CN108829140B - 一种基于多群体蚁群算法的多无人机协同目标搜索方法 - Google Patents
一种基于多群体蚁群算法的多无人机协同目标搜索方法 Download PDFInfo
- Publication number
- CN108829140B CN108829140B CN201811055253.3A CN201811055253A CN108829140B CN 108829140 B CN108829140 B CN 108829140B CN 201811055253 A CN201811055253 A CN 201811055253A CN 108829140 B CN108829140 B CN 108829140B
- Authority
- CN
- China
- Prior art keywords
- target
- unmanned aerial
- ant
- colony
- grid
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000003016 pheromone Substances 0.000 claims abstract description 38
- 241000257303 Hymenoptera Species 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims description 16
- 230000005764 inhibitory process Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 7
- 238000010187 selection method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005507 spraying Methods 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
- G05D1/12—Target-seeking control
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于多群体蚁群算法的多无人机协同目标搜索方法,包括对无人机的搜索环境进行建模;根据建模的环境,采用多群体蚁群协同算法进行多无人机的目标搜索。同一群体蚂蚁具有相互引导的作用,不同群体蚂蚁具有相互排斥的作用,既能增加解的多样性,增加多无人机之间的协同性,又能尽可能选择含有目标概率大的方向,避免贪婪式的选择,增加选择的多样性,还能发现某个目标后动态调整该目标的搜索收益,避免因目标期望因子的影响对目标的重复搜索,选择每代中的最佳路径进行信息素更新,促进算法向较优的路径靠拢。实现多架无人机搜索时无人机的路径协调,避免因信息素和目标启发因子的影响造成路径重叠过多,目标被重复搜索的现象,降低搜索代价,提高搜索效率。
Description
技术领域
本发明涉及一种多无人机协同目标搜索方法,特别是一种基于多群体蚁群算法的多无人机协同目标搜索方法。
背景技术
无人机相关技术在民用和科研领域发挥着重要的作用,在空中视频拍摄、农林药物喷洒、区域地图测绘、高山地质勘查、高压线路巡检、山区快递运送、灾后抢险救援等领域应用越来越广泛。此外,在人工智能、电子通信技术、互联网、图像识别、传感器、物联网相互交叉融合的影响下,无人机已不仅限于单机飞行,多个无人机之间、多无人机与智能车之间建立起协同工作的无人控制系统,整个协同系统中,各无人机之间、无人机与智能车之间协同工作,自主执行决策,无需人工参与,提高了执行任务的效率,是现代化军事、农业、工业的重要发展方向。
多无人机协同目标搜索是多无人机共同开展任务的一项重要内容,在范围很大的搜索区域内,任务重、时间紧的情况下,单个无人机显然无法快速完成搜索任务,而多个无人机同时展开搜索,就能高效的完成搜索任务,而且,当单个无人机执行任务时,无人机出现故障以及能源或电池供应不足时,整个搜索任务就停滞了。多个无人机执行任务时,其中一个出现上述现象时,对整个的搜索任务影响并不大。但是,多无人机搜索时可能出现目标重复搜索、路径重叠、盲目搜索、撞机的现象,严重影响了搜索效率,甚至造成搜索过程的安全问题。
发明内容
本发明的目的是提供一种基于多群体蚁群算法的多无人机协同目标搜索方法,以解决因蚁群算法中信息素的影响和目标期望因子等因素的影响造成的多无人机在进行目标搜索时路径重叠、目标被重复搜索、无人机撞机等问题。不断的改进算法,使之能够协同规划多无人机在进行目标搜索中的航线。
本发明是针对现有研究中蚁群算法缺乏负反馈机制不能更好的实现多无人机协同的缺点,Voronoi图也更适合于单机航迹规划的特点,而设计的同一群体的蚂蚁具有相互引导的作用,不同群体的蚂蚁具有相互排斥的作用,精准化的蚂蚁组合可增加解的多样性,融入的动态调整目标收益及时间空间协同等算法可进一步增加多无人机之间的协同性,以解决因蚁群算法中信息素的影响和目标期望因子诸因素的影响造成的多无人机在进行目标搜索时路径重叠、目标被重复搜索、无人机撞机诸问题,不断的改进算法,使之能够协同规划多无人机在固定区域内进行目标搜索中的航线。
一种基于多群体蚁群算法的多无人机协同目标搜索方法,包括以下步骤:
(1)确定无人机飞行的环境,对无人机的目标搜索环境建模;
(2)根据步骤(1)中的建模环境,采用多群体蚁群协同算法,确定各无人机协同寻找目标的最优路线。
可选的,所述目标搜索环境建模为地图的形式,同时把地图网格化,每个网格中有唯一的值与其相对应,用随机函数产生目标值,分布在网格中。无人机受转弯特性的影响在当前方向下,下一方向仅有直行、左前方、右前方3个可选择的方向,但在起步时有8个可选择的方向。
由于地图中每个网格都有唯一值与其对应,在计算下一步网格的值时可以根据当前网格值和下一步的方向值唯一的确定下一步选择的网格。
可选的,所述多群体蚁群协同算法,在计算下一方向的选择概率时,融合进了自身蚁群群体的信息素、其它蚁群群体的信息素和目标收益的启发因子,其状态转移公式表达为:
其中,allowed表示的是蚂蚁从网格i到下一网格j转移过程中,可选网格j的所有网格集合; QUOTE 表示t时刻网格j中信息素的残留量, QUOTE 表示信息素的相对重要程度; QUOTE 表示t时刻网格内关于目标信息的收益函数,QUOTE 表示收益的重要程度;如公式(2)所示, QUOTE 表示t时刻除了第k个群体外,其它S个群体在网格j残留信息素的均值, QUOTE 表示其它群体信息素的抑制作用, QUOTE 越大,相对抑制的作用就越强,通过这种抑制作用,可以避免其它群体的无人机对本群体已经搜索区域的重复搜索。
可选的,在备选方向中选择下一网格时采用轮盘赌选择法,轮盘赌选择法与多群体蚁群算法相结合,在可行解的选择过程中,累积概率与随机数进行比较,将会以较大的概率选中备选解中所占比例较大的解,但不会直接选择备选解中所占比例最大的解,采用这种方式,随着求解的不断进行,增加了在全局规划中备选解的多样性,更加有利于找到组合优化问题中最优的解。
可选的,在更新信息素时,只在每代中的最佳路径上更新,使求解结果向最优解靠拢,加速算法的收敛。
可选的,在蚂蚁搜索的过程中,由于受到信息素浓度和启发因子的多重影响,蚂蚁在选择下一方向时,含有目标的网格被选择的概率较大,这样符合预先的设计目标,但是同时又出现了选择过的目标被同一只蚂蚁和其它群体的蚂蚁再次搜寻的情况,其直观表现就是无人机本身或与其它无人机的路径重叠、目标重复被搜索。为此,一方面在计算搜索到的目标数量的时候,首先要查找同一个蚂蚁和其它群体相对应蚂蚁的搜寻记录,如果同一个目标已经搜索过,目标的搜索数量只计算一次;另一方面在处理目标搜索收益的时候,如果同一个蚂蚁和其它群体的蚂蚁已经搜索过,要降低目标的收益率,最大程度上的避免对同一个目标在一次多群体组合中的重复搜索。每代搜索后,收益值初始化为原值。在公式(1)中目标收益函数 QUOTE 的具体设计如下:
可选的,多无人机飞行时考虑时间协同与空间协同,假设无人机的飞行速度都是相同的,如果两架无人机飞行相同的距离后同时飞行在同一个位置,那么两架无人机便是相撞了,通过时间与空间协同算法计算无人机飞行的距离与当前位置,便能判断无人机之间是否相撞,在求解过程中舍弃掉相撞的无人机路线。
可选的,多无人机的组合相当于各群体中相同编号的蚂蚁的组合,精准化的蚂蚁组合方式,增加了解空间的多样性与蚂蚁组合的有序性。具体方式为:在一次迭代中,第一个群体中的第一只蚂蚁、第二个群体的第一只蚂蚁…第S个群体的第一只蚂蚁同时进行搜索,接下来是第一个群体中的第二只蚂蚁、第二个群体的第二只蚂蚁…第S个群体的第二只蚂蚁同时进行搜索,如此循环,直到所有群体的第M只蚂蚁搜索完毕,即为一次迭代完成。信息素的更新是在一次迭代后的各群体的最佳路径上更新信息素,其它路径进行信息素的挥发。
本发明是主要是,包括对无人机的搜索环境进行建模;根据建模的环境,采用多群体蚁群协同算法进行多无人机的目标搜索。同一群体蚂蚁具有相互引导的作用,不同群体蚂蚁具有相互排斥的作用,既能增加解的多样性,增加多无人机之间的协同性,又能尽可能选择含有目标概率大的方向,避免贪婪式的选择,增加选择的多样性,还能发现某个目标后动态调整该目标的搜索收益,避免因目标期望因子的影响对目标的重复搜索,选择每代中的最佳路径进行信息素更新,促进算法向较优的路径靠拢。实现多架无人机搜索时无人机的路径协调,避免因信息素和目标启发因子的影响造成路径重叠过多,目标被重复搜索的现象,降低搜索代价,提高搜索效率。
附图说明
图1 本发明的基本搜索环境建模图。
图2带位置值与航线值的无人机航线示意图。
图3 目标动态收益算法示意图。
图4 无人机相撞时的示意图。
图5 多群体蚁群协同算法整体流程图。
具体实施方式
下面将结合附图,对本发明实施例中的技术方案作进一步的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
本发明针对现有研究中蚁群算法缺乏负反馈机制不能更好的实现多无人机协同的缺点,Voronoi图也更适合于单机航迹规划的特点,而设计的同一群体的蚂蚁具有相互引导的作用,不同群体的蚂蚁具有相互排斥的作用,精准化的蚂蚁组合可增加解的多样性,融入的动态调整目标收益及时间空间协同等算法可进一步增加多无人机之间的协同性,以解决因蚁群算法中信息素的影响和目标期望因子诸因素的影响造成的多无人机在进行目标搜索时路径重叠、目标被重复搜索、无人机撞机诸问题,不断的改进算法,使之能够协同规划多无人机在固定区域内进行目标搜索中的航线。
本发明方法包括以下步骤:
(1)确定无人机飞行的环境,对无人机的目标搜索环境建模;
(2)根据步骤(1)中的建模环境,采用多群体蚁群协同算法,确定各无人机协同寻找目标的最优路线。
参阅图1,算法设计之初,首先要对搜索环境进行建模,采用网格化的方式对地图进行分割,分割后的每个小方格都有一个唯一的值与之相对应,目标随机出现在小方格的中心,在图中目标用圆圈表示,无人机的路线经过带有目标的小方格,表明无人机搜索到该区域的目标。
参阅图2,以地图中含有的方格数量20×20为例,地图中方格的值由1逐渐增加到400,地图左上角第1行第1列的方格值为1,至第20行第1列方格值增加到20,第1行第2列的方格值为21,至第20行第2列的方格值增加到40,以此规律类推。图2表示为一次无人机航线所经过的方格及其方向,两个箭头交汇处的值表示经过的方格值,箭头中央0至7范围内的值表明无人机当前的航向值。
根据上述建模环境,采用多群体蚁群协同算法,确定各无人机协同寻找目标的最优路线。
多群体蚁群协同算法,在计算下一方向的选择概率时,融合进了自身蚁群群体的信息素、其它蚁群群体的信息素和目标收益的启发因子,其状态转移公式表达为:
其中,allowed表示的是蚂蚁从网格i到下一网格j转移过程中,可选网格j的所有网格集合; QUOTE 表示t时刻网格j中信息素的残留量, QUOTE 表示信息素的相对重要程度; QUOTE 表示t时刻网格内关于目标信息的收益函数,QUOTE 表示收益的重要程度;如公式(2)所示, QUOTE 表示t时刻除了第k个群体外,其它S个群体在网格j残留信息素的均值, QUOTE 表示其它群体信息素的抑制作用, QUOTE 越大,相对抑制的作用就越强,通过这种抑制作用,可以避免其它群体的无人机对本群体已经搜索区域的重复搜索。
在备选方向中选择下一网格时采用轮盘赌选择法,轮盘赌选择法与多群体蚁群算法相结合,在可行解的选择过程中,累积概率与随机数进行比较,将会以较大的概率选中备选解中所占比例较大的解,但不会直接选择备选解中所占比例最大的解,采用这种方式,随着求解的不断进行,可增加在全局规划中备选解的多样性,更加有利于找到组合优化问题中最优的解。
在更新信息素时,只在每代中的最佳路径上更新,使求解结果向最优解靠拢,加速算法的收敛。
参阅图3,在蚂蚁搜索的过程中,由于受到信息素浓度和启发因子的多重影响,蚂蚁在选择下一方向时,含有目标的网格被选择的概率较大,这样符合预先的设计目标,但是同时又出现了选择过的目标被同一只蚂蚁和其它群体的蚂蚁再次搜寻的情况,其直观表现就是无人机本身或与其它无人机的路径重叠、目标重复被搜索。为此,一方面在计算搜索到的目标数量的时候,首先要查找同一个蚂蚁和其它群体相对应蚂蚁的搜寻记录,如果同一个目标已经搜索过,目标的搜索数量只计算一次;另一方面在处理目标搜索收益的时候,如果同一个蚂蚁和其它群体的蚂蚁已经搜索过,要降低目标的收益率,最大程度上的避免对同一个目标在一次多群体组合中的重复搜索。每代搜索后,收益值初始化为原值。在公式(1)中目标收益函数 QUOTE 的具体设计如下:
参阅图4,多无人机飞行时考虑时间协同与空间协同,假设无人机的飞行速度都是相同的,如果两架无人机飞行相同的距离后同时飞行在同一个位置,那么两架无人机便是相撞了,通过时间与空间协同算法计算无人机飞行的距离与当前位置,便能判断无人机之间是否相撞,在求解过程中舍弃掉相撞的无人机路线。
参阅图5,对整个多群体蚁群协同优化算法的流程进行梳理,为算法的整体框架。首先需要初始化一些信息,包含参数初始化和目标位置的初始化。在蚂蚁搜索时,采取精细化求解的方式,每个蚂蚁的路径都构成了一个解,与传统算法相比,增加了解的多样性。算法的三层大循环分别为迭代次数、蚁群蚂蚁编号、蚁群群体编号,代表一次迭代内,第一个群体中的第一只蚂蚁、第二个群体的第一只蚂蚁…第S个群体的第一只蚂蚁同时进行搜索,接下来是第一个群体中的第二只蚂蚁、第二个群体的第二只蚂蚁…第S个群体的第二只蚂蚁同时进行搜索,如此循环,直到所有群体的第M只蚂蚁搜索完毕。蚂蚁选择第一步的方向及收益值等信息单独计算,第一步后的计算方式一致,信息素的更新在每次迭代之后。将轮盘赌选择法融入进多群体蚁群协同优化算法中,从而确定下一步的方向及位置,确定其收益信息等,同时,算法中融入的其它协同因素,图中的协同模块包含了这些因素,如其它来自蚁群信息素的排斥作用、目标动态收益调整、时间与空间协同等,在该流程图中不再进行详细展示,统一用协同模块表示。如果蚂蚁的步长小于设定的步长,步长增加1,否则说明该只蚂蚁爬完了设定的路径;接着判断该蚂蚁所在某群体中的编号是否小于所有蚂蚁群体的数量,如果判断结果为否,说明所有群体中编号一致的蚂蚁已经完全搜索完毕;再判断该蚂蚁的编号是否小于群体中蚂蚁的数量,如果为否,则表明所有编号的蚂蚁所对应的所有蚂蚁群体都搜索完毕,此时开始更新信息素,即为一代搜索完毕,接着判断代数是否达到设定的代数,如果结果为是,则表明所有代数全部搜索过程完毕。最后通过计算比较输出算法最优结果,算法结束。
本发明已经通过上述实施例进行了说明,但应当理解的是上述所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
Claims (1)
1.一种基于多群体蚁群算法的多无人机协同目标搜索方法,其特征在于包含以下步骤:
(1)确定无人机飞行的环境,对无人机的目标搜索环境建模;
(2)根据步骤(1)中的建模环境,采用多群体蚁群协同算法,确定各无人机协同寻找目标的最优路线;
所述搜索环境建模为地图的形式,同时把地图网格化,每个网格中有唯一的值与其相对应,用随机函数产生目标值,分布在网格中,无人机受转弯特性的影响在当前方向下,下一方向仅有直行、左前方、右前方3个可选择的方向,但在起步时有8个可选择的方向;在计算下一步网格的值时可以根据当前网格值和下一步的方向值唯一的确定下一步选择的网格;
所述多群体蚁群协同算法包括以下步骤:
在计算下一方向的选择概率时,融合进了自身蚁群群体的信息素、其它蚁群群体的信息素和目标收益的启发因子,其状态转移公式表达为:
其中,allowed表示的是蚂蚁从网格i到下一网格j转移过程中,可选网格j的所有网格集合;表示t时刻网格j中信息素的残留量,表示信息素的相对重要程度; 表示t时刻网格内关于目标信息的收益函数,表示收益的重要程度;如公式(2)所示,表示t时刻除了第k个群体外,其它S个群体在网格j残留信息素的均值,表示其它群体信息素的抑制作用,越大,相对抑制的作用就越强,通过这种抑制作用,可以避免其它群体的无人机对本群体已经搜索区域的重复搜索;
2)在备选方向中选择下一网格时采用轮盘赌选择法,轮盘赌选择法与多群体蚁群算法相结合,在可行解的选择过程中,累积概率与随机数进行比较,将会以较大的概率选中备选解中所占比例较大的解,但不会直接选择备选解中所占比例最大的解,采用这种方式,随着求解的不断进行,增加了在全局规划中备选解的多样性,更加有利于找到组合优化问题中最优的解;
3)在蚂蚁搜索的过程中,由于受到信息素浓度和启发因子的多重影响,蚂蚁在选择下一方向时,含有目标的网格被选择的概率较大,这样符合预先的设计目标,但是同时又出现了选择过的目标被同一只蚂蚁和其它群体的蚂蚁再次搜寻的情况,其直观表现就是无人机本身或与其它无人机的路径重叠、目标重复被搜索;为此,一方面在计算搜索到的目标数量的时候,首先要查找同一个蚂蚁和其它群体相对应蚂蚁的搜寻记录,如果同一个目标已经搜索过,目标的搜索数量只计算一次;另一方面在处理目标搜索收益的时候,如果同一个蚂蚁和其它群体的蚂蚁已经搜索过,要降低目标的收益率,最大程度上的避免对同一个目标在一次多群体组合中的重复搜索;在公式(1)中目标收益函数的具体设计如下:
4)多无人机飞行时考虑时间协同与空间协同,假设无人机的飞行速度都是相同的,如果两架无人机飞行相同的距离后同时飞行在同一个位置,那么两架无人机便是相撞了; 通过时间与空间协同算法计算无人机飞行的距离与当前位置,判断无人机之间是否相撞,在求解过程中舍弃掉相撞的无人机路线;
5) 多无人机的组合相当于各群体中相同编号的蚂蚁的组合,精准化的蚂蚁组合方式,增加了解空间的多样性与蚂蚁组合的有序性;具体方式为:在一次迭代中,第一个群体中的第一只蚂蚁、第二个群体的第一只蚂蚁…第S个群体的第一只蚂蚁同时进行搜索,接下来是第一个群体中的第二只蚂蚁、第二个群体的第二只蚂蚁…第S个群体的第二只蚂蚁同时进行搜索,如此循环,直到所有群体的第M只蚂蚁搜索完毕,即为一次迭代完成;信息素的更新是在一次迭代后的各群体的最佳路径上更新信息素,其它路径进行信息素的挥发。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811055253.3A CN108829140B (zh) | 2018-09-11 | 2018-09-11 | 一种基于多群体蚁群算法的多无人机协同目标搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811055253.3A CN108829140B (zh) | 2018-09-11 | 2018-09-11 | 一种基于多群体蚁群算法的多无人机协同目标搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108829140A CN108829140A (zh) | 2018-11-16 |
CN108829140B true CN108829140B (zh) | 2021-06-15 |
Family
ID=64149289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811055253.3A Active CN108829140B (zh) | 2018-09-11 | 2018-09-11 | 一种基于多群体蚁群算法的多无人机协同目标搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108829140B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110058613B (zh) * | 2019-05-13 | 2022-05-13 | 大连海事大学 | 一种多无人机多蚁群协同搜索目标方法 |
CN110221290B (zh) * | 2019-06-12 | 2021-05-11 | 南京邮电大学 | 基于蚁群算法优化的无人机目标搜索构建方法 |
CN110456815A (zh) * | 2019-07-04 | 2019-11-15 | 北京航空航天大学 | 一种基于行军蚁启发式智能的无人机集群协同定位方法 |
CN110596740A (zh) * | 2019-09-29 | 2019-12-20 | 中国矿业大学(北京) | 一种适用于地质勘查的快速定位方法 |
CN111176334B (zh) * | 2020-01-16 | 2021-08-17 | 浙江大学 | 一种多无人机协同目标搜索方法 |
CN111639811B (zh) * | 2020-06-01 | 2023-10-31 | 中国农业大学 | 基于改进蚁群算法的多农机协同作业远程管理调度方法 |
CN111707267B (zh) * | 2020-06-18 | 2023-06-02 | 哈尔滨工程大学 | 一种多无人机协同航迹规划方法 |
WO2022032442A1 (zh) * | 2020-08-10 | 2022-02-17 | 深圳技术大学 | 多智能主体协同搬运物件的方法、系统和计算机可读存储介质 |
CN112527020B (zh) * | 2020-11-30 | 2023-07-25 | 汕头大学 | 一种基于群体机器人的目标围捕控制方法及系统 |
CN113671996B (zh) * | 2021-10-22 | 2022-01-18 | 中国电子科技集团公司信息科学研究院 | 一种基于信息素的异构无人机侦察方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101118421A (zh) * | 2007-09-13 | 2008-02-06 | 北京航空航天大学 | 基于自适应蚁群智能的非线性pid控制参数整定方法 |
CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
CN104715281A (zh) * | 2013-12-16 | 2015-06-17 | 湖北工业大学 | 一种基于多蚁群系统的混合交通流疏散路径规划方法 |
CN104881043A (zh) * | 2015-04-30 | 2015-09-02 | 南京航空航天大学 | 一种针对多动态目标的多无人机智能协同察打方法 |
CN105717926A (zh) * | 2015-11-09 | 2016-06-29 | 江苏理工学院 | 基于改进蚁群算法的移动机器人旅行商优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG119169A1 (en) * | 2003-01-20 | 2006-02-28 | Nanyang Polytechnic | Path searching system using multiple groups of cooperating agents and method thereof |
-
2018
- 2018-09-11 CN CN201811055253.3A patent/CN108829140B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101118421A (zh) * | 2007-09-13 | 2008-02-06 | 北京航空航天大学 | 基于自适应蚁群智能的非线性pid控制参数整定方法 |
CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
CN104715281A (zh) * | 2013-12-16 | 2015-06-17 | 湖北工业大学 | 一种基于多蚁群系统的混合交通流疏散路径规划方法 |
CN104881043A (zh) * | 2015-04-30 | 2015-09-02 | 南京航空航天大学 | 一种针对多动态目标的多无人机智能协同察打方法 |
CN105717926A (zh) * | 2015-11-09 | 2016-06-29 | 江苏理工学院 | 基于改进蚁群算法的移动机器人旅行商优化方法 |
Non-Patent Citations (4)
Title |
---|
基于协同机制的多无人机任务规划研究;林林;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20131215;第21页第(3)段 * |
基于多群体蚁群算法的多无人机协同搜索方法研究;薛政钢;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190115;全文 * |
基于多蚁群系统的多无人机协同目标搜索方法;孙希霞,等;《战术导弹技术》;20141115;第27-28页第2-3节 * |
孙希霞,等.基于多蚁群系统的多无人机协同目标搜索方法.《战术导弹技术》.2014, * |
Also Published As
Publication number | Publication date |
---|---|
CN108829140A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108829140B (zh) | 一种基于多群体蚁群算法的多无人机协同目标搜索方法 | |
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 | |
CN108229719B (zh) | 无人机编队任务分配与航迹规划的多目标优化方法及装置 | |
Ali et al. | Cooperative path planning of multiple UAVs by using max–min ant colony optimization along with cauchy mutant operator | |
CN110308740B (zh) | 一种面向移动目标追踪的无人机群动态任务分配方法 | |
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 | |
CN107608372B (zh) | 一种基于改进rrt算法与改进ph曲线相结合的多无人机协同航迹规划方法 | |
CN110609557B (zh) | 无人车混合路径规划方法 | |
Duan et al. | Max-min adaptive ant colony optimization approach to multi-UAVs coordinated trajectory replanning in dynamic and uncertain environments | |
CN110673637A (zh) | 一种基于深度强化学习的无人机伪路径规划的方法 | |
CN112000131B (zh) | 基于人工势场法的无人机集群路径规划方法及系统 | |
CN107886201B (zh) | 多无人机任务分配的多目标优化方法及装置 | |
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 | |
CN111722643A (zh) | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 | |
CN112666981B (zh) | 基于原鸽群动态群组学习的无人机集群动态航路规划方法 | |
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 | |
CN111880561A (zh) | 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 | |
CN111024080A (zh) | 一种无人机群对多移动时敏目标侦察路径规划方法 | |
CN110319829A (zh) | 基于自适应多态融合蚁群算法的无人机航迹规划方法 | |
CN108428004A (zh) | 基于蚁群算法的飞行物冲突解脱路径规划方法 | |
CN111121784A (zh) | 一种无人侦察机航路规划方法 | |
CN114089776A (zh) | 一种基于深度强化学习的无人机避障方法 | |
CN112733251A (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN112461240A (zh) | 一种无人机避障路径规划方法及系统 | |
Yu et al. | Balanced multi-region coverage path planning for unmanned aerial vehicles |
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 |