CN110162077A - 一种基于飞鱼算法的无人机航迹规划方法 - Google Patents
一种基于飞鱼算法的无人机航迹规划方法 Download PDFInfo
- Publication number
- CN110162077A CN110162077A CN201910527322.4A CN201910527322A CN110162077A CN 110162077 A CN110162077 A CN 110162077A CN 201910527322 A CN201910527322 A CN 201910527322A CN 110162077 A CN110162077 A CN 110162077A
- Authority
- CN
- China
- Prior art keywords
- unmanned plane
- flying
- fish
- flying fish
- aerial vehicle
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于飞鱼算法的无人机航迹规划方法,属于无人机飞行控制领域。包括建立无人机飞行运动模型,设计球面坐标系动作姿态向量;利用检测概率的效能值和无人机奖惩机制构建航迹评价函数,将无人机连续的飞行动作离散化,以时间作为间隔,使用飞鱼算法对每一时刻的航迹评价函数值寻优;更新飞鱼种群,结合种群飞行寻优思想进行迭代,当迭代寻优操作达到最大迭代次数,生成每一时刻最优动作姿态;将最优动作姿态数据控制无人机,生成有效可靠的无人机飞行航迹。本发明结合飞鱼算法,利用种群飞行觅食寻优和交互平台,增强了航迹规划方法的全局搜索能力,本发明模型简单、收敛速度快、准确率高、可靠性好,适用不同场合下的飞行任务。
Description
技术领域
本发明涉及一种基于飞鱼算法的无人机航迹规划方法,属于无人机飞行控制领域。
背景技术
无人机是在民用、军用领域极为重要的载体,航迹规划是无人机完成一切飞行任务的重要技术手段。航迹规划就是在综合考虑无人机到达时间、威胁以及飞行区域等因素的前提下,为无人机规划出最优或满意的飞行航迹,以保证圆满地完成飞行任务。随着现代化技术日趋复杂,传统的无人机航迹规划方法已不能满足无人机飞行任务的实际需求。制定一个可靠而有效的航迹规划方法,已成为无人机高效完成飞行任务的瓶颈。目前的航迹规划方法主要包括人工势场法和栅格法,这些方法计算复杂度高,收敛速度慢,适应性差且可靠性难以保证。
基于人工势场法的航迹规划是一种模拟电势场分布的规划方法,任务区域内的目标点产生引力场,威胁源产生斥力场,无人机在引力和斥力的共同作用下向目标点运动。这种方法在局部规划领域应用广泛,但是无法适应全局性航迹规划,当无人机离目标点比较远时,无人机会进入威胁区域,导致该方法可靠性差、复杂度高、收敛速度慢。
基于栅格法的航迹规划是一种将规划空间均匀离散化处理的方法,将空间离散化之后,限定无人机动作方向,然后从起始单元开始搜索至目标单元的所有可行路径。栅格单元划分的疏密程度对算法的性能有较大的影响,栅格划分的越密,规划所得航迹越精细,同时需要更多的储存空间和计算资源,导致算法规划时间长,收敛速度慢,对于一些复杂飞行环境其适应性也十分有限。
发明内容
本发明的目的是为了解决无人机航迹规划存在适应性弱、可靠性差、复杂度高、收敛速度慢的问题而提供一种基于飞鱼算法的无人机航迹规划方法。
本发明的目的是这样实现的,一种基于飞鱼算法的无人机航迹规划方法,具体包括以下步骤:
步骤1、建立无人机飞行运动模型,设计球面坐标系动作姿态向量;
步骤2、从飞行环境中侦测目标信息,对其进行信息处理,获得相应探测中心的检测概率,对其进行数据处理获得检测效能,将处理后的检测效能值作为航迹评价指标;
步骤3、构造无人机飞行奖励机制,使其作为另一航迹评价指标,计算无人机与目标区域的径向距离,并以此作为奖励机制的评价因素;
步骤4、结合无人机动作姿态向量,利用探测中心的检测效能值和无人机飞行奖励机制进行加权求和,得到航迹评价函数,并对航迹评价指标的权重进行实时修正处理;
步骤5、将无人机连续的飞行动作离散化,以时间作为间隔,使用飞鱼算法对每一时刻的航迹评价函数值寻优;更新飞鱼种群,结合种群飞行寻优思想进行迭代,当迭代寻优操作达到最大迭代次数,生成每一时刻最优动作姿态;
步骤6、用最优动作姿态数据控制无人机,生成有效可靠的无人机飞行航迹。
本发明还包括这样一些结构特征:
所述步骤1具体包括以无人机起飞点作为坐标系原点,以无人机起飞初始方向作为坐标系vx轴正方向建立右手坐标系,计算第n个时间间隔无人机在三个坐标轴方向满足的速度分量
其中,θn为第n个时间间隔速度方向角,为第n个时间间隔速度俯仰角,进一步得到无人机动作姿态向量
步骤2所述探测中心的检测概率为P(Q1)、P(Q2):
一种基于飞鱼算法的无人机航迹规划方法,步骤3所述无人机飞行奖励机制为奖励机制函数Re:
步骤3所述无人机与目标区域的径向距离为D:
步骤4所述航迹评价函数为Inf(Un):
Inf(Un)=λ1F1+λ2F2+λ3Re
其中,λ1、λ2为两个探测中心检测效能的权重,λ3为无人机奖励机制函数的权重。
所述步骤5具体包括以下步骤:
步骤5.1、初始化飞鱼算法运行次数runtime、迭代循环次数maxCycle,随机产生鱼群大小为NP,设定飞鱼种群移动距离为G,鱼群可视域值为Visual;
步骤5.2、飞鱼种群进行种群飞行觅食,其中鱼群位置更新为:
其中,为第i个鱼在第m代的无人机动作姿态向量;为点对点乘法,α为步长控制量,用于控制步长的搜索范围,其值服从正态分布,L(μ)为随机搜索路径:
L(μ)=s-μ,1<μ≤3
其中,s为飞行步长,μ为飞行更新参数,一般取1.5。
步骤5.3、根据步骤5.2的觅食结果计算个体适应度值:
其中,无人机动作姿态向量矩阵是航迹评价函数的解。将鱼群个体的最优适应度的值fitness(k)赋给交互平台,鱼群个体通过聚群行为和追尾行为更新飞鱼群位置,并更新鱼群交互平台。
步骤5.4、计算适应度均值:
将适应度的值fitness(k)与适应度均值比较,当时,执行聚群行为,使飞鱼朝中心位置Unc前进一步:
其中,||·||表示模长;rand(0,1)表示0到1随机数。
步骤5.5、当时,执行追尾行为,使飞鱼朝邻域内最优值Unmax移动:
步骤5.6、每独立计算一次比较取最优,当runtime<maxCycle时:
runtime=runtime+1
然后返回步骤5.2继续执行,当runtime=maxCycle时的最优适应值所对应的解作为航迹评价函数的最优参数,实现应用飞鱼算法对参数的寻优;
步骤5.7、将飞鱼算法寻优得到的最优解合并为无人机动作姿态向量矩阵U:
其中,N为总时间间隔数量。
与现有技术相比,本发明的有益效果是:
本发明采用球面坐标系下的无人机动作姿态向量,构建无人机的飞行速度和飞行角度关系式,使无人机运动姿态更连贯,进而提升了航迹规划方法的准确率。本发明综合评价无人机在空域中的各个影响要素,引入航迹评价函数对无人机进行实时飞行寻优,实现无人机航迹的实时最优规划。本发明构造无人机奖惩机制,根据无人机状态给予奖励,迫使无人机快速抵达目标区域,从而加快了算法收敛速度。发明以时间间隔计算无人机航迹评价指标,将各个航迹评价指标进行累加,提高了所提方法的可靠性。本发明将无人机连续的飞行动作进行离散化处理,计算航迹评价函数值,符合实际环境,有效提高了适应能力。本发明引入集群智能化方法对航迹评价函数值进行寻优,使无人机航迹评价函数值降至最低。该方法降低了计算复杂度,增强了全局搜索能力。本发明提出一种飞鱼算法,利用种群飞行觅食寻优和交互平台,增强了航迹规划方法的全局搜索能力。本发明将航迹评价指标进行实时权重修正处理,使得权重可根据无人机动作变化而调整,增强了航迹评价指标的适应性,提高了所提方法的可靠性,进一步实现了无人机航迹的快速准确规划。本方法模型简单、收敛速度快、准确率高、可靠性好,同时,适用不同场合下的飞行任务。
附图说明
图1是本发明的方案结构图;
图2是本发明无人机航迹规划直角坐标系下位置模型图;
图3是本发明无人机球面坐标系下速度模型图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明的目的是提出一种无人机航迹规划方法,主要是为了解决无人机航迹规划存在适应性弱、可靠性差、复杂度高、收敛速度慢的问题。架构飞行运动模型,设计球面坐标系下的动作姿态向量,利用检测概率的效能值和无人机奖惩机制构建航迹评价函数,提出一种新的飞鱼算法对航迹评价函数值寻优以获得最优解,最终将生成的无人机最优动作姿态数据控制无人机,从而实现了无人机航迹规划的准确生成,该方法模型简单、收敛速度快、准确率高、可靠性好,同时适用不同场合下的飞行任务。
如附图1所示,是本发明的方案结构图;如附图2所示,是本发明无人机航迹规划直角坐标系下位置模型图;如附图3所示,是本发明无人机球面坐标系下速度模型图。其中:1是第一个探测中心;2是第二个探测中心;3是目标区域中心;4是无人机起飞点;5是无人机在空中的一个点迹;6是目标区域;7是直角坐标系x轴方向;8是直角坐标系y轴方向;9是直角坐标系z轴方向;10是无人机速度飞行方向的方位角;11是无人机飞行速度方向的俯仰角;12是无人机飞行速度方向;13是无人机速度vx的方向;14是无人机速度vy的方向;15是无人机速度vz的方向。
忽略对无人机高度的限制,设定无人机初始速度大小为v0,规定无人机运动时间间隔为Δt,时间间隔的数量为n,n=1,2…。如图2所示,以无人机起点建立空间直角坐标系,假定第一个探测中心坐标为[x01,y01,z01],第二个探测区域坐标为[x02,y02,z02]。由先验知识获得两个探测中心的最大探测距离为Rmax;目标区域中心坐标为[x03,y03,z03],目标区域半径为r;由无人机定位信息获得无人机在空中第n个时间间隔的坐标为[xn,yn,zn],速度大小为vn。
步骤一:建立飞行运动模型,构造球面坐标系下动作姿态向量,如图3所示,以无人机起飞点作为坐标系原点,以无人机起飞初始方向作为坐标系vx轴正方向建立右手坐标系。计算第n个时间间隔无人机在三个坐标轴方向满足的速度分量
其中,θn为第n个时间间隔速度方向角,为第n个时间间隔速度俯仰角。进一步得到无人机动作姿态向量
步骤二:根据步骤一无人机的速度,计算无人机与两个探测中心的径向距离Q1、Q2:
步骤三:计算无人机到目标中心区域的径向距离D:
步骤四:计算探测中心的检测概率P(Q1)、P(Q2):
步骤五:根据步骤四,分别计算两个探测中心的检测效能值F1、F2:
步骤六:,构造无人机奖励机制函数Re:
步骤七:获得基于多影响因素的航迹评价函数Inf(Un):
Inf(Un)=λ1F1+λ2F2+λ3Re (8)
其中,λ1、λ2为两个探测中心检测效能的权重,λ3为无人机奖励机制函数的权重。
步骤八:将步骤七的航迹评价指标的权重进行实时修正处理:
步骤九:初始化飞鱼算法运行次数runtime、迭代循环次数maxCycle,随机产生鱼群大小为NP,设定飞鱼种群移动距离为G,鱼群可视域值为Visual。
步骤十:飞鱼种群进行种群飞行觅食,其中鱼群位置更新为:
其中,为第i个鱼在第m代的无人机动作姿态向量;为点对点乘法,α为步长控制量,用于控制步长的搜索范围,其值服从正态分布。L(μ)为随机搜索路径:
L(μ)=s-μ,1<μ≤3 (11)
其中,s为飞行步长,μ为飞行更新参数,一般取1.5。
步骤十一:根据步骤十的觅食结果计算个体适应度值:
其中,无人机动作姿态向量矩阵是航迹评价函数的解。将鱼群个体的最优适应度的值fitness(k)赋给交互平台,鱼群个体通过聚群行为(步骤十二)和追尾行为(步骤十三)更新飞鱼群位置,并更新鱼群交互平台。
步骤十二:计算适应度均值:
将适应度的值fitness(k)与适应度均值比较,当时,执行聚群行为,使飞鱼朝中心位置Unc前进一步:
其中,||·||表示模长;rand(0,1)表示0到1随机数。
步骤十三:当时,执行追尾行为,使飞鱼朝邻域内最优值Unmax移动:
步骤十四:每独立计算一次比较取最优。当runtime<maxCycle时:
runtime=runtime+1 (16)
然后返回步骤十继续执行。
当runtime=maxCycle时的最优适应值所对应的解作为航迹评价函数的最优参数,实现应用飞鱼算法对参数的寻优。
步骤十五:将飞鱼算法寻优得到的最优解合并为无人机动作姿态向量矩阵U:
其中,N为总时间间隔数量。
将最优的动作姿态向量矩阵U控制无人机,使无人机生成可靠的航迹。
本发明提供了一种基于飞鱼算法的无人机航迹规划方法,具体实现该技术方案的方法和途径有很多,以上所述仅是本发明的优选实施方案。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (7)
1.一种基于飞鱼算法的无人机航迹规划方法,其特征在于,具体包括以下步骤:
步骤1、建立无人机飞行运动模型,设计球面坐标系动作姿态向量;
步骤2、从飞行环境中侦测目标信息,对其进行信息处理,获得相应探测中心的检测概率,对其进行数据处理获得检测效能,将处理后的检测效能值作为航迹评价指标;
步骤3、构造无人机飞行奖励机制,使其作为另一航迹评价指标,计算无人机与目标区域的径向距离,并以此作为奖励机制的评价因素;
步骤4、结合无人机动作姿态向量,利用探测中心的检测效能值和无人机飞行奖励机制进行加权求和,得到航迹评价函数,并对航迹评价指标的权重进行实时修正处理;
步骤5、将无人机连续的飞行动作离散化,以时间作为间隔,使用飞鱼算法对每一时刻的航迹评价函数值寻优;更新飞鱼种群,结合种群飞行寻优思想进行迭代,当迭代寻优操作达到最大迭代次数,生成每一时刻最优动作姿态;
步骤6、用最优动作姿态数据控制无人机,生成有效可靠的无人机飞行航迹。
2.根据权利要求1所述一种基于飞鱼算法的无人机航迹规划方法,其特征在于:所述步骤1具体包括以无人机起飞点作为坐标系原点,以无人机起飞初始方向作为坐标系vx轴正方向,建立右手坐标系,计算第n个时间间隔无人机在三个坐标轴方向满足的速度分量
其中,θn为第n个时间间隔速度方向角,为第n个时间间隔速度俯仰角,得到无人机动作姿态向量
3.根据权利要求2所述一种基于飞鱼算法的无人机航迹规划方法,其特征在于,步骤2中所述探测中心的检测概率为P(Q1)、P(Q2):
4.根据权利要求3所述一种基于飞鱼算法的无人机航迹规划方法,其特征在于,步骤3中所述无人机飞行奖励机制为奖励机制函数Re:
5.根据权利要求4所述一种基于飞鱼算法的无人机航迹规划方法,其特征在于,步骤3所述无人机与目标区域的径向距离为D:
6.根据权利要求5所述一种基于飞鱼算法的无人机航迹规划方法,其特征在于,步骤4中所述航迹评价函数为Inf(Un):
Inf(Un)=λ1F1+λ2F2+λ3Re
其中,λ1、λ2为两个探测中心检测效能的权重,λ3为无人机奖励机制函数的权重。
7.根据权利要求6所述一种基于飞鱼算法的无人机航迹规划方法,其特征在于,所述步骤5具体包括以下步骤:
步骤5.1、初始化飞鱼算法运行次数runtime、迭代循环次数maxCycle,随机产生鱼群大小为NP,设定飞鱼种群移动距离为G,鱼群可视域值为Visual;
步骤5.2、飞鱼种群进行种群飞行觅食,其中鱼群位置更新为:
其中,为第i个鱼在第m代的无人机动作姿态向量;为点对点乘法,α为步长控制量,其值服从正态分布,能够控制步长的搜索范围,L(μ)为随机搜索路径:
L(μ)=s-μ,1<μ≤3
其中,s为飞行步长,μ为飞行更新参数,取1.5;
步骤5.3、根据步骤5.2的觅食结果计算个体适应度值:
其中,无人机动作姿态向量矩阵是航迹评价函数的解,将鱼群个体的最优适应度的值fitness(k)赋给交互平台,鱼群个体通过聚群行为和追尾行为更新飞鱼群位置,并更新鱼群交互平台;
步骤5.4、计算适应度均值:
将适应度的值fitness(k)与适应度均值比较,当时,执行聚群行为,使飞鱼朝中心位置Unc前进一步:
其中,||·||表示模长;rand(0,1)表示0到1随机数;
步骤5.5、当时,执行追尾行为,使飞鱼朝邻域内最优值Unmax移动:
步骤5.6、每独立计算一次比较取最优,当runtime<maxCycle时:
runtime=runtime+1
然后返回步骤5.2继续执行,将runtime=maxCycle时的最优适应值所对应的解作为航迹评价函数的最优参数,实现应用飞鱼算法对参数的寻优;
步骤5.7、将飞鱼算法寻优得到的最优解合并为无人机动作姿态向量矩阵U:
其中,N为总时间间隔数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910527322.4A CN110162077B (zh) | 2019-06-18 | 2019-06-18 | 一种基于飞鱼算法的无人机航迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910527322.4A CN110162077B (zh) | 2019-06-18 | 2019-06-18 | 一种基于飞鱼算法的无人机航迹规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110162077A true CN110162077A (zh) | 2019-08-23 |
CN110162077B CN110162077B (zh) | 2022-04-05 |
Family
ID=67625266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910527322.4A Active CN110162077B (zh) | 2019-06-18 | 2019-06-18 | 一种基于飞鱼算法的无人机航迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110162077B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046486A (zh) * | 2019-11-18 | 2020-04-21 | 西北工业大学 | 运载火箭一子级伞控回收航迹规划方法 |
CN112182957A (zh) * | 2020-09-15 | 2021-01-05 | 西北工业大学 | 一种基于天牛群算法的一子级伞控回收航迹规划方法 |
CN112711020A (zh) * | 2020-12-08 | 2021-04-27 | 中国人民解放军海军航空大学 | 基于循环阈值距离分割的群目标跟踪方法 |
CN113268074A (zh) * | 2021-06-07 | 2021-08-17 | 哈尔滨工程大学 | 一种基于联合优化的无人机航迹规划方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009073459A (ja) * | 2007-09-21 | 2009-04-09 | Yoshiaki Nagaura | 複眼レンズ付き平面形状ミラー、及び建築材料及びその製造方法 |
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
CN107300925A (zh) * | 2017-07-12 | 2017-10-27 | 西北工业大学 | 基于改进鱼群算法的四旋翼无人机姿控参数整定方法 |
CN107392388A (zh) * | 2017-07-31 | 2017-11-24 | 南昌航空大学 | 一种采用改进人工鱼群算法规划无人机三维航迹的方法 |
CN108459616A (zh) * | 2018-03-07 | 2018-08-28 | 西安电子科技大学 | 基于人工蜂群算法的无人机群协同覆盖航路规划方法 |
CN109144102A (zh) * | 2018-09-19 | 2019-01-04 | 沈阳航空航天大学 | 一种基于改进蝙蝠算法的无人机航路规划方法 |
-
2019
- 2019-06-18 CN CN201910527322.4A patent/CN110162077B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009073459A (ja) * | 2007-09-21 | 2009-04-09 | Yoshiaki Nagaura | 複眼レンズ付き平面形状ミラー、及び建築材料及びその製造方法 |
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
CN107300925A (zh) * | 2017-07-12 | 2017-10-27 | 西北工业大学 | 基于改进鱼群算法的四旋翼无人机姿控参数整定方法 |
CN107392388A (zh) * | 2017-07-31 | 2017-11-24 | 南昌航空大学 | 一种采用改进人工鱼群算法规划无人机三维航迹的方法 |
CN108459616A (zh) * | 2018-03-07 | 2018-08-28 | 西安电子科技大学 | 基于人工蜂群算法的无人机群协同覆盖航路规划方法 |
CN109144102A (zh) * | 2018-09-19 | 2019-01-04 | 沈阳航空航天大学 | 一种基于改进蝙蝠算法的无人机航路规划方法 |
Non-Patent Citations (6)
Title |
---|
YONGNAN JIA: "Three-Dimensional Leaderless Flocking Control of Large-Scale Small Unmanned Aerial Vehicles", 《IFAC-PAPERSONLINE》 * |
YUMIN CHEN: "Finding rough set reducts with fish swarm algorithm", 《KNOWLEDGE-BASED SYSTEMS》 * |
李月娟: "基于MMDP的无人作战飞机任务分配模型研究", 《计算机应用与软件》 * |
王希彬: "人工鱼群算法在无人机SLAM数据关联中的应用", 《仪表技术》 * |
王瑞: "基于A*算法的无人机跟踪目标的航迹规划", 《计算机测量与控制》 * |
陈建荣: "人工鱼群算法在机器人加工路径规划中的应用", 《计算机工程与应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046486A (zh) * | 2019-11-18 | 2020-04-21 | 西北工业大学 | 运载火箭一子级伞控回收航迹规划方法 |
CN111046486B (zh) * | 2019-11-18 | 2022-05-03 | 西北工业大学 | 运载火箭一子级伞控回收航迹规划方法 |
CN112182957A (zh) * | 2020-09-15 | 2021-01-05 | 西北工业大学 | 一种基于天牛群算法的一子级伞控回收航迹规划方法 |
CN112711020A (zh) * | 2020-12-08 | 2021-04-27 | 中国人民解放军海军航空大学 | 基于循环阈值距离分割的群目标跟踪方法 |
CN113268074A (zh) * | 2021-06-07 | 2021-08-17 | 哈尔滨工程大学 | 一种基于联合优化的无人机航迹规划方法 |
CN113268074B (zh) * | 2021-06-07 | 2022-05-13 | 哈尔滨工程大学 | 一种基于联合优化的无人机航迹规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110162077B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110162077A (zh) | 一种基于飞鱼算法的无人机航迹规划方法 | |
Sang et al. | The hybrid path planning algorithm based on improved A* and artificial potential field for unmanned surface vehicle formations | |
CN110608743B (zh) | 基于多种群混沌灰狼算法的多无人机协同航路规划方法 | |
Liu et al. | Adaptive sensitivity decision based path planning algorithm for unmanned aerial vehicle with improved particle swarm optimization | |
CN107168380B (zh) | 一种基于蚁群算法的无人机群区域覆盖的多步寻优方法 | |
CN108388250B (zh) | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 | |
CN109144102A (zh) | 一种基于改进蝙蝠算法的无人机航路规划方法 | |
CN109871032A (zh) | 一种基于模型预测控制的多无人机编队协同控制方法 | |
CN108459616B (zh) | 基于人工蜂群算法的无人机群协同覆盖航路规划方法 | |
CN112684807A (zh) | 无人机集群三维编队方法 | |
CN107589663B (zh) | 基于多步粒子群算法的无人机协同侦察覆盖方法 | |
CN109269502A (zh) | 一种基于多策略改进粒子群算法的无人机三维航路规划方法 | |
CN109917806A (zh) | 一种基于非劣解鸽群优化的无人机集群编队控制方法 | |
Cai et al. | Path planning for UAV tracking target based on improved A-star algorithm | |
CN114840020A (zh) | 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法 | |
Cao et al. | UAV path planning based on improved particle swarm algorithm | |
CN115435787A (zh) | 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统 | |
Wu et al. | Ucav path planning based on improved chaotic particle swarm optimization | |
Zhang et al. | Improving autonomous behavior strategy learning in an unmanned swarm system through knowledge enhancement | |
Yang et al. | Multi-UAV task assignment based on quantum genetic algorithm | |
Shen et al. | Research on real-time flight path planning of UAV based on grey prediction | |
Yao-zhong et al. | Multi-UAVs cooperative reconnaissance based on improved harmony search algorithm | |
Zhang et al. | Situational continuity-based air combat autonomous maneuvering decision-making | |
Fang et al. | Approximate dynamic programming for CGF air combat maneuvering decision | |
Duan et al. | Route planning method design for UAV under radar ECM scenario |
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 |