 |
CN115129079A (zh) * | 2022-06-17 | 2022-09-30 | 西北工业大学 | 一种基于改进弹性带算法的三维直升机航迹重规划方法 |
CN116126015A (zh) * | 2022-12-19 | 2023-05-16 | 南昌航空大学 | 基于改进人工蜂群算法的动态环境多无人机任务分配方法 |
CN116774719A (zh) * | 2023-08-18 | 2023-09-19 | 成都庆龙航空科技有限公司 | 一种无人机飞行参数自诊断方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077629A (zh) * | 2014-07-18 | 2014-10-01 | 合肥工业大学 | 一种变步长自适应的改进人工鱼群算法 |
CN106651021A (zh) * | 2016-12-16 | 2017-05-10 | 新疆疆天航空科技有限公司 | 基于精英人工鱼群的植保无人机编队航迹规划方法 |
-
2017
- 2017-07-31 CN CN201710644404.8A patent/CN107392388A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077629A (zh) * | 2014-07-18 | 2014-10-01 | 合肥工业大学 | 一种变步长自适应的改进人工鱼群算法 |
CN106651021A (zh) * | 2016-12-16 | 2017-05-10 | 新疆疆天航空科技有限公司 | 基于精英人工鱼群的植保无人机编队航迹规划方法 |
Non-Patent Citations (5)
Title |
---|
JIEHONG WU ET AL.: "Research of Multi-UAVs Communication Range Optimization Based on Improved Artifical Fish-Swarm Algorithm", 《INDUSTRIAL ENGINEERING,MACHINE DESIGN AND AUTOMATION(IEMDA 2014)& COMPUTER SCIENCE AND APPLICATION(CCSA 2014)》 * |
乔冬冬等: "竞争量子进化算法的巡航导弹航路规划与重规划方法", 《空军工程大学学报(自然科学版)》 * |
任佳等: "基于时变DBN的UAV航路威胁评估模型", 《计算机仿真》 * |
唐汇禹等: "基于SAPSO算法的无人机三维航迹规划", 《战术导弹技术》 * |
喻俊松: "基于改进人工鱼群算法无人机航迹规划研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑(月刊)》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108759841A (zh) * | 2018-05-25 | 2018-11-06 | 中国电子科技集团公司第二十九研究所 | 一种复杂环境下的快速航路规划方法 |
CN108919641A (zh) * | 2018-06-21 | 2018-11-30 | 山东科技大学 | 一种基于改进樽海鞘算法的无人机航迹规划方法 |
CN108919641B (zh) * | 2018-06-21 | 2021-02-09 | 山东科技大学 | 一种基于改进樽海鞘算法的无人机航迹规划方法 |
CN109489659A (zh) * | 2018-12-13 | 2019-03-19 | 哈尔滨工业大学(深圳) | 一种基于多地磁要素检测的定位方法 |
CN110031004A (zh) * | 2019-03-06 | 2019-07-19 | 沈阳理工大学 | 基于数字地图的无人机静态和动态路径规划方法 |
CN110031004B (zh) * | 2019-03-06 | 2023-03-31 | 沈阳理工大学 | 基于数字地图的无人机静态和动态路径规划方法 |
WO2020191531A1 (zh) * | 2019-03-22 | 2020-10-01 | 深圳先进技术研究院 | 一种航迹规划方法、装置及计算机可读存储介质 |
CN110031007A (zh) * | 2019-03-22 | 2019-07-19 | 深圳先进技术研究院 | 一种航迹规划方法、装置及计算机可读存储介质 |
CN109947124A (zh) * | 2019-04-25 | 2019-06-28 | 南京航空航天大学 | 改进粒子群算法优化模糊pid无人直升机姿态控制方法 |
CN110222406A (zh) * | 2019-05-30 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种基于任务阶段复杂性的无人机自主能力评估方法 |
CN110222406B (zh) * | 2019-05-30 | 2023-04-07 | 中国人民解放军国防科技大学 | 一种基于任务阶段复杂性的无人机自主能力评估方法 |
CN110162077A (zh) * | 2019-06-18 | 2019-08-23 | 哈尔滨工程大学 | 一种基于飞鱼算法的无人机航迹规划方法 |
CN110456823A (zh) * | 2019-08-27 | 2019-11-15 | 北京航空航天大学 | 一种针对无人机计算与存储能力受限的双层路径规划方法 |
CN110597264A (zh) * | 2019-09-25 | 2019-12-20 | 中国人民解放军陆军工程大学 | 无人机反制*** |
CN110617818A (zh) * | 2019-10-15 | 2019-12-27 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人机航迹生成方法 |
CN111046486A (zh) * | 2019-11-18 | 2020-04-21 | 西北工业大学 | 运载火箭一子级伞控回收航迹规划方法 |
CN111046486B (zh) * | 2019-11-18 | 2022-05-03 | 西北工业大学 | 运载火箭一子级伞控回收航迹规划方法 |
CN111580517A (zh) * | 2020-05-12 | 2020-08-25 | 国家海洋技术中心 | 一种基于无人水面艇的多海湾区域路径遍历方法及*** |
CN111580517B (zh) * | 2020-05-12 | 2021-02-19 | 国家海洋技术中心 | 一种基于无人水面艇的多海湾区域路径遍历方法及*** |
CN112099528A (zh) * | 2020-09-18 | 2020-12-18 | 中国航空无线电电子研究所 | 基于化学反应优化算法的制导方法 |
CN112099528B (zh) * | 2020-09-18 | 2023-02-28 | 中国航空无线电电子研究所 | 基于化学反应优化算法的制导方法 |
CN112229409B (zh) * | 2020-10-15 | 2022-08-12 | 西安电子科技大学 | 基于贝叶斯和进化算法的无人机协同航迹规划方法 |
CN112229409A (zh) * | 2020-10-15 | 2021-01-15 | 西安电子科技大学 | 基于贝叶斯和进化算法的无人机协同航迹规划方法 |
CN113126644B (zh) * | 2021-06-03 | 2022-04-19 | 北京理工大学 | 基于自适应视线法的无人机三维航迹跟踪方法 |
CN113126644A (zh) * | 2021-06-03 | 2021-07-16 | 北京理工大学 | 基于自适应视线法的无人机三维航迹跟踪方法 |
CN115129079A (zh) * | 2022-06-17 | 2022-09-30 | 西北工业大学 | 一种基于改进弹性带算法的三维直升机航迹重规划方法 |
CN115129079B (zh) * | 2022-06-17 | 2024-05-03 | 西北工业大学 | 一种基于改进弹性带算法的三维直升机航迹重规划方法 |
CN116126015A (zh) * | 2022-12-19 | 2023-05-16 | 南昌航空大学 | 基于改进人工蜂群算法的动态环境多无人机任务分配方法 |
CN116774719A (zh) * | 2023-08-18 | 2023-09-19 | 成都庆龙航空科技有限公司 | 一种无人机飞行参数自诊断方法及*** |
CN116774719B (zh) * | 2023-08-18 | 2023-11-07 | 成都庆龙航空科技有限公司 | 一种无人机飞行参数自诊断方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392388A (zh) | 一种采用改进人工鱼群算法规划无人机三维航迹的方法 | |
Yu et al. | A knee-guided differential evolution algorithm for unmanned aerial vehicle path planning in disaster management | |
CN110608743B (zh) | 基于多种群混沌灰狼算法的多无人机协同航路规划方法 | |
CN108647414B (zh) | 基于仿真实验的作战计划适应性分析方法及存储介质 | |
Zhang et al. | An improved constrained differential evolution algorithm for unmanned aerial vehicle global route planning | |
CN112000131B (zh) | 基于人工势场法的无人机集群路径规划方法及*** | |
CN112329348A (zh) | 一种面向非完全信息条件下军事对抗博弈的智能决策方法 | |
CN108764453B (zh) | 面向多智能体同步博弈的建模方法及动作预测*** | |
CN110544296A (zh) | 一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法 | |
CN107063255A (zh) | 一种基于改进果蝇优化算法的三维航路规划方法 | |
CN102880186A (zh) | 基于稀疏a*算法和遗传算法的航迹规划方法 | |
CN109597839B (zh) | 一种基于航电作战态势的数据挖掘方法 | |
CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN103218660A (zh) | 一种基于泛化模糊竞争神经网的航路选择方法 | |
CN111121784A (zh) | 一种无人侦察机航路规划方法 | |
CN110986960A (zh) | 一种基于改进聚类算法的无人机航迹规划方法 | |
CN104729509A (zh) | 一种基于非支配排序遗传算法ii的航迹规划方法 | |
CN112800679A (zh) | 一种光电装备防御规划方法、装置、设备及存储介质 | |
Xin et al. | Research on route planning based on improved ant colony algorithm | |
CN110986954A (zh) | 基于灰狼优化算法的军用运输机航路规划方法 | |
Chen et al. | An improved spherical vector and truncated mean stabilization based bat algorithm for uav path planning | |
CN117806346A (zh) | 一种基于自适应蜣螂优化器的无人机路径规划方法 | |
CN117008641B (zh) | 用于多个异构无人机协同低空突防的分配方法和装置 | |
CN117556979A (zh) | 基于群体智能搜索的无人机平台与载荷一体化设计方法 | |
CN113063419A (zh) | 一种无人机路径规划方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171124 |