CN110377048B - 一种基于遗传算法的无人机群防御部署方法 - Google Patents
一种基于遗传算法的无人机群防御部署方法 Download PDFInfo
- Publication number
- CN110377048B CN110377048B CN201910558714.7A CN201910558714A CN110377048B CN 110377048 B CN110377048 B CN 110377048B CN 201910558714 A CN201910558714 A CN 201910558714A CN 110377048 B CN110377048 B CN 110377048B
- Authority
- CN
- China
- Prior art keywords
- formation
- unmanned aerial
- defense
- aerial vehicle
- civil
- 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.)
- Active
Links
- 230000007123 defense Effects 0.000 title claims abstract description 37
- 230000002068 genetic effect Effects 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 122
- 108091026890 Coding region Proteins 0.000 claims abstract description 8
- 238000004880 explosion Methods 0.000 claims abstract description 7
- 238000005755 formation reaction Methods 0.000 claims description 126
- 230000035772 mutation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract 1
- 239000003795 chemical substances by application Substances 0.000 description 16
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种基于遗传算法的无人机群防御部署方法,包括将我方无人机分为非武装民用机和有武装力量的防御机,并确定采用二进制层级编码方式对我方无人机编队进行编码。对完成编码后的无人机编队,添加用于确定防御机对应序号的二进制编码序列。建立适应度函数时,通过遗传算法进行筛选,使得两个指标值尽量小,从而确定出最优编队。至此完成了对无人机群的防御部署。本发明建立了一种用于保护我方民用机的最优编队队形,通过减小我方防御机拦截弹的飞行距离相对敌机导弹飞行距离的大小,以及导弹被拦截后产生的***对我方民用机的伤害,确定了不同敌机编队情况下我方无人机的最佳队形,并使用遗传算法加速对最优编队的寻找,从而保证了我方民用机的安全。
Description
技术领域
本发明是一种基于遗传算法的无人机群防御部署方法。具体说是一种在我国非武装无人机进行科研任务的过程中,用于确定保护我方非武装无人机免受其他武装无人机干扰的防御队形的新型算法,属于多智能体控制的技术领域。
背景技术
多智能体是指由多个单智能体按照一定的规则相互协调作用而完成某一个目标。智能体可以是一种实体,例如机器人、车辆等等。智能体可以借助传感器来感知外界环境变化,并通过效应器对环境产生作用。在一定的环境中,一个理性智能体的行为与运动需要收到以下两点的制约:(1)智能体必须在有理由的情况下才能改变自身现有意图。(2)智能体不能够在自己的意图不切合实际情况或者不重要的情况下无视环境变化而坚持自己现有的意图。多智能体***提出的意义在于,单个智能体的能力以及能够获取的资源有限,无法完成较为复杂的任务,同时在智能体之间又存在一定的相关性,因此多个智能体之间需要进行协同工作。
在多智能体问题中,多无人机协同控制是一个重要的问题。由于无人机技术的日益成熟,其研究的焦点已经从研发制造转变为如何加以运用。单一的无人机可以看作是一个单智能体,而由前文内容可知,单一的无人机具有执行任务能力有限,风险概率较大的缺点。为了能够更好的发挥无人机的作用,弥补单一无人机所出现的各种问题,多无人机协同编队飞行的概念被提出。多无人机协同执行任务具有搜索能力强,覆盖范围大,任务成功率较高等优点,是近几年来的一个研究热点。
目前对于空战编队的研究多限于两方空战编队进行直接对抗的问题,而在实际情况中,多智能体机群编队可能面临的不一定为这种情况,因此有必要对这种方法的应用范围进行扩大。
发明内容
鉴于上述问题,本发明提供了一种基于遗传算法的无人机群防御部署方法,包括如下步骤,
步骤1:确定敌机编队规模及我方编队规模,并将我方无人机划分为防御机与民用机两种类;
步骤2:规定4种基本四机编队队形:墙型队形、四指队形、截面队形和四机跟随队形,针对每一种基本编队队形对应一个二位二进制编码,采取层级编码方式对无人机编队进行编码;并根据防御性无人机的数量确定编码长度;
步骤3:确定遗传算法适应度函数,同时对每架民用机的总适应度值处理为均衡系数以实现对原先模型的优化;
步骤4:初始化遗传算法种群规模、交叉概率、变异概率、最大迭代步数和染色体长度参数,并随机初始化个体编码序列;
步骤5:根据初始化得到的个体编码序列计算适应度值,并使用轮盘赌选择法,以适应度值的大小作为选择个体的概率对父代个体进行选择;对于经过选择的种群个体两两配对,并随机确定交叉点进行交叉互换;对交叉后的个体以一定的变异概率随机选择变异点进行变异,最终获得子代种群;
步骤6:对获取的子代种群个体进行解码,以父代编队队形为准确定四个子代编队队形的中心点所在位置,并根据每个子代队形对应的基本编队队形中每架飞机的相对位置计算得出每架无人机的位置坐标,根据用于确定防御机序号的编码序列确定出防御机和民用机,完成解码;对解码结果进行适应度值计算,并记录平均适应度值和最优适应度值;
步骤7:重复执行步骤5和6,直到达到最大迭代步数后停止计算;
步骤8:遗传算法运行结束后,对最终获取的最优个体进行解码和计算适应度,获取最终结果。
进一步地,步骤2中所述的层级编码方式具体为把我方无人机以四种基本队形为基本单位,并划分为父队形和子队形;其中,父队形和子队形均为一种基本四机编队队形,并且父队形中的每一架飞机表示一个子队形;
进一步地,步骤3中对于一架指定的民用机、指定的敌机和防御机而言,建立适应度函数公式为,
α=(α1+α2)-1。
其中,α1为我方拦截弹飞行距离与敌方导弹飞行距离之比,α2为导弹***点对我方民用机损伤程度。
本发明建立了一种用于保护我方民用机的最优编队队形,通过减小我方防御机拦截弹的飞行距离相对敌机导弹飞行距离的大小,以及导弹被拦截后产生的***对我方民用机的伤害,确定了不同敌机编队情况下我方无人机的最佳队形,并使用遗传算法加速对最优编队的寻找,从而保证了我方民用机的安全。该方案具有求解精度高,考虑全面等优点。在多智能体控制领域以及国防领域具有广泛的应用前景。
附图说明
图1为本方案的流程示意图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参考图1,本发明提供了一种基于遗传算法的无人机群防御部署方法,包括如下步骤:
步骤1:确定敌机编队规模及我方编队规模,并将我方无人机划分为防御机与民用机两种类;
步骤2:规定4种基本四机编队队形:墙型队形、四指队形、截面队形和四机跟随队形,针对每一种基本编队队形对应一个二位二进制编码,采取层级编码方式对无人机编队进行编码;并根据防御性无人机的数量确定编码长度;层级编码方式具体为把我方无人机以四种基本队形为基本单位,并划分为父队形和子队形;其中,父队形和子队形均为一种基本四机编队队形,并且父队形中的每一架飞机表示一个子队形;
步骤3:确定遗传算法适应度函数,同时对每架民用机的总适应度值处理为均衡系数以实现对原先模型的优化;对于一架指定的民用机、指定的敌机和防御机而言,建立适应度函数公式为,
α=(α1+α2)-1;
其中,α1为我方拦截弹飞行距离与敌方导弹飞行距离之比,α2为导弹***点对我方民用机损伤程度。
步骤4:初始化遗传算法种群规模、交叉概率、变异概率、最大迭代步数和染色体长度参数,并随机初始化个体编码序列;
步骤5:根据初始化得到的个体编码序列计算适应度值,并使用轮盘赌选择法,以适应度值的大小作为选择个体的概率对父代个体进行选择;对于经过选择的种群个体两两配对,并随机确定交叉点进行交叉互换;对交叉后的个体以一定的变异概率随机选择变异点进行变异,最终获得子代种群;
步骤6:对获取的子代种群个体进行解码,以父代编队队形为准确定四个子代编队队形的中心点所在位置,并根据每个子代队形对应的基本编队队形中每架飞机的相对位置计算得出每架无人机的位置坐标,根据用于确定防御机序号的编码序列确定出防御机和民用机,完成解码;对解码结果进行适应度值计算,并记录平均适应度值和最优适应度值;
步骤7:重复执行步骤5和6,直到达到最大迭代步数后停止计算;
步骤8:遗传算法运行结束后,对最终获取的最优个体进行解码和计算适应度,获取最终结果。
实施例1
1.确定我方无人机编队规模为16架飞机,其中防御机为10架,民用机为6架。
2.规定复杂无人机编队队形均由四种基本编队队形组成,并赋予对应的二位二进制编码,四种队形分别为:墙型队形(00)、四指队形(01)、截面队形(10)和四机跟随队形(11)。采用层级编码的方式对16机无人机编队进行编码,即将16架飞机分为父队形和子队形,两种队形均为一种基本四机编队队形。其中父队形中的每一架飞机都代表一个子队形,即父队形表示4个子队形之间的相对位置关系。因此,需要一串10位的二进制编码序列来确定编队中各个无人机的位置坐标,其中前两位为父队形,后8位为子队形。
确定整个编队的队形之后,需要确定部分无人机为防御机,其余为民用机。因此,对16架飞机进行编号。由于二进制码至少需要16位才能表示十进制数字1至16,所以对于每一架防御型无人机需要一串4位二进制编码来表示该防御机对应的序号。本发明中以10架防御机为例,因此需要40位二进制码来确定全体防御机对应的编号,而其余无人机为民用机。
综合以上分析,表示一种防御型无人机编队部署方案需要一串50位的二进制编码序列,其中前10位表示无人机编队队形,后40位表示防御型无人机对应的序号。
3.设计遗传算法的适应度函数。本发明中的适应度函数主要由两部分组成:第一部分为我方拦截弹飞行距离与敌方导弹飞行距离之比,用α1表示;第二部分为导弹***点对我方民用机损伤程度,用α2表示。以上两个值的计算公式分
其中α1表示我方防御机拦截单飞行距离与敌机导弹飞行距离之比,为了提高我方防御机拦截成功率,该指标越小越好;α2为一个关于R1的递减函数,表示随着***点与民用机距离的增加,其对民用机的损伤逐渐减小。显然,两指标均越小越好,而在实际计算过程中取两个指标之和的倒数,从而将求最小值问题转换为求最大值问题。对于一架确定的民用机、一架确定的防御机和一架确定的敌机而言,可以根据上述两公式计算得出该情况下的适应度值。而一架民用机对应的适应度值为所有可以攻击到该民用机的敌机与每一架我方防御机的组合所对应的适应度值之和,表示为公式:整个编队的总适应度值为每架民用机的适应度值之和。
为了将防御力量均衡的分配给每一架民用机,对单架民用机适应度值计算公式进行处理,并将处理后的结果称为均衡系数:
均衡系数表达式f(x)为在[0,+∞)上单调递增的函数,由0逐渐趋向于1。f(x)中的x即为函数自变量,在本发明中表示单架民用机的适应度值;αij表示第j架敌机对第i架民用机的适应度值;q(i)表示可以攻击到第i架民用机的敌机数量。该系数表示,当一架民用机对应的适应度值远超其他民用机时,该系数增加的速度逐渐减缓,对应的该民用机适应度值上升速度也减缓。这使得算法能够趋向于增加其他民用机的适应度值,从而完成对防御力量的均衡。
在实际飞行过程中,考虑到机载导弹向与飞行方向相反的方向发射导弹具有一定的技术难度和风险,本发明限制所有防御机仅保护位于自身前方区域内的民用机。
4.初始化遗传算法种群规模、交叉概率、变异概率、最大迭代步数和染色体长度参数,并随机初始化个体编码序列。
5.根据初始化得到的个体计算适应度值,使用轮盘赌选择法对个体进行选择操作。每个个体在轮盘赌选择中对应的选择概率用下式表示:
αj表示第j个个体的适应度值;n表示个体总数;P表示第j个个体的选择概率。该式表明每个个体对应的被选择概率与该个体对应的适应度值成正比,即适应度值高的个体更有可能被选择到。
根据选择操作获得子代种群后,对子代个体进行两两配对,以交叉概率随机选择可以进行交叉的染色体对,并随机选择交叉点进行交叉。对交叉后的个体,以变异概率选择发生变异的个体,并随机选择变异点。对于要发生变异的位置,如果该位置为0,则变异为1,反之则变异为0。
6.对经过选择、交叉和变异操作后的子代种群中的每个染色体进行解码。解码过程主要依靠父队形和子队形的层级关系,首先根据父队形的分布确定4个子编队中心点的位置坐标。即计算出每一个子队形所对应的基本队形在沿飞行方向所占的距离和垂直于飞行方向所对应的距离,然后从父队形中心点出发,根据各编队的长与宽计算出每个子编队中心点的x和y坐标,按照如下公式:
X′i=Xi±(L+0.5Li)
Y′i=Yi±(W+0.5Wi)
X′i和Y′i分别表示第i个子队形中心点的横坐标和纵坐标;Xi和Yi分别表示第i个子队形对应的父队形局部坐标;Li和Wi分别表示第i个子队形的长度和宽度;L表示第i个子队形对应父队形中的单机与x轴之间的其他单机所对应子队形的长度,W表示第i个子队形对应父队形中的单机与y轴之间的其他单机所对应子队形的宽度。
根据以上公式计算得出每个子编队中心点所在位置,然后根据基本编队队形中每架飞机关于中心点的分布来计算无人机的具体坐标,最终得到整个编队的分布位置数据,从而完成解码。
对解码后得到的位置数据,按照步骤3计算适应度值,获取平均适应度和全局最优适应度,并进行记录。
7.重复执行步骤5和步骤6,直到达到设定的最大迭代步数为止。
8.对得出的最优个体编码序列进行解码和适应度值的计算,获得优化编队。
上面对本发明的实施方式做了简要说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (1)
1.一种基于遗传算法的无人机群防御部署方法,其特征在于,包括如下步骤:
步骤1:根据多种不同敌机编队的作战背景,确定敌机编队规模及我方编队规模,并将我方无人机划分为防御机与民用机两种类;
步骤2:规定4种基本四机编队队形:墙型队形、四指队形、截面队形和四机跟随队形,针对每一种基本编队队形对应一个二位二进制编码,采取层级编码方式对我方无人机编队进行编码;并根据防御性无人机的数量确定编码长度;
步骤3:确定遗传算法适应度函数,同时对每架民用机的总适应度值处理为均衡系数以实现对原先模型的优化;
步骤4:初始化遗传算法种群规模、交叉概率、变异概率、最大迭代步数和染色体长度参数,并随机初始化个体编码序列;
步骤5:根据初始化得到的个体编码序列计算适应度值,并使用轮盘赌选择法,以适应度值的大小作为选择个体的概率对父代个体进行选择;对于经过选择的种群个体两两配对,并随机确定交叉点进行交叉互换;对交叉后的个体以变异概率随机选择变异点进行变异,最终获得子代种群;
步骤6:对获取的子代种群个体进行解码,以父代编队队形为准确定四个子代编队队形的中心点所在位置,并根据每个子代队形对应的基本编队队形中每架飞机的相对位置计算得出每架无人机的位置坐标,根据用于确定防御机序号的编码序列确定出防御机和民用机,完成解码;对解码结果进行适应度值计算,并记录平均适应度值和最优适应度值;
步骤7:重复执行步骤5和6,直到达到最大迭代步数后停止计算;
步骤8:遗传算法计算结束后,对最终获取的最优个体进行解码和计算适应度,获取最终结果;步骤2中所述的层级编码方式具体为把我方无人机以四种基本队形为基本单位,并划分为父队形和子队形;其中,父队形和子队形均为一种基本四机编队队形,并且父队形中的每一架飞机表示一个子队形;步骤3中对于一架指定的民用机、指定的敌机和防御机而言,建立适应度函数公式为,
α=(α1+α2)-1
其中,α1为我方拦截弹飞行距离与敌方导弹飞行距离之比,α2为导弹***点对我方民用机损伤程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910558714.7A CN110377048B (zh) | 2019-06-26 | 2019-06-26 | 一种基于遗传算法的无人机群防御部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910558714.7A CN110377048B (zh) | 2019-06-26 | 2019-06-26 | 一种基于遗传算法的无人机群防御部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110377048A CN110377048A (zh) | 2019-10-25 |
CN110377048B true CN110377048B (zh) | 2023-02-03 |
Family
ID=68249502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910558714.7A Active CN110377048B (zh) | 2019-06-26 | 2019-06-26 | 一种基于遗传算法的无人机群防御部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110377048B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553777B (zh) * | 2021-09-18 | 2021-11-30 | 中国人民解放军国防科技大学 | 反无人机蜂群的防空部署方法、装置、设备和介质 |
CN114721435B (zh) * | 2022-02-16 | 2024-06-28 | 鹏城实验室 | 一种基于软约束的针对无人机群的防御方法及相关设备 |
CN115933753A (zh) * | 2023-03-09 | 2023-04-07 | 北京卓翼智能科技有限公司 | 无人机集群编队变换方法、装置、***和存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286071B (zh) * | 2008-04-24 | 2010-11-10 | 北京航空航天大学 | 基于微粒群优化和遗传算法的多无人机三维编队重构方法 |
CN104166874A (zh) * | 2013-05-06 | 2014-11-26 | 北京理工大学 | 一种基于遗传算法的目标选择规划方法 |
CN104063541B (zh) * | 2014-06-18 | 2017-12-01 | 南京邮电大学 | 基于分层决策机制的多机器人协作方法 |
CN105739304B (zh) * | 2016-01-28 | 2018-09-25 | 北京理工大学 | 一种基于对立思想改进遗传算法的多ucav在线打击目标分配方法 |
CN107168366B (zh) * | 2017-06-05 | 2020-07-07 | 合肥工业大学 | 无人机编队自适应信息分发处理方法 |
CN107247461B (zh) * | 2017-06-05 | 2020-07-07 | 合肥工业大学 | 考虑突发干扰的无人-有人机编队信息分发处理方法 |
CN107609648B (zh) * | 2017-07-21 | 2021-02-12 | 哈尔滨工程大学 | 一种结合堆叠降噪稀疏自动编码器的遗传算法 |
-
2019
- 2019-06-26 CN CN201910558714.7A patent/CN110377048B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110377048A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110377048B (zh) | 一种基于遗传算法的无人机群防御部署方法 | |
CN111240353B (zh) | 基于遗传模糊树的无人机协同空战决策方法 | |
Allaire et al. | FPGA implementation of genetic algorithm for UAV real-time path planning | |
CN107883947B (zh) | 基于卷积神经网络的星敏感器星图识别方法 | |
CN113009934A (zh) | 一种基于改进粒子群算法的多无人机任务动态分配方法 | |
CN111240211B (zh) | 一种无人机群动态回收方法 | |
Ming et al. | Improved discrete mapping differential evolution for multi-unmanned aerial vehicles cooperative multi-targets assignment under unified model | |
CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN110442143B (zh) | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 | |
CN109597839B (zh) | 一种基于航电作战态势的数据挖掘方法 | |
CN113625569B (zh) | 一种基于混合决策模型的小型无人机防控决策方法及*** | |
CN113190041B (zh) | 一种基于约束松弛技术的无人机集群在线目标分配方法 | |
CN112883651B (zh) | 基于改进pbi方法的***级测试性设计多目标优化方法 | |
CN116128095B (zh) | 一种地空无人平台作战效能评估方法 | |
CN111121784A (zh) | 一种无人侦察机航路规划方法 | |
CN114897215A (zh) | 基于无监督学习离散鸽群优化多无人机侦察任务分配方法 | |
CN110986960A (zh) | 一种基于改进聚类算法的无人机航迹规划方法 | |
CN111381605A (zh) | 一种应用于多无人机大范围海域水下多目标协同搜索方法 | |
CN116400737B (zh) | 一种基于蚁群算法的安全路径规划*** | |
CN116088586B (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
CN107941210A (zh) | 一种结合神经网络技术及三角形算法的星图识别方法 | |
CN116560408A (zh) | 一种用于无人机时间最优轨迹的序列凸优化方法及*** | |
CN115186378A (zh) | 一种空战模拟环境中的战术控制距离实时解算方法 | |
CN115422776A (zh) | 一种多基异构无人集群多波次统一协同任务分配方法和*** | |
CN112698666B (zh) | 一种基于气象栅格的飞行器航路优化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |