CN106372766A - 用于电磁干扰环境中的无人机路径规划方法 - Google Patents

用于电磁干扰环境中的无人机路径规划方法 Download PDF

Info

Publication number
CN106372766A
CN106372766A CN201611108228.8A CN201611108228A CN106372766A CN 106372766 A CN106372766 A CN 106372766A CN 201611108228 A CN201611108228 A CN 201611108228A CN 106372766 A CN106372766 A CN 106372766A
Authority
CN
China
Prior art keywords
node
represent
path
iterationses
point
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
Application number
CN201611108228.8A
Other languages
English (en)
Inventor
赵强
杜毅
刘玮
杨蔚
周辉
杨生兰
鲁力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Sichuan Electric Power Co Ltd
Original Assignee
State Grid Sichuan Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Sichuan Electric Power Co Ltd filed Critical State Grid Sichuan Electric Power Co Ltd
Priority to CN201611108228.8A priority Critical patent/CN106372766A/zh
Publication of CN106372766A publication Critical patent/CN106372766A/zh
Pending legal-status Critical Current

Links

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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种能够快速得到全局最优路径的用于电磁干扰环境中的无人机路径规划方法。该无人机路径规划方法以蚁群算法信息素更新为切入点，通过分别对蚁群寻优过程中的全局信息和局部信息素分别更新来提高蚁群算法的全局和搜索能力，提高算法寻找全局最优路径的搜索速度，该用于电磁干扰环境中的无人机路径规划方法可以根据新的作业节点重新快速生成新路径，从而达到对无人机的实时路径规划，经过试验验证，用于电磁干扰环境中的无人机路径规划方法对给定目标点进行解算，出事航迹生成耗时353ms，对航迹点更改新航迹生成用时261ms，快速的航迹搜索与计算可以很好的适用于真实环境中实时无人机巡线路径规划中。适合在无人机技术领域推广应用。

Description

用于电磁干扰环境中的无人机路径规划方法
技术领域
本发明涉及无人机技术领域，尤其是一种用于电磁干扰环境中的无人机路径规划方法。
背景技术
在无人机巡线、测绘等实际无人机作业应用方面，由于工作环境、作业内容变更等要求，需要地面站重新规划无人机的作业路径，因此需要一种快速而又准确的寻优算法。目前航迹规划的诸多算法中，启发式算法快速而又高效的计算能力等到了广大研究者的青睐，其中有Dorigo提出的蚁群算法由于其在解决复杂的组合优化问题中具有良好的动态性及鲁棒性，因此最早被用来解决TSP(Traveling Salesman Problem)并取得了很好的效果。但是传统蚁群算法在算法后期具有早熟的缺点，导致过早收敛于局部最优解，无法得到全局最优路径，且现有的寻优算法搜索速度较慢，无法满足无人机的实时路径规划的要求。
发明内容
本发明所要解决的技术问题是提供一种能够快速得到全局最优路径的用于电磁干扰环境中的无人机路径规划方法。
本发明解决其技术问题所采用的技术方案为：该用于电磁干扰环境中的无人机路径规划方法，包括以下步骤：
S1、收集无人机作业目标点；
S2、设置信息素初始值τij(0)＝h，其中h为常数，设置蚁群规模为M，设定最大迭代次数为N；
S3、将M只蚂蚁随机分配到各个目标点中，并将蚂蚁所分配的目标点添加到各自的禁止清单中；
S4、所有蚂蚁按照状态转移公式选择下一节点，1≤k≤M，状态转移公式如下所述：
其中，表示蚂蚁k在第t次的迭代时从节点i转移到节点j的概率，1≤t≤N，τij(t)表示迭代次数t时节点i到节点j间航迹所包含的信息浓度，τis(t)表示迭代次数t时节点i到节点s间航迹所包含的信息浓度，为蚁群算法中蚂蚁的可到达点，tabuk为禁止清单，记录蚂蚁k所走过的节点及蚂蚁禁止通行的节点，表示尚未搜索节点，Nr代表当前路径节点周遭点集，α代表信息素浓度因子，β代表启发因子，γ表示引导因子端的重要性权重，ηij(t)＝1/dij(t)，dij(t)表示迭代次数t时节点i到节点j的距离，ηis(t)＝1/dis(t)，dis(t)表示迭代次数t时节点i到节点s的距离；
σij(t)表示迭代次数t时节点i到待选节点j的引导因子，即σij(t)＝1/Tj，其中，其中，
TMj＝1/((xj-xMj)2+(yj-yMj)2)1/2，TBj＝1/((xj-xBj)2+(yj-yBj)2)1/2
其中，(xMj,yMj)和(xBj,yBj)分别节点j周围的座山峰及威胁点坐标，KM和KB分别表示其山峰和威胁点个数，TSj代表无人机油量消耗，λM，λB和λS分别表示其所代表威胁代价的权重系数，其总和值等于1；
σis(t)表示迭代次数t时节点i到待选节点s的引导因子，即σis(t)＝1/Ts，其中，其中，
TMs＝1/((xs-xMs)2+(ys-yMs)2)1/2，TBs＝1/((xs-xBs)2+(ys-yBs)2)1/2
其中，(xMs,yMs)和(xBs,yBs)分别节点s周围的座山峰及威胁点坐标，KM和KB分别表示其山峰和威胁点个数，TSs代表无人机油量消耗，λM，λB和λS分别表示其所代表威胁代价的权重系数，其总和值等于1；
S5、当所有蚂蚁均没有找到可达节点时，本次迭代结束，记录所有蚂蚁的本次迭代路径，并对每个蚂蚁所走过的路径进行局部信息素更新；局部信息素更新采用如下规则：
τij(t+1)＝(1-θ)τij(t)+θ(1/N×Lnn)，其中θ为设定的局部蒸发系数，并且0＜θ＜1，而Lnn是随机选择各毗邻点之间的一段距离；
S6、计算所有蚂蚁的本次迭代路径长度，并选择出本次迭代的全局最优路径；
S7、全局信息素更新，全局信息素更新采用如下规则：
τgb(t+1)＝(1-ρ)τ(t)+ρΔτ(5)，其中，ρ是全局信息素衰减参数，0＜ρ＜1，Δτ＝1/Lbest，Lbest表示全局最优路径；
S8、迭代次数加一次，并判断迭代次数是否达到最大迭代次数，若没有达到最大迭代次数，重复步骤S3至S7；若达到最大迭代次数，蚂蚁寻优结束，输出最后得到的全局最优路径。
进一步的是，所述最大迭代次数N＝100。
本发明的有益效果：该用于电磁干扰环境中的无人机路径规划方法以蚁群算法信息素更新为切入点，通过分别对蚁群寻优过程中的全局信息和局部信息素分别更新来提高蚁群算法的全局和搜索能力，提高算法寻找全局最优路径的搜索速度，该用于电磁干扰环境中的无人机路径规划方法可以根据新的作业节点重新快速生成新路径，从而达到对无人机的实时路径规划，经过试验验证，用于电磁干扰环境中的无人机路径规划方法对给定目标点进行解算，出事航迹生成耗时353ms，对航迹点更改新航迹生成用时261ms，快速的航迹搜索与计算可以很好的适用于真实环境中实时无人机巡线路径规划中。
附图说明
图1为基于蚁群算法的两点间无人机路径规划图；
图2为蚁群算法标定航迹点规划与重规划图。
具体实施方式
本发明所述的用于电磁干扰环境中的无人机路径规划方法，包括以下步骤：
该用于电磁干扰环境中的无人机路径规划方法，包括以下步骤：
S1、收集无人机作业目标点；
S2、设置信息素初始值τij(0)＝h，其中h为常数，设置蚁群规模为M，设定最大迭代次数为N；
S3、将M只蚂蚁随机分配到各个目标点中，并将蚂蚁所分配的目标点添加到各自的禁止清单中；
S4、所有蚂蚁按照状态转移公式选择下一节点，1≤k≤M，状态转移公式如下所述：
其中，表示蚂蚁k在第t次的迭代时从节点i转移到节点j的概率，1≤t≤N，τij(t)表示迭代次数t时节点i到节点j间航迹所包含的信息浓度，在蚁群移动过程中，蚂蚁通过可行路径上的信息素总量来确定下一节点搜索方向，τis(t)表示迭代次数t时节点i到节点s间航迹所包含的信息浓度，为蚁群算法中蚂蚁的可到达点，tabuk为禁止清单，记录蚂蚁k所走过的节点及蚂蚁禁止通行的节点，表示尚未搜索节点，Nr代表当前路径节点周遭点集，α代表信息素浓度因子，β代表启发因子，启发因子的作用是指引蚂蚁往目标的方向移动，起到方向指引性的作用；γ表示引导因子端的重要性权重，ηij(t)表示迭代次数t时节点i到节点j的启发函数，ηij(t)＝1/dij(t)，dij(t)表示迭代次数t时节点i到节点j的距离，ηis(t)＝1/dis(t)，ηis(t)表示迭代次数t时节点i到节点s的启发函数，dis(t)表示迭代次数t时节点i到节点s的距离；此外，无人机在整个飞行过程中收到诸多因素的影响，例如飞机燃油损耗程度会大大限制无人机飞行航程，即无人机存在最大航程参数。记最大路径长度为Lmax,因此每一航程段距离li应满足：
引导因子也会考虑条件约束，即当有一个威胁点与某相邻点j的距离小于此类型威胁有效距离时，无须考虑其它威胁节点，使其保证不仅不经过威胁节点有效距离航迹的同时又提高航迹节点选择方向。σij(t)表示迭代次数t时节点i到待选节点j的引导因子，即σij(t)＝1/Tj，其中，其中，
TMj＝1/((xj-xMj)2+(yj-yMj)2)1/2，TBj＝1/((xj-xBj)2+(yj-yBj)2)1/2
其中，(xMj,yMj)和(xBj,yBj)分别节点j周围的座山峰及威胁点坐标，KM和KB分别表示其山峰和威胁点个数，TSj代表无人机油量消耗，λM，λB和λS分别表示其所代表威胁代价的权重系数，其总和值等于1；
σis(t)表示迭代次数t时节点i到待选节点s的引导因子，即σis(t)＝1/Ts，其中，其中，
TMs＝1/((xs-xMs)2+(ys-yMs)2)1/2，TBs＝1/((xs-xBs)2+(ys-yBs)2)1/2
其中，(xMs,yMs)和(xBs,yBs)分别节点s周围的座山峰及威胁点坐标，KM和KB分别表示其山峰和威胁点个数，TSs代表无人机油量消耗，λM，λB和λS分别表示其所代表威胁代价的权重系数，其总和值等于1；
S5、当所有蚂蚁均没有找到可达节点时，本次迭代结束，记录所有蚂蚁的本次迭代路径，当信息素蒸发时，后续蚂蚁追随前面蚂蚁所走道路的可能性变小，因此需要对每个蚂蚁所走过的路径进行局部信息素更新；局部信息素更新采用如下规则：
τij(t+1)＝(1-θ)τij(t)+θ(1/N×Lnn)，其中θ为设定的局部蒸发系数，并且0＜θ＜1，而Lnn是随机选择各毗邻点之间的一段距离；
S6、计算所有蚂蚁的本次迭代路径长度，并选择出本次迭代的全局最优路径；
S7、全局信息素更新，全局信息素更新采用如下规则：
τgb(t+1)＝(1-ρ)τ(t)+ρΔτ(5)，其中，ρ是全局信息素衰减参数，0＜ρ＜1，为了保证全局信息素更新，策略的有效性，将Δτ赋值为全局最优路径的倒数，Δτ＝1/Lbest，Lbest表示全局最优路径；
S8、迭代次数加一次，并判断迭代次数是否达到最大迭代次数，若没有达到最大迭代次数，重复步骤S3至S7；若达到最大迭代次数，蚂蚁寻优结束，输出最后得到的全局最优路径。
该用于电磁干扰环境中的无人机路径规划方法以蚁群算法信息素更新为切入点，通过分别对蚁群寻优过程中的全局信息和局部信息素分别更新来提高蚁群算法的全局和搜索能力，提高算法寻找全局最优路径的搜索速度，该用于电磁干扰环境中的无人机路径规划方法可以根据新的作业节点重新快速生成新路径，从而达到对无人机的实时路径规划，经过试验验证，如图1、图2所示，图1为基于蚁群算法的两点间无人机路径规划图；图2为蚁群算法标定航迹点规划与重规划图；由图可以得知，用于电磁干扰环境中的无人机路径规划方法对给定目标点进行解算，出事航迹生成耗时353ms，对航迹点更改新航迹生成用时261ms，快速的航迹搜索与计算可以很好的适用于真实环境中实时无人机巡线路径规划中。
在上述实施方式中，所述最大迭代次数的选择以能够快速找到全局最优路径为宜，优选的，所述最大迭代次数N＝100。

Claims (2)

1.用于电磁干扰环境中的无人机路径规划方法，其特征在于包括以下步骤：
S1、收集无人机作业目标点；
S2、设置信息素初始值τij(0)＝h，其中h为常数，设置蚁群规模为M，设定最大迭代次数为N；
S3、将M只蚂蚁随机分配到各个目标点中，并将蚂蚁所分配的目标点添加到各自的禁止清单中；
S4、所有蚂蚁按照状态转移公式选择下一节点，1≤k≤M，状态转移公式如下所述：
其中，表示蚂蚁k在第t次的迭代时从节点i转移到节点j的概率，1≤t≤N，τij(t)表示迭代次数t时节点i到节点j间航迹所包含的信息浓度，τis(t)表示迭代次数t时节点i到节点s间航迹所包含的信息浓度，为蚁群算法中蚂蚁的可到达点，tabuk为禁止清单，记录蚂蚁k所走过的节点及蚂蚁禁止通行的节点，表示尚未搜索节点，Nr代表当前路径节点周遭点集，α代表信息素浓度因子，β代表启发因子，γ表示引导因子端的重要性权重，ηij(t)＝1/dij(t)，dij(t)表示迭代次数t时节点i到节点j的距离，ηis(t)＝1/dis(t)，dis(t)表示迭代次数t时节点i到节点s的距离；
σij(t)表示迭代次数t时节点i到待选节点j的引导因子，即σij(t)＝1/Tj，其中，其中，
TMj＝1/((xj-xMj)2+(yj-yMj)2)1/2，TBj＝1/((xj-xBj)2+(yj-yBj)2)1/2
其中，(xMj,yMj)和(xBj,yBj)分别节点j周围的座山峰及威胁点坐标，KM和KB分别表示其山峰和威胁点个数，TSj代表无人机油量消耗，λM，λB和λS分别表示其所代表威胁代价的权重系数，其总和值等于1；
σis(t)表示迭代次数t时节点i到待选节点s的引导因子，即σis(t)＝1/Ts，其中，其中，
TMs＝1/((xs-xMs)2+(ys-yMs)2)1/2，TBs＝1/((xs-xBs)2+(ys-yBs)2)1/2
其中，(xMs,yMs)和(xBs,yBs)分别节点s周围的座山峰及威胁点坐标，KM和KB分别表示其山峰和威胁点个数，TSs代表无人机油量消耗，λM，λB和λS分别表示其所代表威胁代价的权重系数，其总和值等于1；
S5、当所有蚂蚁均没有找到可达节点时，本次迭代结束，记录所有蚂蚁的本次迭代路径，并对每个蚂蚁所走过的路径进行局部信息素更新；局部信息素更新采用如下规则：
τij(t+1)＝(1-θ)τij(t)+θ(1/N×Lnn)，其中θ为设定的局部蒸发系数，并且0＜θ＜1，而Lnn是随机选择各毗邻点之间的一段距离；
S6、计算所有蚂蚁的本次迭代路径长度，并选择出本次迭代的全局最优路径；
S7、全局信息素更新，全局信息素更新采用如下规则：
τgb(t+1)＝(1-ρ)τ(t)+ρΔτ(5)，其中，ρ是全局信息素衰减参数，0＜ρ＜1，Δτ＝1/Lbest，Lbest表示全局最优路径；
S8、迭代次数加一次，并判断迭代次数是否达到最大迭代次数，若没有达到最大迭代次数，重复步骤S3至S7；若达到最大迭代次数，蚂蚁寻优结束，输出最后得到的全局最优路径。
2.如权利要求1所述的用于电磁干扰环境中的无人机路径规划方法，其特征在于：所述最大迭代次数N＝100。
CN201611108228.8A 2016-12-06 2016-12-06 用于电磁干扰环境中的无人机路径规划方法 Pending CN106372766A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611108228.8A CN106372766A (zh) 2016-12-06 2016-12-06 用于电磁干扰环境中的无人机路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611108228.8A CN106372766A (zh) 2016-12-06 2016-12-06 用于电磁干扰环境中的无人机路径规划方法

Publications (1)

Publication Number Publication Date
CN106372766A true CN106372766A (zh) 2017-02-01

Family

ID=57891467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611108228.8A Pending CN106372766A (zh) 2016-12-06 2016-12-06 用于电磁干扰环境中的无人机路径规划方法

Country Status (1)

Country Link
CN (1) CN106372766A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107608364A (zh) * 2017-11-01 2018-01-19 广州供电局有限公司 一种用于数据中心物理设备上下架的智能机器人
CN108318032A (zh) * 2017-12-21 2018-07-24 上海交通大学 一种考虑攻防对抗的无人机航迹智能规划方法
CN110108257A (zh) * 2019-05-20 2019-08-09 苏州中飞遥感技术服务有限公司 一种基于无人机航拍影像和静态规划图相匹配的展示方法
CN110319829A (zh) * 2019-07-08 2019-10-11 河北科技大学 基于自适应多态融合蚁群算法的无人机航迹规划方法
CN110345960A (zh) * 2019-06-13 2019-10-18 福建工程学院 一种规避交通障碍的路线规划智能优化方法
CN111752303A (zh) * 2020-06-15 2020-10-09 中国人民解放军国防科技大学 一种小型无人机中继充电路径规划方法及系统
CN111896001A (zh) * 2020-07-17 2020-11-06 上海电机学院 一种三维蚁群航迹优化方法
CN112462805A (zh) * 2020-11-19 2021-03-09 西安理工大学 基于改进蚁群算法的5g网联无人机航迹规划方法
CN114578845A (zh) * 2021-09-03 2022-06-03 长春工业大学 一种基于改进蚁群算法的无人机航迹规划方法
CN115118724A (zh) * 2022-06-23 2022-09-27 福州大学 基于蚁群算法的多无人机辅助边缘计算系统部署优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王振华等: "基于改进多目标蚁群算法的无人机路径规划", 《计算机应用研究》 *
王绪芝等: "基于蚁群算法的无人机航迹规划及其动态仿真", 《指挥控制与仿真》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107608364A (zh) * 2017-11-01 2018-01-19 广州供电局有限公司 一种用于数据中心物理设备上下架的智能机器人
CN108318032A (zh) * 2017-12-21 2018-07-24 上海交通大学 一种考虑攻防对抗的无人机航迹智能规划方法
CN110108257B (zh) * 2019-05-20 2021-05-14 苏州中飞遥感技术服务有限公司 一种基于无人机航拍影像和静态规划图相匹配的展示方法
CN110108257A (zh) * 2019-05-20 2019-08-09 苏州中飞遥感技术服务有限公司 一种基于无人机航拍影像和静态规划图相匹配的展示方法
CN110345960A (zh) * 2019-06-13 2019-10-18 福建工程学院 一种规避交通障碍的路线规划智能优化方法
CN110345960B (zh) * 2019-06-13 2022-05-13 福建工程学院 一种规避交通障碍的路线规划智能优化方法
CN110319829A (zh) * 2019-07-08 2019-10-11 河北科技大学 基于自适应多态融合蚁群算法的无人机航迹规划方法
CN110319829B (zh) * 2019-07-08 2022-11-18 河北科技大学 基于自适应多态融合蚁群算法的无人机航迹规划方法
CN111752303A (zh) * 2020-06-15 2020-10-09 中国人民解放军国防科技大学 一种小型无人机中继充电路径规划方法及系统
CN111896001A (zh) * 2020-07-17 2020-11-06 上海电机学院 一种三维蚁群航迹优化方法
CN112462805A (zh) * 2020-11-19 2021-03-09 西安理工大学 基于改进蚁群算法的5g网联无人机航迹规划方法
CN114578845A (zh) * 2021-09-03 2022-06-03 长春工业大学 一种基于改进蚁群算法的无人机航迹规划方法
CN114578845B (zh) * 2021-09-03 2024-05-17 长春工业大学 一种基于改进蚁群算法的无人机航迹规划方法
CN115118724A (zh) * 2022-06-23 2022-09-27 福州大学 基于蚁群算法的多无人机辅助边缘计算系统部署优化方法

Similar Documents

Publication Publication Date Title
CN106372766A (zh) 用于电磁干扰环境中的无人机路径规划方法
Duan et al. Max-min adaptive ant colony optimization approach to multi-UAVs coordinated trajectory replanning in dynamic and uncertain environments
CN103744290B (zh) 一种多无人机编队分层目标分配方法
CN112733421B (zh) 一种针对有人无人机协同对地作战的任务规划方法
CN107622327B (zh) 基于文化蚁群搜索机制的多无人机航迹规划方法
CN105700549B (zh) 一种基于序列小生境粒子群算法的无人机多航迹规划方法
CN107544553A (zh) 一种基于混合蚁群算法的无人机航路规划方法
CN111722643B (zh) 仿狼群合作狩猎机制的无人机集群动态任务分配方法
CN102880186B (zh) 基于稀疏a*算法和遗传算法的航迹规划方法
CN103699135B (zh) 无人直升机农药喷洒农田作业区域的航迹自动规划方法
CN106815443B (zh) 面向变化环境的超低空飞行器三维多批多航迹规划方法
CN110058613A (zh) 一种多无人机多蚁群协同搜索目标方法
CN112817330A (zh) 一种多无人机四维航迹协同规划方法及系统
CN107562072A (zh) 一种基于自适应蚁群算法的无人机最优路径规划方法
CN103676944A (zh) 基于Dubins路径和稀疏A*搜索的无人机航迹规划方法
CN106705970A (zh) 一种基于蚁群算法的多无人机协同路径规划方法
Ma et al. Improved ant colony algorithm for global optimal trajectory planning of UAV under complex environment.
CN103267528A (zh) 禁飞区限制下的多无人机协同区域搜索方法
CN105302153A (zh) 异构多无人机协同察打任务的规划方法
CN109357678B (zh) 一种基于异质化鸽群优化算法的多无人机路径规划方法
CN104991895A (zh) 一种基于三维空域网格的低空救援航空器航迹规划方法
CN104808660A (zh) 凹凸混合复杂多边形农田无人机喷洒作业航迹规划方法
CN108664038A (zh) 一种多无人机分布式合同竞拍在线任务规划方法
CN104359473A (zh) 一种动态环境下无人机编队飞行的协同航迹智能规划方法
CN108563239A (zh) 一种基于势场蚁群算法的无人机航迹规划方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170201