CN108762296B - 一种基于蚁群算法的无人机欺骗路线规划方法 - Google Patents

一种基于蚁群算法的无人机欺骗路线规划方法 Download PDF

Info

Publication number
CN108762296B
CN108762296B CN201810438105.3A CN201810438105A CN108762296B CN 108762296 B CN108762296 B CN 108762296B CN 201810438105 A CN201810438105 A CN 201810438105A CN 108762296 B CN108762296 B CN 108762296B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
city
area
ant colony
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.)
Expired - Fee Related
Application number
CN201810438105.3A
Other languages
English (en)
Other versions
CN108762296A (zh
Inventor
韩帅
张佳琪
刘宁庆
蔚保国
高芳
邹徳岳
孟维晓
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.)
Harbin Institute of Technology
CETC 54 Research Institute
Original Assignee
Harbin Institute of Technology
CETC 54 Research Institute
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 Harbin Institute of Technology, CETC 54 Research Institute filed Critical Harbin Institute of Technology
Priority to CN201810438105.3A priority Critical patent/CN108762296B/zh
Publication of CN108762296A publication Critical patent/CN108762296A/zh
Application granted granted Critical
Publication of CN108762296B publication Critical patent/CN108762296B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • 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)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种基于蚁群算法的无人机欺骗路线规划方法，本发明涉及基于蚁群算法的无人机欺骗路线规划方法。本发明的目的是为了解决现有黑飞无人机欺骗路线规划只是在现有真实路线基础上引入了欺骗加速度和速度，导致对地形适应性与控制精度差的问题。过程为：一、对蜂窝网格对无人机飞行区域进行分类，设定起始区、危险区、控制区和坠毁区；二、更新蚁群算法中的信息素浓度；三、得到蚁群算法中的转移概率；四、当蚂蚁从起始区出发，计算出当前城市与下一城市的转移概率，选择转移概率最大的城市作为下一目的城市，直至到达坠毁区，得到在无人机飞行区域的基于蚁群算法的欺骗路线。本发明用于无人机欺骗路线规划领域。

Description

一种基于蚁群算法的无人机欺骗路线规划方法
技术领域
本发明涉及基于蚁群算法的无人机欺骗路线规划方法。
背景技术
基于全球导航系统的欺骗式干扰技术是指通过产生或转发导航信号，改变接收机的定位结果，使接收机定位到虚假的位置或沿着错误的路线进行飞行，被欺骗对象为黑飞无人机。
黑飞无人机为非法飞入管制空域的无人机；
对于非法飞入管制空域的黑飞无人机需要在探究已知接收机真实路线的情况下，为其制定诱导路线，诱导路线的设定应当根据以下原则：1)使黑飞无人机避开人多的城市区域；2)使黑飞无人机趋向于能够对无人机实现控制的军事管制区域；3)使黑飞无人机在短期飞行后到达诱导坠毁的区域，对其进行最终截获。
与地面路线规划技术不同，黑飞无人机的路线规划受到地面交通路线、路况、拥塞情况的约束较少；并且针对入侵黑飞无人机应当在路线规划中令其对人群密集区(或者资源密集区)造成的威胁较小，同时在飞行过程中对黑飞无人机实现更加精准的路线控制，最终在较短时间内完成诱导截获。
现有黑飞无人机欺骗路线规划只是在现有真实路线基础上引入了欺骗加速度和速度，导致对地形适应性(对人群密集的城市区域(或重要资源区)、军事力量与技术力量集中的区域、荒芜的湖泊、沙漠地区做出相应路线调整的能力)与控制精度差。
发明内容
本发明的目的是为了解决现有黑飞无人机欺骗路线规划只是在现有真实路线基础上引入了欺骗加速度和速度，导致对地形适应性与控制精度差的问题，而提出一种基于蚁群算法的无人机欺骗路线规划方法。
一种基于蚁群算法的无人机欺骗路线规划方法具体过程为：
步骤一、采取蜂窝型离散方式对无人机飞行区域进行蜂窝网格化，并针对蜂窝网格对无人机飞行区域进行分类，设定无人机飞行区域起始区、无人机飞行区域危险区、无人机飞行区域控制区和无人机飞行区域坠毁区；
所述蜂窝型为六边形；
将无人机飞行区域中的一个蜂窝网格称作一个城市，每个城市周围的六个城市叫做它的相连接城市，蚂蚁在选择下一城市时，只能在与当前城市相连接的城市中选择尚未走过的城市；
城市间的连接性用连接矩阵表示；
步骤二、基于步骤一更新蚁群算法中的信息素浓度；
信息素更新方式表示为：
τij(t+1)＝ρ×τij(t)+Δτij(t+1) (1)
其中，t取0时τij(0)＝0，τij(t+1)表示第t+1次信息素浓度，τij(t)表示第t次信息素浓度，ρ表示上一次迭代信息素的留存程度，并且满足：
0＜ρ＜1 (2)
Δτij(t+1)表示在第t+1次蚁群活动中，整个蚁群在路段i～j之间新增的信息素浓度；
Figure BDA0001655162240000021
Figure BDA0001655162240000022
表示在第t+1次蚁群活动中第k只蚂蚁在路径i～j留下的信息素浓度；m为蚁群中蚂蚁的个数，取值为正整数；
假设从起始区到达坠毁区每只蚂蚁腺体中的信息素总量为Q，第k只蚂蚁在第t+1次蚁群活动中的总路程为Lk，那么第k只蚂蚁在它所经路段贡献的信息素增量为：
Figure BDA0001655162240000023
步骤三、基于步骤二的信息素浓度得到蚁群算法中的转移概率；
设置启发函数
Figure BDA0001655162240000024
eta＞1 (6)
式中eta为控制指数，ηij为启发函数；
蚂蚁转移概率为：
Figure BDA0001655162240000025
式中，τiv(t)表示第i个城市和第v个城市间在第t次蚁群活动中的信息素浓度，ηiv表示第i个城市和第v个城市间的启发函数；α为信息素影响因子；β为启发函数影响因子；allowedv为与当前城市相连接的城市中尚未走过的城市的集合；v为在allowedv中的第v个城市；
步骤四、迭代执行步骤二和步骤三，达到预定次数NC后，得到第NC次对应蚁群在整个地图上的留下的信息素浓度，当蚂蚁从起始区出发，计算出当前城市与下一城市的转移概率，选择转移概率最大的城市作为下一目的城市，直至到达坠毁区，得到在无人机飞行区域的基于蚁群算法的欺骗路线。
本发明的有益效果为：
本发明采用采取蜂窝型离散方式对地图进行蜂窝网格化，并针对蜂窝网格对地图进行分类，设定起始区、危险区、控制区和坠毁区；根据起始区、危险区、控制区和坠毁区设定启发函数，根据启发函数得到蚁群算法的转移概率，选择转移概率最大的城市作为下一目的城市，直至到达坠毁区，得到基于蚁群算法的欺骗路线，对地形适应性强，具有对人群密集的城市区域(或重要资源区)、军事力量与技术力量集中的区域、荒芜的湖泊、沙漠地区做出相应路线调整的能力，提高了控制精度；使被欺骗对象避开危险区的概率达到95％以上，并且基于蚁群算法的欺骗路线规划与最短路线长度相比路线长度增量小于50％。
附图说明
图1为本发明网格化方法示意图；
图2为本发明无人机飞行区域起始区、无人机飞行区域危险区、无人机飞行区域控制区和无人机飞行区域坠毁区的示意图；
图3为当前城市与下一城市示意图；
图4经过编号的城市分布图；
图5小地图下欺骗路线仿真结果分布图；
图6为大地图下欺骗路线仿真结果图。
具体实施方式
具体实施方式一：本实施方式的一种基于蚁群算法的无人机欺骗路线规划方法具体过程为：
步骤一、本文建模考虑对飞行区进行网格建模，将每个网格看作一个网格区域，规划路线由网格的中心点连接形成。将地图切割成正方形、六边形(蜂窝型)都能够实现地图的网格化，将原本连续的地图离散化。考虑到在寻径的过程中六边形的向紧邻小区寻径的角度更为灵活，本发明采取蜂窝型离散方式对无人机飞行区域进行蜂窝网格化，并针对蜂窝网格对无人机飞行区域进行分类，设定无人机飞行区域起始区、无人机飞行区域危险区、无人机飞行区域控制区和无人机飞行区域坠毁区；如图1所示；
所述蜂窝型为六边形；
将发现目标飞行器的蜂窝网格区域作为欺骗式干扰规划路线的“起始区”；
将人群密集的城市区域(或重要资源区)作为飞行器应当远离的“危险区”；
将军事力量与技术力量集中的区域作为“控制区”，在控制区完成对飞行器状态观测与飞行路线技术修正；
将荒芜的湖泊、沙漠地区作为诱导飞行器降落的“坠毁区”。
图2中表示“起始区”，“危险回避区”，“控制修正区”，“坠毁区”，一般区域(给他权重是eta＝1)。
城市间连接性才能保证蚂蚁在城市间形成路径，将无人机飞行区域中的一个蜂窝网格称作一个城市，如图3，灰色表示蚂蚁当前所在城市，每个城市周围的六个城市叫做它的相连接城市，蚂蚁在选择下一城市时，只能在与当前城市相连接的城市中选择尚未走过的城市；
在整幅地图中可以用连接矩阵来表示城市间的连接关系，如图4对各城市进行编号。
城市间的连接图可用连接矩阵表示；
算法核心内容有信息素的更新、启发函数的设计以及蚂蚁选择下一城市的随机性等。
步骤二、基于步骤一更新蚁群算法中的信息素浓度；
蚁群算法中存在一些基本概念，可以表示为
C:城市集合
TB：禁忌表
τij(t):信息素浓度
ηij:启发函数
α：信息素影响因子
β：启发函数影响因子
m:蚁群中蚂蚁的个数
n:蚂蚁活动的城市的总数
在“旅行商问题”中，C代表需要遍历的城市的集合，TB禁忌表中记录已经走过的城市，τij(t)记录城市i与城市j之间在t时刻的信息素浓度，ηij作为启发函数与信息素浓度共同决定“蚂蚁”选择下一个城市的概率(在“旅行商”问题中ηij＝1/dij，即两城市间距离的倒数)，α决定了信息素浓度对于选择下一城市概率的影响力，β决定了启发函数对于选择下一城市概率的影响力。
蚂蚁在城市间穿梭会留下信息素，这些信息素是蚁群中进行交流的“语言”，当蚂蚁嗅到某一条支路上的信息素浓度更高时便会更倾向于选择前往此路相连的城市。在迭代过程中，信息素也会不断蒸发，留下上次蚁群探索的部分痕迹，信息素更新方式表示为：
τij(t+1)＝ρ×τij(t)+Δτij(t+1) (1)
其中t取0时τij(0)＝0，τij(t+1)表示第t+1次信息素浓度，τij(t)表示第t次信息素浓度，ρ表示上一次迭代信息素的留存程度，并且满足：
0＜ρ＜1 (2)
Δτij(t+1)表示在第t+1次蚁群活动中，整个蚁群在路段i～j之间新增的信息素浓度；
Figure BDA0001655162240000051
城市i与城市j是相邻城市；
在完成第t+1次蚁群活动后，整个蚁群在路段i～j之间新增的信息素浓度用Δτij(t+1)表示；
Figure BDA0001655162240000052
表示在第t+1次蚁群活动中第k只蚂蚁在路径i～j留下的信息素浓度；m为蚁群中蚂蚁的个数，取值为正整数；
假设从起始区到达坠毁区每只蚂蚁腺体中的信息素总量为Q，第k只蚂蚁在第t+1次蚁群活动中的总路程为Lk，那么第k只蚂蚁在它所经路段贡献的信息素增量为：
Figure BDA0001655162240000053
步骤三、基于步骤二的信息素浓度得到蚁群算法中的转移概率；
启发函数时除信息素浓度外另一个能够指导蚁群活动的因素，与蚁群算法需要解决的具体问题相适应。
设置启发函数
Figure BDA0001655162240000054
eta＞1 (6)
式中eta为控制指数，ηij为启发函数；
在具体的仿真地图中，随着不同控制区的控制程度的差异，可以为其分配不同大小的控制指数eta，同理适用于危险区危险指数的分配。
蚂蚁在城市间的转移活动不仅与信息素浓度有关，还与城市间的启发函数有关。依靠信息素浓度τij进行判断选择下一个城市体现了蚁群中相互交流的能力，借鉴前期蚁群活动留下的“痕迹”对本次活动做出指导；依靠启发函数ηij指导蚁群活动体现了蚁群活动对于地形的适应，通过对地形的感知影响蚁群活动。
当蚂蚁在选择下一城市时，会在与当前相邻城市中做出选择，并且只可能选择还没有走过的城市，即综合连接图与禁忌表确定可以转移的城市，而在这些可选城市中“随机”选择下一个城市，蚂蚁转移概率为：
Figure BDA0001655162240000061
式中，τiv(t)表示第i个城市和第v个城市间在第t次蚁群活动中的信息素浓度，ηiv为表示第i个城市和第v个城市间的启发函数(与地形有关，一个定值)；α为信息素影响因子；β为启发函数影响因子；allowedv为与当前城市相连接的城市中尚未走过的城市的集合，集合中的元素满足与当前城市相邻且不出现在禁忌表中；v为在allowedv中的第v个城市；
所述禁忌表顺序记录了蚂蚁在当前蚁群活动中走过的城市，随着蚂蚁的行进在禁忌表中的元素增多，禁忌表的第一个元素为蚂蚁的起始区，最后一个有效元素是蚂蚁的坠毁区；蚂蚁在选择下一城市是不能选择已经记录在禁忌表中的元素，即不能重复已经走过的城市；
步骤四、迭代执行步骤二和步骤三，达到预定次数NC后，得到第NC次对应蚁群在整个地图上的留下的信息素浓度，当蚂蚁从起始区出发，计算出当前城市与下一城市(与当前城市相连接的城市中尚未走过的城市)的转移概率，选择转移概率最大的城市作为下一目的城市，直至到达坠毁区，得到在无人机飞行区域的基于蚁群算法的欺骗路线。
本发明蚂蚁代表无人机；
蚁群算法中的信息素浓度代表无人机飞行留下的痕迹，在信息素总量一定的情况下，无人机从起始区到坠毁区的距离越长，留下的信息素浓度越小；信息素浓度没有单位，它的相对大小有意义；
蚁群算法中的信息素代表对无人机的资源分配密度，如果对每架无人机分配等量的欺骗控制资源，那么路线越短，代表资源的密度越大，越有利于控制；
蚁群是多个蚂蚁的集合，通过对多个蚂蚁进行多次路线迭代完成多次信息素更新，通过多次迭代形成正反馈，来揭示蚂蚁对于地形的一种适应性；
蚁群代表虚拟的多架无人机，用于完成信息素的迭代更新，形成正反馈，揭示无人机欺骗路线规划对于地形的适应性。
具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中连接矩阵表示：
Figure BDA0001655162240000071
0表示城市间不相连，1表示相连接城市；
矩阵A限定了蚂蚁只能选择在与当前城市相邻的城市中选择下一城市，例如：第18行有A(18,3)＝1,A(18,6)＝1,A(18,21)＝1,第18行其他列为0。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤三中信息素影响因子α取值为0≤α≤1。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤三中启发函数影响因子β取值为0≤β≤1。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述预定次数NC为300次。
其它步骤及参数与具体实施方式一至四之一相同。
采用以下实施例验证本发明的有益效果：
实施例一：
本实施例一种基于蚁群算法的无人机欺骗路线规划方法具体是按照以下步骤制备的：
在地图建模的基础上设定基于蚁群算法的欺骗路线规划技术中参数，进行迭代实验规划出合理的欺骗路线。
1)蚁群算法中参数的设置与经验有关，本次参数设置为：
城市数n＝30
蚂蚁数m＝30
信息素影响因子α＝0.5
启发函数影响因子β＝5
蚂蚁腺体信息素总量Q＝100
信息素残留系数ρ＝0.5
通过仿真结果可以看出，在小地图下，经过多次迭代蚂蚁可以根据地形找到从“起始区”到“坠毁区”的有效路径，此路径在保证路程较短的前提下，合理避开了“危险区”，趋向于“控制区”，如图5；
2)一般攻击目标的飞行区域较大，大地图下更容易统计分析蚁群算法的性能，如图6。
大地图下的参数设置为：
城市数n＝314
蚂蚁数m＝314
可以看出，基于蚁群算法的欺骗路线规划技术，可以为被欺骗目标设计较合理的飞行路线，可以实现从“起始区”出发，趋向靠近“控制区”，避开“危险区”，最终在“终止区”迫降的过程，并且选择了一条高效的飞行路线。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (5)

1.一种基于蚁群算法的无人机欺骗路线规划方法，其特征在于：所述方法具体过程为：
步骤一、采取蜂窝型离散方式对无人机飞行区域进行蜂窝网格化，并针对蜂窝网格对无人机飞行区域进行分类，设定无人机飞行区域起始区、无人机飞行区域危险区、无人机飞行区域控制区和无人机飞行区域坠毁区；
所述蜂窝型为六边形；
将无人机飞行区域中的一个蜂窝网格称作一个城市，每个城市周围的六个城市叫做它的相连接城市，蚂蚁在选择下一城市时，只能在与当前城市相连接的城市中选择尚未走过的城市；
城市间的连接性用连接矩阵表示；
步骤二、基于步骤一更新蚁群算法中的信息素浓度；
信息素更新方式表示为：
τij(t+1)＝ρ×τij(t)+Δτij(t+1) (1)
其中，t取0时τij(0)＝0，τij(t+1)表示第t+1次信息素浓度，τij(t)表示第t次信息素浓度，ρ表示上一次迭代信息素的留存程度，并且满足：
0＜ρ＜1 (2)
Δτij(t+1)表示在第t+1次蚁群活动中，整个蚁群在路段i～j之间新增的信息素浓度；
Figure FDA0002749097880000011
Figure FDA0002749097880000012
表示在第t+1次蚁群活动中第k只蚂蚁在路径i～j留下的信息素浓度；m为蚁群中蚂蚁的个数，取值为正整数；
假设从起始区到达坠毁区每只蚂蚁腺体中的信息素总量为Q，第k只蚂蚁在第t+1次蚁群活动中的总路程为Lk，那么第k只蚂蚁在它所经路段贡献的信息素增量为：
Figure FDA0002749097880000013
步骤三、基于步骤二的信息素浓度得到蚁群算法中的转移概率；
设置启发函数
Figure FDA0002749097880000014
eta＞1 (6)
式中eta为控制指数，ηij为启发函数；
蚂蚁转移概率为：
Figure FDA0002749097880000021
式中，τiv(t)表示第i个城市和第v个城市间在第t次蚁群活动中的信息素浓度，ηiv表示第i个城市和第v个城市间的启发函数；α为信息素影响因子；β为启发函数影响因子；allowedv为与当前城市相连接的城市中尚未走过的城市的集合；v为在allowedv中的第v个城市；
步骤四、迭代执行步骤二和步骤三，达到预定次数NC后，得到第NC次对应蚁群在整个地图上的留下的信息素浓度，当蚂蚁从起始区出发，计算出当前城市与下一城市的转移概率，选择转移概率最大的城市作为下一目的城市，直至到达坠毁区，得到在无人机飞行区域的基于蚁群算法的欺骗路线。
2.根据权利要求1所述一种基于蚁群算法的无人机欺骗路线规划方法，其特征在于：所述步骤一中连接矩阵表示为：
Figure FDA0002749097880000022
0表示城市间不相连，1表示相连接城市。
3.根据权利要求2所述一种基于蚁群算法的无人机欺骗路线规划方法，其特征在于：所述步骤三中信息素影响因子α取值为0≤α≤1。
4.根据权利要求2或3所述一种基于蚁群算法的无人机欺骗路线规划方法，其特征在于：所述步骤三中启发函数影响因子β取值为0≤β≤1。
5.根据权利要求4所述一种基于蚁群算法的无人机欺骗路线规划方法，其特征在于：所述预定次数NC为300次。
CN201810438105.3A 2018-05-09 2018-05-09 一种基于蚁群算法的无人机欺骗路线规划方法 Expired - Fee Related CN108762296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810438105.3A CN108762296B (zh) 2018-05-09 2018-05-09 一种基于蚁群算法的无人机欺骗路线规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810438105.3A CN108762296B (zh) 2018-05-09 2018-05-09 一种基于蚁群算法的无人机欺骗路线规划方法

Publications (2)

Publication Number Publication Date
CN108762296A CN108762296A (zh) 2018-11-06
CN108762296B true CN108762296B (zh) 2020-12-29

Family

ID=64009646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810438105.3A Expired - Fee Related CN108762296B (zh) 2018-05-09 2018-05-09 一种基于蚁群算法的无人机欺骗路线规划方法

Country Status (1)

Country Link
CN (1) CN108762296B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109407704B (zh) * 2018-12-13 2019-12-20 南京溧航仿生产业研究院有限公司 一种智能的无人机返航控制系统
CN110646814A (zh) * 2019-09-16 2020-01-03 中国人民解放军国防科技大学 一种组合导航模式下的无人机欺骗方法
CN111189455B (zh) * 2020-01-14 2022-02-01 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种无人机航路规划方法、系统及存储介质
CN111462323B (zh) * 2020-05-06 2023-04-18 中国人民解放军国防科技大学 一种面向三维空间的动态欺骗路径规划方法及系统
CN113920444B (zh) * 2021-09-30 2022-12-20 泰州蝶金软件有限公司 用于动作触发的区块链管理系统
CN114995520B (zh) * 2022-08-03 2022-12-30 广东德九新能源有限公司 一种无人机协同防御控制方法、电子设备及介质
CN115344061B (zh) * 2022-10-19 2023-03-24 上海特金信息科技有限公司 一种无人机诱捕方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101493329A (zh) * 2008-01-23 2009-07-29 华东师范大学 一种多目标点路径规划方法和装置
CN103439972A (zh) * 2013-08-06 2013-12-11 重庆邮电大学 一种动态复杂环境下的移动机器人路径规划方法
CN103528586A (zh) * 2013-10-31 2014-01-22 中国航天时代电子公司 基于故障网格的航迹规划算法设计
CN105045976A (zh) * 2015-07-01 2015-11-11 中国人民解放军信息工程大学 一种运用栅格矩阵建立兵棋地图地形属性的方法
CN106376010A (zh) * 2016-08-24 2017-02-01 浙江树人大学 一种辅助定位信标节点的移动路径规划方法
CN107356945A (zh) * 2017-07-18 2017-11-17 华东师范大学 一种便携式低空无人机管控方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101493329A (zh) * 2008-01-23 2009-07-29 华东师范大学 一种多目标点路径规划方法和装置
CN103439972A (zh) * 2013-08-06 2013-12-11 重庆邮电大学 一种动态复杂环境下的移动机器人路径规划方法
CN103528586A (zh) * 2013-10-31 2014-01-22 中国航天时代电子公司 基于故障网格的航迹规划算法设计
CN105045976A (zh) * 2015-07-01 2015-11-11 中国人民解放军信息工程大学 一种运用栅格矩阵建立兵棋地图地形属性的方法
CN106376010A (zh) * 2016-08-24 2017-02-01 浙江树人大学 一种辅助定位信标节点的移动路径规划方法
CN107356945A (zh) * 2017-07-18 2017-11-17 华东师范大学 一种便携式低空无人机管控方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Improve the Security of GNSS Receivers Through Spoofing Mitigation;Shuai Han et al.;《IEEE ACCESS》;20170919;第5卷;第21057-21069页 *
Jamming Research of the UAV GPS/INS Integrated Navigation System Based on Trajectory Cheating;Chang Li et al.;《2016 9th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics》;20161231;第1113-1117页 *
基于改进蚁群算法的飞行器航迹规划;张臻 等;《指挥信息系统与技术》;20110630;第2卷(第3期);第30-34页 *
基于智能优化算法的无人机航迹规划若干关键技术研究;胡中华;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20121215(第12期);正文第31-52页 *

Also Published As

Publication number Publication date
CN108762296A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
CN108762296B (zh) 一种基于蚁群算法的无人机欺骗路线规划方法
CN109254588B (zh) 一种基于交叉变异鸽群优化的无人机集群协同侦察方法
CN110031004B (zh) 基于数字地图的无人机静态和动态路径规划方法
CN112000131B (zh) 基于人工势场法的无人机集群路径规划方法及系统
CN107622327B (zh) 基于文化蚁群搜索机制的多无人机航迹规划方法
CN112817330B (zh) 一种多无人机四维航迹协同规划方法及系统
CN102880186B (zh) 基于稀疏a*算法和遗传算法的航迹规划方法
CN109059931B (zh) 一种基于多智能体强化学习的路径规划方法
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
CN105679102B (zh) 一种全国飞行流量时空分布预测推演系统及方法
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
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
CN105700549A (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
CN110109477A (zh) 基于鸽群智能反向学习的无人机集群多目标控制优化方法
CN106959700B (zh) 一种基于上限置信区间算法的无人机群协同巡逻追踪轨迹规划方法
CN111024086B (zh) 一种基于群禽寻优技术的多无人机航迹规划方法
CN111813144B (zh) 一种基于改进羊群算法的多无人机协同航路规划方法
US20210165426A1 (en) Method and apparatus for determining aerial routes based on mapping drone disabling instruments
CN104834317A (zh) 一种智能识别威胁类型的无人机飞行路径规划方法
CN106372766A (zh) 用于电磁干扰环境中的无人机路径规划方法
CN107622699A (zh) 基于时序的全时段空域冲突探测与解脱方法
CN114840020A (zh) 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法
CN111121785A (zh) 一种基于图搜索的无道路路径规划方法
CN112733251A (zh) 一种多无人飞行器协同航迹规划方法
CN112462805A (zh) 基于改进蚁群算法的5g网联无人机航迹规划方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201229

Termination date: 20210509

CF01 Termination of patent right due to non-payment of annual fee