CN109919391A - 一种太阳能飞机自主寻优航迹规划方法和系统 - Google Patents
一种太阳能飞机自主寻优航迹规划方法和系统 Download PDFInfo
- Publication number
- CN109919391A CN109919391A CN201910205271.3A CN201910205271A CN109919391A CN 109919391 A CN109919391 A CN 109919391A CN 201910205271 A CN201910205271 A CN 201910205271A CN 109919391 A CN109919391 A CN 109919391A
- Authority
- CN
- China
- Prior art keywords
- node
- path
- information
- path planning
- removable
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于长航时太阳能飞行器的基于“蚁群”算法的路径寻优方法。该方法主要用于长航时太阳能飞机针对气候环境的路径规划问题。该算法主要由以下几部分组成:气象预测数据,初始条件参数,出发/到达位置及离散网格,可移动点计算模块,目标函数(代价函数),路径优化结果(规划路径信息)。该方法通过建立综合的目标函数,考虑了多方面因素对飞行器飞行安全的影响,可以灵活的分析历史数据提前规划飞行任务,也可以高效快速的进行在线飞行路径修正。该方法不局限于针对气候环境的太阳能飞行器的路径规划,通过修改其中因子,也可以拓展到诸如高山地区等其他环境的飞行路径规划中。
Description
技术领域
本发明涉及一种太阳能飞机自主寻优航迹规划方法和系统。
背景技术
长航时太阳能飞机是一种利用太阳能作为主要能源供给系统,并能在低、高空连续飞行数周以上的无人驾驶飞行器。因其可以完成卫星的侦察、预警、大气观测、中继通信等大部分工作,因此,长航时太阳能飞机目前正受到各航空航天大国的关注。现今的太阳能无人飞行器,结合高度优化的气动外形和高效太阳能充电系统,长航时飞行的能力不断提高。例如,“天空使者”和“西风”无人飞行器已经实现多天飞行或者是“名义”上的永久飞行。前述两者可以分别代表当前太阳能无人机的两个发展趋势,即低空长航时(LALE)小展弦比飞行器和高空长航时(HALE)大展弦比飞行器。
相比之下,低空长航时小型化的太阳能飞行器,由于自身结构复杂性低、体积小、发射(起飞)方式简单,更适合搜索和营救、侦查和测绘等任务。然而上述任务都需要建立在细致的任务路径上执行,为保证任务完成的效率和质量,需要对飞行器的路径进行规划,经过优化算法并分析各方面因素对目标函数取值的影响,从而获取路径规划的最优结果。太阳能无人机也面临着许多严峻的挑战,例如结构轻量化设计引起的对环境条件的敏感性,飞行速度低,对太阳辐照度的严重依赖等,其中太阳辐照度对太阳能电池板的效率有非常大的影响,直接影响着太阳能无人机的工作状态。基于上述因素,要使太阳能无人机实现长期良好状态的运行,在气象环境下执行详细计划任务的能力对于太阳能无人机的长期飞行来说是必不可少而且十分重要的。
发明内容
根据本发明的一个方面,提供了一种太阳能飞机自主寻优航迹规划方法,其特征在于包括:
A)构建网格化、离散化环境信息,该系统模型包括:
本文所使用的蚁群算法是以节点为概率的算法,因此需要将环境信息进行网格化、离散化处理以便将环境信息输入算法。
对云层信息数据进行离散化、网格化处理;
包括云层厚度、太阳方位及日期和分布位置的气象预测数据,
决定飞行器飞行路线的太阳辐照度,其影响飞行器的太阳能电池板发电功率和飞行器的飞行参数,
B)确定蚁群算法节点函数预算法改进
蚁群算法原理是模拟蚂蚁搜索觅食的过程,是一种生物进化类算法。常常在大型图形的复杂优化问题中使用。其特征为:信息素正反馈、分布式并行计算、启发式搜索。
由于具有以上特征,蚁群算法具有以下优点
(1)具备正反馈原理,优化过程在正反馈的影响下逐渐向更好的解决方案收敛,最后趋于最佳解;
(2)单只蚂蚁在优化过程中释放信息素改变路径信息,且通过感知附近环境中的信息素浓度进行“交流”;
(3)算法进行路径优化采用分布式搜索方法,种群内的个体同步进行路径搜索,算法的分布式搜索方式可有效提升路径搜索效率;
(4)启发式的概率搜索方式避免陷入局部最优,易于寻找到全局最优解,或者以更大概率按照向启发信息给出的方向搜索。
根据本发明的一个方面,提供了一种太阳能飞机自主寻优航迹规划方法,其特征在于包括:
A)将输入的云层信息进行处理使其离散网格化,形成离散化的气象数据矩阵节点矩阵,作为航迹规划的环境,所述云层信息包括云层位置、厚度的气象信息数据,厚度可通过该位置的云层上表面减去下表面得到。
B)生成一个可移动点矩阵以便输入蚁群算法进行路径规划,进行路径规划,
C)计算多个可移动节点,
D)保存经过路径并计算经过路径的代价,
E)判断是否达到预定的最大迭代次数,其中:
若未达到预定的最大迭代次数,则计算信息素浓度增量并更新信息素浓度,并重新执行所述步骤C);
若达到了预定的最大迭代次数,则结束步骤E),把步骤D)和步骤E)的收敛结果作为最优路径(109),并输出最优路径,
其中,所述步骤C)包括:
C1)在初始参数输入并开始后,计算可移动点蚁群信息素浓度,保留一定信息素以影响下一次进行路径规划,
C2)确定可移动点的距离启发信息η,其中所述距离启发信息η为最大预选节点到目的地距离减去预选节点和目的地距离,由下式表征:
其中ω,μ是一组常数,s1为当前节点,s2为预选节点,D(j,e)是预选节点与终点距离,
C3)计算可移动点的气象启发信息γ,气象启发信息的表达式如下:
γs1→s2=1/W(xs2,ys2)
其中W(xs2,ys2)是预选节点s2的云层厚度气象信息数据,
C4)确定可移动点的移动概率并执行移动更新,所述移动概率被表征为:
其中,
p为节点之间运动的概率,s1为当前节点,s2为预选节点,si为可选择节点,α、β1、β2是表征相应因子重要程度的参数并在步骤C1)的初始参数输入环节输入,τ为蚁群信息素浓度,η为距离启发信息,γ为气象启发信息,
C5)在执行移动更新之后,判断是否达到预定终点,其中:
若未达到预定终点,则回到所述步骤C1);
若达到了预定终点,则将全部信息保存和/或输出,并结束步骤C)的操作。
根据本发明的另一个方面,提供了存储有一种计算机可执行程序的非易失存储介质,该计算机可执行程序使计算机执行上述的太阳能飞机自主寻优航迹规划方法。
根据本发明的又一个方面,提供了一种太阳能飞机自主寻优航迹规划系统,其特征在于包括:
A)将输入的云层信息进行处理使其离散网格化的部分,用于形成离散化的气象数据矩阵节点矩阵,作为航迹规划的环境,所述云层信息包括云层位置、厚度气象信息数据,
B)生成一个可移动点矩阵以便输入蚁群算法进行路径规划的部分,用于进行路径规划,
C)用于计算多个可移动节点的部分,
D)用于保存经过路径并计算经过路径的代价的部分,
E)用于判断是否达到预定的最大迭代次数的部分,用于执行以下操作:
若未达到预定的最大迭代次数,则计算信息素浓度增量并更新信息素浓度,并重新执行所述步骤C);
若达到了预定的最大迭代次数,则结束步骤E),把步骤D)和步骤E)的收敛结果作为最优路径(109),并输出最优路径,
其中,所述用于计算多个可移动节点的部分包括用于执行以下操作的部分:
C1)在初始参数输入并开始后,计算可移动点蚁群信息素浓度,保留一定信息素以影响下一次进行路径规划,
C2)确定可移动点的距离启发信息η,其中所述距离启发信息η为最大预选节点到目的地距离减去预选节点和目的地距离,由下式表征:
其中ω,μ是一组常数,s1为当前节点,s2为预选节点,D(j,e)是预选节点与终点距离,
C3)计算可移动点的气象启发信息γ,气象启发信息的表达式如下:
γs1→s2=1/W(xs2,ys2)
其中W(xs2,ys2)是预选节点s2的云层厚度气象信息数据,
C4)确定可移动点的移动概率并执行移动更新,所述移动概率被表征为:
其中,
p为节点之间运动的概率,s1为当前节点,s2为预选节点,si为可选择节点,α、β1、β2是表征相应因子重要程度的参数其中,信息素强度因子α的取值范围为(0,1)、距离信息强度因子β1是算法中距离启发信息强度因子使用的变量名称,β2是气象启发信息强度因子,参数β1和β2=4或5具有全局适用性。并在步骤C1)的初始参数输入环节输入,时τ为蚁群信息素浓度,η为距离启发信息,γ为气象启发信息,
C5)在执行移动更新之后,判断是否达到预定终点,其中:
若未达到预定终点,则回到所述步骤C1);
若达到了预定终点,则将全部信息保存和/或输出,并结束步骤C)的操作。
附图说明
图1是根据本发明的采用蚁群算法路径规划的太阳能飞机自主寻优航迹规划方法的流程图。
图2是图1中的可移动点并行计算模块的流程图。
具体实施方式
根据本发明的太阳能飞机自主寻优航迹规划方法将无人机的系统模型与气象条件紧密结合,设计目标是在部分多云的条件下,使用蚁群算法根据气象数据对飞行器的飞行路径进行规划,从而实现飞行器的长航时飞行,保证飞行器飞行安全并按要求完成用户规定的任务。
根据本发明的一个实施例的太阳能飞机自主寻优航迹规划方法的流程如图1所示,其中,无人机开始工作时(101),首先读取云层图形信息,接着自动将输入的云层信息进行处理使其离散网格化(102),并生成一个可移动点矩阵以便输入蚁群算法进行路径规划(103),
图形自动输入后,在已经进行计算选择后的设置好的初始参数下(104)开始进行路径规划,由于蚁群算法是以节点为基础,因此每更新一步都会同时计算多个可移动节点(105);根据本发明的一个实施例的可移动节点的计算的流程如图2所示,对其的说明在下文进行。每次计算完可移动点的概率并选择可移动点之后,保存经过路径并计算经过路径的代价函数(106),并判断是否达到最大迭代次数(107);若为未达到最大迭代次数,则计算信息素浓度增量并更新信息素浓度(108),并重新进入可移动点计算模块(105)以达到找到最优路径的目的;若达到最大迭代次数,则结束并输出最优路径(109)。
可移动点确定流程,以下结合图2详细说明可移动点计算模块(105)的流程。
在初始参数输入(104)并开始后(201),计算可移动点蚁群信息素浓度(202),蚁群信息素浓度τ是指生物学上蚂蚁在经过的路径上放下一定数量的信息素,信息素以一定速率蒸发,时间越长总量越少,在每轮迭代完成后进行更新。通过信息素的正反馈以达到进行选择在节点之间的移动选择的功能,通过反馈使得能够使规划的结果收敛,从而使路径逐渐收敛。每次达到目标节点之后,保留一定信息素以影响下一次进行路径规划。
然后计算可移动点距离启发信息(203),本发明对原始蚁群算法做了一些改进。启发式距离信息η原本是指蚁群算法当前节点与预选节点和目的地的距离信息,这样会导致在离目标节点太远的时候距离启发信息的弱化,或者太近的时候距离启发信息的强化,这两种情况都会导致可移动点选择不能有理想效果,在本发明的算法中将其改进为最大预选节点到目的地距离减去预选节点和目的地距离。
针对原始蚁群算法中的距离启发信息定义的改进,即:在原始蚁群算法中距离启发式信息使用的是路径状态s2到终点的距离,即:
其中d是表示两点之间的距离。这一定义方法存在重大的缺陷,一是在于末段距离启发式信息对预选节点概率计算有强化效应,强烈干扰路径规划结果;二是起始段的距离启发信息差异性极小,对路径规划的引导作用微弱,本发明将其改进为:
由此,本发明对距离启发信息的定义进行了改进,其中ω,μ是一组常数,s1为当前节点,s2为预选节点,D(j,e)是预选节点与终点距离。
最后计算可移动点气象启发信息(204),气象启发信息γ是指环境因素对飞机能量获得的影响,包括云层厚度、空气清洁程度;原有的蚁群算法只有可移动和不可移动两种;在本发明中,为了考虑环境信息而改进了蚁群算法,加入了环境因子,改进后的蚁群算法在进行路径规划后都是可以动的,但是节点本身有气象数据信息γ以进行择优选择从而进行路径规划,气象启发信息式因子γs1→s2使用气象信息Qs2确定,β2是调节γs1→s2在路径规划中重要程度的参数,其他参数的含义同原始算法中含义一致。在根据本发明的一个实施例的方案中,气象信息启发式因子的表达式如下:
γs1→s2=1/W(xs2,ys2)
其中W(xs2,ys2)是状态s2所在节点的气象信息数据。
最后,计算可移动点移动概率并执行移动更新(205),根据本发明的蚁群算法节点函数的表达式为:
其中,p为节点之间运动的概率,s1为当前节点,s2为预选节点,si为可选择节点,α,β1,β2表征相应因子重要程度的参数并在(104)输入,τ为蚁群信息素浓度,η为启发式距离信息,γ为气象数据信息。
执行移动后,判断是否达到预定终点(206);若未达到,则回到(202)重新计算直到达到终点;若达到终点,则将全部信息保存输出并结束可移动点计算模块(207)。
Claims (7)
1.一种太阳能飞机自主寻优航迹规划方法,其特征在于包括:
A)将输入的云层信息进行处理使其离散网格化(102),形成离散化的气象数据矩阵节点矩阵,作为航迹规划的环境,所述云层信息包括云层厚度气象信息数据,
B)生成一个可移动点矩阵以便输入蚁群算法进行路径规划(103),进行路径规划,
C)计算多个可移动节点(105),
D)保存经过路径并计算经过路径的代价(106),
E)判断是否达到预定的最大迭代次数(107),其中:
若未达到预定的最大迭代次数,则计算信息素浓度增量并更新信息素浓度(108),并重新执行所述步骤C);
若达到了预定的最大迭代次数,则结束步骤E),把步骤D)和步骤E)的收敛结果作为最优路径(109),并输出最优路径(109),
其中,所述步骤C)包括:
C1)在初始参数输入(104)并开始后(201),计算可移动点蚁群信息素浓度(202),保留一定信息素以影响下一次进行路径规划,
C2)确定可移动点的距离启发信息η(203),其中所述距离启发信息η为最大预选节点到目的地距离减去预选节点和目的地距离,由下式表征:
其中ω,μ是一组常数,s1为当前节点,s2为预选节点,D(j,e)是预选节点与终点距离,
C3)计算可移动点的气象启发信息γ(204),气象启发信息的表达式如下:
γs1→s2=1/W(xs2,ys2)
其中W(xs2,ys2)是预选节点s2的云层厚度气象信息数据,
C4)确定可移动点的移动概率并执行移动更新(205),所述移动概率被表征为:
其中,
p为节点之间运动的概率,s1为当前节点,s2为预选节点,si为可选择节点,α、β1、β2是表征相应因子重要程度的参数并在步骤C1)的初始参数输入(104)环节输入,τ为蚁群信息素浓度,η为距离启发信息,γ为气象启发信息,
C5)在执行移动更新之后,判断是否达到预定终点(206),其中:
若未达到预定终点,则回到所述步骤C1);
若达到了预定终点,则将全部信息保存和/或输出,并结束步骤C)的操作。
2.根据权利要求1所述的太阳能飞机自主寻优航迹规划方法,其特征在于:
ω,μ的值分别根据经验确定。
3.根据权利要求1所述的太阳能飞机自主寻优航迹规划方法,其特征在于:
所述步骤B)是在设置好的初始参数下(104)进行路径规划。
4.存储有一种计算机可执行程序的非易失存储介质,该计算机可执行程序使计算机执行根据权利要求1-3之一所述的太阳能飞机自主寻优航迹规划方法。
5.一种太阳能飞机自主寻优航迹规划系统,其特征在于包括:
A)将输入的云层信息进行处理使其离散网格化(102)的部分,用于形成离散化的气象数据矩阵节点矩阵,作为航迹规划的环境,所述云层信息包括云层厚度气象信息数据,
B)生成一个可移动点矩阵以便输入蚁群算法进行路径规划(103)的部分,用于进行路径规划,
C)用于计算多个可移动节点(105)的部分,
D)用于保存经过路径并计算经过路径的代价(106)的部分,
E)用于判断是否达到预定的最大迭代次数(107)的部分,用于执行以下操作:
若未达到预定的最大迭代次数,则计算信息素浓度增量并更新信息素浓度(108),并重新执行所述步骤C);
若达到了预定的最大迭代次数,则结束步骤E),把步骤D)和步骤E)的收敛结果作为最优路径(109),并输出最优路径(109),
其中,所述用于计算多个可移动节点(105)的部分包括用于执行以下操作的部分:
C1)在初始参数输入(104)并开始后(201),计算可移动点蚁群信息素浓度(202),保留一定信息素以影响下一次进行路径规划,
C2)确定可移动点的距离启发信息η(203),其中所述距离启发信息η为最大预选节点到目的地距离减去预选节点和目的地距离,由下式表征:
其中ω,μ是一组常数,s1为当前节点,s2为预选节点,D(j,e)是预选节点与终点距离,
C3)计算可移动点的气象启发信息γ(204),气象启发信息的表达式如下:
γs1→s2=1/W(xs2,ys2)
其中W(xs2,ys2)是预选节点s2的云层厚度气象信息数据,
C4)确定可移动点的移动概率并执行移动更新(205),所述移动概率被表征为:
其中,
p为节点之间运动的概率,s1为当前节点,s2为预选节点,si为可选择节点,α、β1、β2是表征相应因子重要程度的参数并在步骤C1)的初始参数输入(104)环节输入,τ为蚁群信息素浓度,η为距离启发信息,γ为气象启发信息,
C5)在执行移动更新之后,判断是否达到预定终点(206),其中:
若未达到预定终点,则回到所述步骤C1);
若达到了预定终点,则将全部信息保存和/或输出,并结束步骤C)的操作。
6.根据权利要求5所述的太阳能飞机自主寻优航迹规划系统,其特征在于:
ω,μ的值分别根据经验确定。
7.根据权利要求5所述的太阳能飞机自主寻优航迹规划系统,其特征在于:
所述生成一个可移动点矩阵以便输入蚁群算法进行路径规划(103)的部分用于在设置好的初始参数下(104)进行路径规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910205271.3A CN109919391B (zh) | 2019-03-19 | 2019-03-19 | 一种太阳能飞机自主寻优航迹规划方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910205271.3A CN109919391B (zh) | 2019-03-19 | 2019-03-19 | 一种太阳能飞机自主寻优航迹规划方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919391A true CN109919391A (zh) | 2019-06-21 |
CN109919391B CN109919391B (zh) | 2021-01-08 |
Family
ID=66965394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910205271.3A Active CN109919391B (zh) | 2019-03-19 | 2019-03-19 | 一种太阳能飞机自主寻优航迹规划方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919391B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879610A (zh) * | 2019-10-24 | 2020-03-13 | 北京航空航天大学 | 太阳能无人机自主寻优航迹规划的强化学习方法 |
CN113095459A (zh) * | 2019-12-23 | 2021-07-09 | 中移(成都)信息通信科技有限公司 | 一种信息处理方法、装置、设备及计算机存储介质 |
CN115562273A (zh) * | 2022-10-11 | 2023-01-03 | 河北工业大学 | 基于混合改进蚁群算法的移动机器人路径规划方法及系统 |
CN116901774A (zh) * | 2023-09-11 | 2023-10-20 | 南京安充智能科技有限公司 | 基于全网通充电桩的柔性配电方法、系统及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136080A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于满意决策蚁群智能无人作战飞机自适应航路规划方法 |
US20130204824A1 (en) * | 2011-12-29 | 2013-08-08 | Passur Aerospace, Inc. | System and Method to Uplink Data to the Flight Deck of an Aircraft |
CN105480402A (zh) * | 2015-11-19 | 2016-04-13 | 北京航空航天大学 | 一种新型布局太阳能无人机方案 |
CN106705970A (zh) * | 2016-11-21 | 2017-05-24 | 中国航空无线电电子研究所 | 一种基于蚁群算法的多无人机协同路径规划方法 |
CN108107911A (zh) * | 2017-12-28 | 2018-06-01 | 北京航空航天大学 | 一种太阳能飞机自主寻优航迹规划方法 |
CN108563239A (zh) * | 2018-06-29 | 2018-09-21 | 电子科技大学 | 一种基于势场蚁群算法的无人机航迹规划方法 |
CN109343569A (zh) * | 2018-11-19 | 2019-02-15 | 南京航空航天大学 | 多无人机集群自组织协同察打任务规划方法 |
-
2019
- 2019-03-19 CN CN201910205271.3A patent/CN109919391B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136080A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于满意决策蚁群智能无人作战飞机自适应航路规划方法 |
US20130204824A1 (en) * | 2011-12-29 | 2013-08-08 | Passur Aerospace, Inc. | System and Method to Uplink Data to the Flight Deck of an Aircraft |
CN105480402A (zh) * | 2015-11-19 | 2016-04-13 | 北京航空航天大学 | 一种新型布局太阳能无人机方案 |
CN106705970A (zh) * | 2016-11-21 | 2017-05-24 | 中国航空无线电电子研究所 | 一种基于蚁群算法的多无人机协同路径规划方法 |
CN108107911A (zh) * | 2017-12-28 | 2018-06-01 | 北京航空航天大学 | 一种太阳能飞机自主寻优航迹规划方法 |
CN108563239A (zh) * | 2018-06-29 | 2018-09-21 | 电子科技大学 | 一种基于势场蚁群算法的无人机航迹规划方法 |
CN109343569A (zh) * | 2018-11-19 | 2019-02-15 | 南京航空航天大学 | 多无人机集群自组织协同察打任务规划方法 |
Non-Patent Citations (3)
Title |
---|
WEIFENG SUN ETAL.: "QSACO: A QoS-Based Self-Adapted Ant Colony Optimization", 《2017 5TH IEEE INTERNATIONAL CONFERENCE ON MOBILE CLOUD COMPUTING, SERVICES, AND ENGINEERING (MOBILECLOUD)》 * |
何磊 等: "面向敏捷卫星任务规划的云层建模及处理方法", 《系统工程与电子技术》 * |
周树道 等: "实况气象资料与遗传蚁群算法相结合的航迹规划研究", 《计算机测量与控制》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879610A (zh) * | 2019-10-24 | 2020-03-13 | 北京航空航天大学 | 太阳能无人机自主寻优航迹规划的强化学习方法 |
CN113095459A (zh) * | 2019-12-23 | 2021-07-09 | 中移(成都)信息通信科技有限公司 | 一种信息处理方法、装置、设备及计算机存储介质 |
CN115562273A (zh) * | 2022-10-11 | 2023-01-03 | 河北工业大学 | 基于混合改进蚁群算法的移动机器人路径规划方法及系统 |
CN116901774A (zh) * | 2023-09-11 | 2023-10-20 | 南京安充智能科技有限公司 | 基于全网通充电桩的柔性配电方法、系统及存储介质 |
CN116901774B (zh) * | 2023-09-11 | 2023-11-14 | 南京安充智能科技有限公司 | 基于全网通充电桩的柔性配电方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109919391B (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919391A (zh) | 一种太阳能飞机自主寻优航迹规划方法和系统 | |
US11029168B2 (en) | Method for identifying optimal vehicle paths when energy is a key metric or constraint | |
CN110428111B (zh) | Uav/ugv协同长时多任务作业轨迹规划方法 | |
US9201426B1 (en) | Reverse iteration of planning data for system control | |
CN105679102B (zh) | 一种全国飞行流量时空分布预测推演系统及方法 | |
KR102242237B1 (ko) | 비행 관리 시스템의 모의 장치 | |
CN107103164B (zh) | 无人机执行多任务的分配方法及装置 | |
CN102915351B (zh) | 沿飞行器轨迹的天气数据选择 | |
CN110349445B (zh) | 具有多个rta约束的有效飞行剖面 | |
US9424752B1 (en) | Methods and systems for performing fleet planning based on coarse estimates of regions | |
US20180137764A1 (en) | Managing flight paths of a soaring aircraft with crowd sourcing | |
US11164464B1 (en) | Optimizing trajectory of unmanned aerial vehicles | |
CN110059863A (zh) | 一种基于所需到达时间的航空器四维航迹优化方法 | |
CN105185163B (zh) | 飞行路径选择方法和装置、飞行器和空中交通管理系统 | |
CN116954928B (zh) | 基于通导遥一体化设计的星上自主任务规划方法与设备 | |
WO2020131301A1 (en) | Generating weather models using real time observations | |
Yamashita et al. | Towards climate optimized flight trajectories in a climate model: AirTraf | |
Eubank et al. | Energy-aware multiflight planning for an unattended seaplane: Flying fish | |
Murrieta-Mendoza et al. | Mach number selection for cruise phase using ant colony algorithm for RTA constrains | |
Dai | Path planning of solar-powered unmanned aerial vehicles at low altitude | |
CN115185303A (zh) | 用于国家公园及自然保护地的无人机巡护路径规划方法 | |
Kamo et al. | Robust CDO trajectory planning under uncertainties in weather prediction | |
US11009879B2 (en) | Systems and methods for controlling an aerial vehicle using lateral propulsion and vertical movement | |
Oettershagen et al. | Meteorology-Aware Multi-Goal Path Planning for Large-Scale Inspection Missions with Long-Endurance Solar-Powered Aircraft | |
EP3763146A1 (en) | Systems and methods for planning high altitude platform-based communication networks |
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 |