蚁群智能算法

• (2)建立可行节点空间 选取障碍圆心之间的连线的中点和障碍圆 心到地图边界连线的中点为可行节点。 检验可行节点的合法性：
得到：
• 代价函数
e ij min( d rk )
k ij
2 、初始航迹规划
• 当障碍空问建模完成之后 ， 就可以利用寻 优算法，搜索累计代价函数值最小的最优 航迹。针 对地 形 回避 问题 的特 殊 情 况 ， 对狄 克斯 特 拉算 法进 行 改进 ， 加 入 航 路 最 短 距 离 s 和最大转 弯角 两个约 束条件 ， 保证规划 出的航路能够满足飞机 飞行 条件 。
究对地形障碍进行分类和建模，然后依据 飞机地形回避的实际约束要求，对飞机地 形回避系统进行初始航路规划，然后在保 证飞行安全的基础上，运用蚁群智能算法 对航路进行优化，寻找到整体航程最短的 航路。
1、障碍空间建模
• （1）地形障碍建模 • 采用k均值聚类分析算法，对采样点集进行 分类 • k均值聚类分析算法的基本思想 • 建模
狄克斯特拉算法
• 1、算法依据：若从S点到T点有一条最短的 路径，则该路径上的任何点到S的距离都是 最短的。
• 2、算法步骤 • 把顶点集合V分成两组： （1）S：已求出的顶点的集合（初始时只含 有源点V0） （2）V-S=T：尚未确定的顶点集合 • 将T中顶点按递增的次序加入到S中，保证 （1）从源点V0到S中其他各顶点的长度都不 大于从V0到T中任何顶点的最短路径长度 （2）每个顶点对应一个距离值
其中：
其中：
4、实例仿真
3 基于蚁群智能算法的航迹优化
蚂蚁的个体行为非常简单 ，但是整个群 体却呈现出高度结构化 的群 体组织。受此 启发而产生的蚁群智能算法是 当今分布式 人工智能 的一个热点研究领域 。因此对运 用蚁群算法对飞行航迹 的优化进行研究 。
（1）
（1）解的表示
（2）节点的选择
(3)信息素更新 当蚂蚁完成一次搜索后 ， 应对所经过 的路径节点的信息素进行更新，为后面的 蚁群提供路径信息指导。信息素的更新主 要分为实 时信息素更新和路径信息素更新 两方面 。 实时信息素更新是指蚂蚁 在经 过某节 点后应对节点的信息素进行相应 的更新， 更新的方法为
• 用公式表示： 令d（x，y）表示点x到y的距离，D（x） 表示x到起始点的距离。 对起始点S做标记，且对所有起始点D（x） 为无穷大。对所有为做标记的点按以下公 式计算距离 D(x)=min(D(X)， d(x,y)+D(y))
航迹优化
• 飞机地形跟随飞行过程中由于飞行航路 方向固定、飞越山顶时存在暴露时间，易 被敌方发现和跟踪。地形回避 是在保持飞 机飞行高度不变的基础上，通过飞机横向 机动来绕过地形障碍的一种超低空飞行技 术。它可以在保证飞行安全的前提下，进 一步改善飞机的飞行隐蔽性，提高飞机执 行低空突防任务的成功率。 • 现主要对飞机地形回避的航迹规划进行研
一种基于蚁群智能算法的 航迹优化算法
主要是两种算法Leabharlann • 1、蚁群算法 • 2、狄克斯特拉算法
蚁群算法
• 又称蚂蚁算法，是一种用来在图中寻找优 化路径的机率型算法。它由Marco Dorigo 于1992年提出的，其灵感来源于蚂蚁在寻 找食物过程中发现路径的行为。蚁群算法 是一种模拟进化算法，初步的研究表明该 算法具有许多优良的性质。