一种基于UAV协同航迹规划方法
无人机多阶段航迹预测协同任务规划
Ｏ 引 言
多 无 人 机 （ｕｎｍａｎｎｅｄ ａｅｒｉａｌ ｖｅｈｉｃｌｅｓ，ＵＡＶｓ） 协 同 自主 控 制 中 ，航 迹 规 划 与 任 务 分 配 ，一 般 作 为 任 务 规 划 的 两个 独立 的 层 次 开 展 研 究 。在 公 开 文 献 中 ，学 者 们 先 后 提 出 了 最 优 控 制 法 、图 论 法 、人 工 势 场 法 和 人 工 智 能 等 多种 航 迹 规 划 方 法 ［ 。 为满 足 飞 行 约 束 ，航 迹 规 划 进 一 步 与 航 迹 平 滑 的组 合 用 于 生 成 可 飞 行 航 迹 【 。
无 人 机 多 阶 段 航 迹 预 测 协 同任 务 规 划
齐 骥 ， 王 宇鹏 ，钟 志。
（１．哈尔 滨 工 程 大 学 自动 化 学 院 ， 哈尔 滨 １５０００１；２．哈 尔 滨 工 程 大 学 信 息 与通 信 工 程学 院 ，哈 尔 滨 １５０００１）
摘 要 ：针 对 多 无 人 机 （Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅｓ，ＵＡＶｓ） 协 同控 制 问题 ， 提 出 了一 种 ｕＡＶｓ多 阶 段 航 迹 预 测 分 布 式 任 务 规 划 方 法 ； 定 义 从 一 次 任 务 分 配 开 始 到 其 中一 项 任 务 完 成 为 一 个 任 务 周 期 ；在 每 个 规 划 周 期 ， 首 先 ， 各 ｕＡＶ 使 用 Ａ ＊算 法 快 速 预 测 到 所 有 任 务 目 标 的 路 径 ，提 供 至 任 务 分 配 ；然 后 ，采 用 聚 类 算 法 修 改 目标 价 值 向量 ，协 商 分 配 结 果 ，并 实 时 计 算 探 测 范 围 内 的最 短 路 径 ；最 后 ，采 用 三 次 Ｂ样 条 曲 线 平 滑所 分 配 的 最 短 路 径 ，在 线 规 划 出 满 足 飞 行 约 束 的 飞行 航 迹 ；通 过 仿 真 实 验 对 算 法 的有 效 性 进 行 了 验 证 ， 结 果 表 明 ， 提 出 的 算 法 能 够 实 时 获 得 近 似 最 优 的 任 务 分 配 结 果 并 规 划 出可 飞 行 航 迹 ，并 有 效 处 理 突 发 任 务 。
基于改进遗传算法的UAV航迹规划
基于改进遗传算法的UAV航迹规划
鲁艺;吕跃;罗燕;张亮;赵志强;唐隆
【期刊名称】《电光与控制》
【年(卷),期】2012(019)001
【摘要】针对实际作战环境中的UAV航迹规划,提出一种基于改进遗传算法的UAV航迹规划方法；通过骨架化算法生成规划搜索空间,对规划搜索空间中的信息进行提取,求解出规划搜索空间中航迹点的杀伤概率；根据规划搜索空间中的信息,采用特殊的基因编码方式,使用遗传算法为UAV找到K条备选航迹,提高了航迹规划效率；根据设定的航迹选取原则,求出最优航迹并对其按不同步长进行平滑处理,最终得到满足UAV机动性要求的可飞航迹.
【总页数】5页(P29-33)
【作者】鲁艺;吕跃;罗燕;张亮;赵志强;唐隆
【作者单位】空军工程大学工程学院,西安 710038;空军工程大学工程学院,西安710038;空军工程大学工程学院,西安 710038;空军工程大学工程学院,西安710038;中国人民解放军95183部队,湖南邵阳 422000;中国人民解放军95183部队,湖南邵阳 422000;空军工程大学工程学院,西安 710038
【正文语种】中文
【中图分类】V271.4
【相关文献】
1.区域目标搜索中基于改进RRT的UAV实时航迹规划 [J], 彭辉;王林;沈林成
2.基于遗传算法的UAV自适应航迹规划 [J], 王琪;马璐;邓会亨
3.基于改进RRT算法的UAV航迹规划与优化研究 [J], 高晓燕; 韩庆田
4.基于改进粒子群算法的UAV航迹规划方法 [J], 熊华捷; 蔚保国; 何成龙
5.改进强化学习算法的UAV室内三维航迹规划 [J], 张俊;朱庆伟;严俊杰;温波因版权原因，仅展示原文概要，查看原文内容请购买。
《2024年基于协同机制的多无人机任务规划研究》范文
《基于协同机制的多无人机任务规划研究》篇一一、引言随着科技的快速发展，无人机（Unmanned Aerial Vehicle，UAV）已经成为军事和民用领域的重要工具。
特别是在复杂的任务执行中，多无人机系统的协同作业显示出其独特的优势。
为了更有效地利用多无人机资源，提升任务执行效率，基于协同机制的多无人机任务规划研究显得尤为重要。
本文将详细探讨多无人机任务规划的基本理论、关键技术及其应用，以展示其重要的实践价值。
二、多无人机任务规划基本理论多无人机任务规划是利用各种技术手段，为多个无人机分配任务和路径，以达到最佳的任务执行效果。
该领域的研究主要涉及以下几个方面：1. 任务需求分析：对任务的性质、目标、限制等进行全面分析，为后续的规划提供依据。
2. 无人机能力评估：对每个无人机的性能、载荷、续航能力等进行评估，为任务分配提供依据。
3. 协同机制设计：设计合理的协同机制，使多个无人机能够协同完成任务。
三、关键技术研究在多无人机任务规划中，协同机制是关键技术之一。
协同机制主要包括以下几个方面：1. 通信与信息共享：通过无线通信技术实现无人机之间的信息共享，保证任务的顺利进行。
2. 决策与控制：根据实时信息，对无人机的行动进行决策和控制，以实现协同作业。
3. 任务分配与优化：根据无人机的能力和任务的性质，合理分配任务，并优化路径，以提高任务执行效率。
四、应用研究多无人机任务规划在军事和民用领域都有广泛的应用。
在军事领域，多无人机系统可以执行侦察、打击、防御等任务；在民用领域，多无人机系统可以应用于农业、环保、物流等领域。
其中，基于协同机制的多无人机任务规划在这些领域发挥着重要的作用。
例如，在农业领域，可以通过多无人机协同进行作物监测和施肥，提高农业生产效率。
在环保领域，可以利用多无人机协同进行大气质量监测和垃圾清理等任务。
五、研究现状与展望目前，多无人机任务规划已经取得了显著的成果。
然而，仍存在一些挑战和问题需要解决。
基于改进ACO算法的多UAV协同航路规划
基于改进ACO算法的多UAV协同航路规划张耀中;李寄玮;胡波;张建东【期刊名称】《火力与指挥控制》【年(卷),期】2017(042)005【摘要】针对无人机(Unmanned Aerial Vehicle,UAV)在执行任务过程中遇到的诸如敌方防空火力、地形障碍及恶略天气等各类威胁源,采用威胁源概率分布的方法进行威胁的量化处理,构建任务空间的威胁概率密度分布图,有效消除了威胁源的差异性.根据UAV在任务飞行过程中的性能约束与时、空协同约束,同时考虑任务过程中UAV的损毁概率最小、任务航程最短,构建了相应的综合任务航路代价最优化目标函数.结合传统蚁群优化算法(AntColony Optimization,ACO)在解决此类问题中的不足,给出了相应的改进策略,提出采用协同多种群ACO进化策略来实现多UAV在满足时、空协同约束下的协同航路规划.通过相应的仿真计算表明,改进后的ACO协同多种群进化策略算法更适用于多UAV协同任务航路规划问题,具有一定的实用性.从而为多UAV协同任务航路规划问题的求解提供了科学的决策依据.【总页数】7页(P139-145)【作者】张耀中;李寄玮;胡波;张建东【作者单位】西北工业大学电子信息学院,西安710129;西北工业大学电子信息学院,西安710129;西北工业大学电子信息学院,西安710129;西北工业大学电子信息学院,西安710129【正文语种】中文【中图分类】TP391【相关文献】1.基于改进遗传算法的协同航路规划研究 [J], 程春华2.基于改进ACO算法的飞行器航路规划 [J], 蒙少青;罗岱3.基于改进 ACO 算法的无人作战飞机航路规划设计 [J], 庄夏;戴敏;贺元骅4.基于改进遗传算法的无人机协同航路规划 [J], 李柠;万顷浪;刘福;张殿富5.基于改进遗传算法的多弹协同攻击航路规划 [J], 杨咪; 张安; 毕文豪; 王嘉隆因版权原因，仅展示原文概要，查看原文内容请购买。
基于遗传算法优化的压制干扰协同UCAV航迹规划
（ 空 军工程 大学航 空航 天工程学院 陕西 西安 ７ １ ０ ０ ３ ８ ）
摘 要
压制 干扰 和多机协 同是常用 的行之 有效 的战术 。对 电子干扰机 协 同多无人攻 击机 （ Ｕ Ｃ Ａ Ｖ） 突防航 迹规划 问题进 行研
究， 建立压制 干扰下雷达 的数 学模 型 ， 介绍 协同作战和 时序协 同的规划方法。在 无干扰条件 下航迹规 划求解方 法的基础上 ， 对决策
航迹 规划 协 同作战 遗传 算法
Ａ Ｄ Ｏ Ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ０ — ３ ８ ６ ｘ ． ２ ０ １ ３ ． １ １ ． ０ ６ ８
文 献标 识 码
ｏ ＰＰＲＥＳ ＳＩ ＶＥ Ｉ ＮＴＥＲＦＥＲＥＮＣＥ Ｃｏ ｏＲＤＩ ＮＡＴⅣ Ｅ ＵＣＡＶ ＰＡＴＨ ＰＬＡＮＮＩ ＮＧ ＢＡＳ ＥＤ ｏＮ ＧＥＮＥＴＩ Ｃ ＡＬＧｏＩ ＵＴＨＭ ｏＰＴＩ ＭＩ ＺＡＴＩ ｏＮ
ｕ ｎ ｄ ｅ ｒ ｔ ｈ ｅ ｏ ｐ ｐ ｒ ｅ ｓ ｓ ｉ ｖ ｅ ｉ ｎ ｔ ｅ ｆｅ ｒ ｒ ｅ ｎ ｃ ｅ ｉ ｓ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｅ ｄ，ａ ｎｄ ｔ ｈ ｅ ｐ ｌ ｎｎ ａ ｉ ｎ ｇ ｍｅ ｔ ｈ ｏ ｄ ｓ ｏ ｆ ｃ ｏ ｏ ｒ ｄ ｉ ｎ ａ ｔ ｉ ｎ ｇ ｃ ｏ ｍｂ ａ ｔ ｎｄ ａ ｔ ｉ ｍｅ － ｌ ｉ ｓ ｔ ｃ ｏ ｏ ｐ ｅ ｒ ａ ｔ ｉ ｏ ｎ ａ ｒ ｅ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ．
Ｌ ｉ Ｓ ｈ ｉ ｘ ｉ ａ ｏ Ｚ ｈ ｕ Ｆ ａ ｎ Ｚ ｈ ａ ｎ ｇ Ｊ ｉ ａ ｎ Ｌ ｉ ｕ Ｊ ｉ ｅ
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆＡ ｅ ｒ ｏ ｎ ａ ｕ ｔ ｉ ｃ ｓ ａ ｎ ｄ Ａ ｓ ｔ ｒ ｏ ａｕ ｎ ｔ ｉ ｃ ｓ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ， Ａ 打Ｆ ｏ ｒ ｃ ｅ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｘｉ ’ ａ ｉ ｒ ７ １ ０ ０ ３ ８， Ｓ ｈ ａ ａ ｎ ｘ ｉ ， Ｃ ｈ ｉ ｎ ａ ）
基于多准则交互膜进化算法的UAV 三维航迹规划
（空军工程大学信息与导航学院，陕西 西安 ７１００７７）
摘 要 ：针 对 智 能 优 化 算 法 在 无 人 机 （ｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅ，ＵＡＶ）三 维 航 迹 优 化 中 搜 索 复 杂 度 较 高 、容 易 陷入局部最优的问题，提出一种基于嵌套式细胞 膜 结 构 的 多 准 则 交 互 式 多 目 标 进 化 算 法。 以 建 立 的 多 目 标 航 迹 评价模型来克服航迹评价加权求和的不足；同时在应用降维离散缩减寻优空间 的 基 础 上，采 用 萤 火 虫 算 法 和 人 工 蜂群算法作为不同膜内优化准则，利用膜系统计算的并行性和膜内信息交互优 势 提 高 算 法 性 能；并 对 膜 内 进 化 规 则进行非支配排序、搜索加权等改进，实现了 ＵＡＶ 三维多目标航迹寻优。仿真实验表明，所提方法在有无威 胁 两 种 环 境 下 均 能 快 速 搜 索 到 不 同 侧 重 目 标 的 相 对 最 优 航 迹 ，证 明 了 该 方 法 的 有 效 性 。
关 键 词 ：无 人 机 航 迹 规 划 ；膜 系 统 ；多 目 标 优 化 ；萤 火 虫 算 法 ；人 工 蜂 群 算 法 中 图 分 类 号 ：Ｖ２４９ 文 献 标 志 码 ：Ａ 犇犗犐：１０．３９６９／ｊ．ｉｓｓｎ．１００１５０６Ｘ．２０２１．０１．１７
犜犺狉犲犲犱犻犿犲狀狊犻狅狀犪犾狉狅狌狋犲狆犾犪狀狀犻狀犵狅犳犝犃犞犫犪狊犲犱狅狀狋犺犲犿狌犾狋犻犮狉犻狋犲狉犻狅狀 犻狀狋犲狉犪犮狋犻狏犲犿犲犿犫狉犪狀犲犲狏狅犾狌狋犻狅狀犪狉狔犪犾犵狅狉犻狋犺犿
ＬＡＩＬｅｉ，ＷＵ Ｄｅｗｅｉ，ＺＯＵ Ｋｕｎ，ＨＡＮ Ｋｕｎ，ＬＩＨａｉｌｉｎ
（犐狀犳狅狉犿犪狋犻狅狀犪狀犱 犖犪狏犻犵犪狋犻狅狀犆狅犾犾犲犵犲，犃犻狉犉狅狉犮犲犈狀犵犻狀犲犲狉犻狀犵犝狀犻狏犲狉狊犻狋狔，犡犻’犪狀７１００７７，犆犺犻狀犪）
势场理论的多无人机协同路径规划方法
势场理论的多无人机协同路径规划方法伴随着技术的进步，无人机已经成为现代环境下不可或缺的重要手段。
它能够替代人工操作的劳动，从而提高工作效率，且能够方便的进行监控和物流运输，极大地丰富了现代社会的生产力和生活方式。
多无人机(Multi-UAVs)协同技术是无人机的一个重要分支，它可以使多个无人机有效协同工作，从而显著提升无人机的执行效率。
势场理论是一种重要的多无人机协同技术，它可以有效地解决多无人机在环境约束条件下协同任务的路径规划问题。
它利用优化算法，生成多个无人机的优化路径，从而极大地提高了无人机的执行效率。
势场理论的路径规划方法首先分析无人机的工作状态，根据当前状态生成目标状态，然后对目标状态进行优化，最终得到多种优化路径，使其有效地完成约束条件下的任务。
势场理论的路径规划方法有两个主要组成部分，即路径搜索和路径规划。
首先，根据当前工作状态，利用路径搜索算法，搜索出一系列路径，从而搜索出最短路径和最省资源路径。
然后，使用路径规划算法，在路径搜索的基础上，构建势场模型，从而产生多种优化路径，给出优化结果。
优化结果可以作为多个无人机的最优执行路径，使其有效地按照规划的路径运行，从而有效地完成任务。
此外，势场理论的路径规划方法还可以有效地解决多无人机协同技术存在的问题，例如，碰撞检测、动态障碍预警、环境约束等问题。
它可以将这些问题以势场模型的形式进行建模，运用模型解决具体问题。
例如，碰撞检测可以将每个无人机定义成一个不受影响的范围，通过势场分析技术对不同无人机间的势场进行监测，以确保安全。
动态障碍预警可以在路径规划的过程中，根据动态障碍的变化情况，及时调整无人机的路径，从而避免危险。
总之，势场理论的多无人机协同路径规划方法是一种重要的无人机技术，它可以有效地解决多无人机协同任务路径规划及其存在的约束问题，极大地提高了无人机的执行效率，从而丰富现代社会的生产力和生活方式。
多约束复杂环境下UAV航迹规划策略自学习方法
第47卷第5期Vol.47No.5计算机工程Computer Engineering2021年5月May2021多约束复杂环境下UAV航迹规划策略自学习方法邱月，郑柏通，蔡超（华中科技大学人工智能与自动化学院多谱信息处理技术国家级重点实验室，武汉430074）摘要：在多约束复杂环境下，多数无人飞行器(UAV)航迹规划方法无法从历史经验中获得先验知识，导致对多变的环境适应性较差。
提出一种基于深度强化学习的航迹规划策略自学习方法，利用飞行约束条件设计UAV的状态及动作模式，从搜索宽度和深度2个方面降低航迹规划搜索规模，基于航迹优化目标设计奖惩函数，利用由卷积神经网络引导的蒙特卡洛树搜索(MCTS)算法学习得到航迹规划策略。
仿真结果表明，该方法自学习得到的航迹规划策略具有泛化能力，相对未迭代训练的网络，该策略仅需17%的NN-MCTS仿真次数就可引导UAV在未知飞行环境中满足约束条件并安全无碰撞地到达目的地。
关键词：深度强化学习；蒙特卡洛树搜索；航迹规划策略；策略自学习；多约束；复杂环境开放科学（资源服务）标志码（OSID）：中文引用格式：邱月，郑柏通，蔡超.多约束复杂环境下UAV航迹规划策略自学习方法［J］.计算机工程，2021，47（5）：44-51.英文引用格式：QIU Yue，ZHENG Baitong，CAI Chao.Self-learning method of UAV track planning strategy in complex environment with multiple constraints［J］.Computer Engineering，2021，47（5）：44-51.Self-Learning Method of UAV Track Planning Strategy inComplex Environment with Multiple ConstraintsQIU Yue，ZHENG Baitong，CAI Chao（National Key Laboratory for Multi-Spectral Information Processing Technologies，School of Artificial Intelligence and Automation，Huazhong University of Science and Technology，Wuhan430074，China）【Abstract】In a complex multi-constrained environment，the Unmanned Aerial Vehicle（UAV）track planning methods generally fail to obtain priori knowledge from historical experience，resulting in poor adaptability to a variable environment.To address the problem，this paper proposes a self-learning method for track planning strategy based on deep reinforcement learning.Based on the UAV flight constraints，the design of the UAV state and action modes is optimized to reduce the width and depth of track planning search.The reward and punishment function is designed based on the track optimization objective.Then，a Monte Carlo Tree Search（MCTS）algorithm guided by a convolutional neural network is used to learn the track planning strategy.Simulation results show that the track planning strategy obtained by the proposed self-learning method has generalization pared with the networks without iterative training，the strategy obtained by this method requires only17%of the number of NN-MCTS simulation times to guide the UAV to reach the destination safely without collision and satisfy the constraints in an unknown environment.【Key words】deep reinforcement learning；Monte Carlo Tree Search（MCTS）；track planning strategy；strategy self-learning；multiple constraints；complex environmentDOI：10.19678/j.issn.1000-3428.00574920概述战场环境中的无人飞行器（Unmanned Aerial Vehicle，UAV）航迹规划任务需要考虑多方面的因素，如无人飞行器的性能、地形、威胁、导航与制导方法等，其目的是在低风险情况下以更低的能耗得到最优航迹。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
对一个解存在着任务分配与航迹飞行两个方面的约 束"描述如下%
#&$最大执行能力(对于第#个 3<8"在它的飞行航 迹上所执行的任务消耗量的总和不超过飞行器可使用的能 量(设$%&# 的最大执行能力为*# "在粒子中的对应航迹
-
) "# 上总的执行消耗为+#"#$"+#"#$, /#".0#". (此约 .,&
为了最终能进化出兼顾任务分配和航迹规划两方面优 化目标的解"算法对种群进行了分类处理(初始时生成大 小为" 的种群"对种群中的个体进行评价"按评价的结果" 把粒子分为不可飞#违反约束#$$#)$其中之一$集合与可 飞#满足约束#$$#)$$集合(从两个集中根据评价原则分 别选取E #$" $个个体形成下一代(在进化循环中"将分 别对两个集合中选取出的E 个个体施用变异操作"对新产 生的个体再进行评价和分类"与其父代混合后"用同样的方 法选择出存活到下一代的粒子(
&#'
%"&'
"' 0
&"!(
图&!解的编码
图'!一条飞行航迹
!!每个节点包含空间三维坐标#'"(")$"其中第一个为 航迹起始点"它始终为飞机的起飞点坐标(最后一个为航 迹终点"它始 终 为 飞 机 所 执 行 的 最 后 一 个 任 务 点 的 坐 标( 其余为中间结点(一条航迹由两类结点组成"一类为单纯 的航迹结点"另一类其实是分配给该 3<8 的任务所在点 的坐标#除高度坐标$"若一个 3<8 没有被分配任何任务" 则其航迹中只包含有该 3<8 的起飞点(由此"这样的一 个粒子编码方案所代表的一个解"就同时包含了一个任务 分配方案和每个飞行器的飞行航迹这两方面的信息(
该问题可以分解为任务分配和航迹规划两个部分%前 者属于分配优化问题"它的一般形式被定义为+把一组项指 派给另一组项,(由于它是一个 "+%IAKF问题-&."所以常使 用启发式的方法解决-'.(后者的关注点在于在特定的约束 条件下"以最优或近优的性能"在空间中生成一条从起始位 置到目标点的航迹-$(.(对这两个子问题中的任何一个分 别单独地进行优化求解"都不能很好地保证使原问题在任 务分配和航迹规划这两个方面同时达到均衡的优化(如单 纯考虑对分配问题进行优化"很可能对较优的任务分配方
有利的飞行器,&第一项表示任务的平均完成时间"它和第
三项一起表示+在尽可能短的时间内访问尽可能多 的 任
务,(
!
)0#"#$
一个 解 的 飞 行 代 价 定 义 为%2;<(
,
#,&
!
:
HAU10#"#$2"兼顾了整体代价最小#第一项$和个体代价
&$#$!
最小#第二项$这两个优化目标(其中单个飞行器$%&# 的
!!"#$%&'()!*+ !,--"&../%&$.0
!!!!计算机工程与科学
!12+3*454"6,"445,"6 7-!,4"!4
'.&.年第$'卷第&.期! !89:;$'""9;&."'.&.!
""""""""""""""""""""""""""""""""""""""""""""""
文章编号&../%&$.0#'.&.$&.%.&#'%.$
评价原则描述如下%任务分配可行的解优于任务分配
不可行的解(在任务分配不可行的那些解中"违反分配约
束少的解优于违反分配约束多的解(在任务分配可行的那
&#$
些解中"可执 行 #可 飞 $的 解 优 于 不 可 执 行 #不 可 飞 $的 解( 在那些不可飞的解中"违反飞行约束少的解优于违反飞行 约束多的解(在那些可执行的解中"整体代价小的解优于 整体代价大的解(
摘!要本文针对多无人飞行器3<8协同执行任务的应用场景提出了一种综合考虑任务分配和航迹规划因素的
航迹规划算法该算法借鉴微粒群算法+-1的思想采用新的编码方式和优化策略仿真实验验证了算法的有效性
GK@=>0:=%<B@G H@>I9FJ9KH=:>?%3<8L99KF?BA>@K9=>@M:ABB?BC?EMK9M9E@F"L9BE?F@K?BCN9>I>AEOA::9LA>?9BABF
种 群 中 粒 子 的 随 机 生 成 分 成 两 个 阶 段%首 先 为 每 架 3<8 随机地分配任务(这种随机的任务分配必须满足两 个条件%每架 3<8 所分配的任务不超过其执行能力&一个 任务不能同时分配给两架 3<8(在第一阶段的基础上"对 每个 3<8 随机地插入其它中间结点"以此随机生成一条 飞行航迹(对于一个没有被分配任何任务的 3<8 则不对 其插入中间结点(
这样做的好处在于%#&$增大了种群数目"为进化出符 合要求的解提供了更多的可行性(考虑一个在可飞集合中 的个体"在被施用一次任务选择变异算子后很可能形成了 一个在任务分配方面较优但却不可飞的解"若与可飞解在 一起评价"它很可能被丢弃(对种群分类后"使得该解有可 能在不可飞集合中保存下来"为近一步的进化和优化提供 了可能(#'$对于不可飞集合中的个体"不需要计算解的总 体代价"而只需 计 算 其 违 反 约 束 的 量"由 此 减 轻 了 计 算 负 担"提高了算法性能(
关键词多无人飞行器航迹规划微粒群算法
L2C1&>A@%H=:>?%3<8&K9=>@M:ABB?BC&MAK>?L:@EGAKH9M>?H?RA>?9B A&?%&.P$VWV!XP?EEBP&../%&$.0P'.&.P&.P.$W
中图分类号8'/V*+$.&
文献标识码<
!!引言
作为未来战争主力之一"无人飞行器#3BHABB@F<@K?% A:8@I?L:@"简称 3<8$因其机动性强'维护成本低和作战 效费比高等特点"受到各国军方越来越多的重视('..(年 )月"美国国防 部 公 布 了 )'..(%'.$. 年 无 人 机 路 线 图 *"描 述了美国无人机系统的未来发展规划(为了完成协同作战 任务和发挥群体作战优势"多 3<8 协同航迹规划成为研 究的热点(
##$最大拐弯角(它限制了生成的航迹只能在小于或 等于预先确定的最大拐弯角范围内转弯(该约束条件取决 于飞行器的性能和飞行任务(
#($最大爬升!俯冲角(该角度由飞行器自身的机动性 能决定"它限制了结果航迹在垂直平面内上升和下滑的最 大角度(
#W$航迹距离约束(这限制了航迹的长度必须小于或 等于一个预先设置的最大距离(它取决于飞行器所携带的 燃料以及到达目标所允许的飞行时间(
其中"0#. 表示$%&# 在执行AAKC89. 时的任务消耗"! 为飞 行器数量"- 为任务点数目(在一个分配方案中没有被访 问 到 的 任 务 数 量 定 义 为 6=/48>?#@8 " /#". ,
1&"飞行器$%&# 被分配了A3>589. (任务 分 配 的 代 价 函
."其他 数表达了多个优化目标(第二项表示+将任务分配给对其
"37!评价函数
为了兼顾对任务分配和航迹规划两方面的优化"以得
到综合最优的解"定义一个解的总代价为%2 ,2344#567869 : 2;<( (前者是任务分配的代价"后者是飞行航迹代价(分 别描述如下%
!
)9#78#"#$
2 , 344#567869
#,& &
!
:
!-
)) ' #,&
/#".0#".
.,&
:$6=/48>?#@8:#
HAU1 9#78#"#$2
&$#$!
其中"# 表示相应的惩罚系数(每个任务对飞行器的消耗
矩阵定义为%
! !!!!!A& !A' ! 3 A-
&& -0&& 0&' 3 0&- /
&' 0'& 0'' 3 0'-