CN111121784B - 一种无人侦察机航路规划方法 - Google Patents

一种无人侦察机航路规划方法 Download PDF

Info

Publication number
CN111121784B
CN111121784B CN201911346711.3A CN201911346711A CN111121784B CN 111121784 B CN111121784 B CN 111121784B CN 201911346711 A CN201911346711 A CN 201911346711A CN 111121784 B CN111121784 B CN 111121784B
Authority
CN
China
Prior art keywords
feasible
solution
updated
updating
route
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
Application number
CN201911346711.3A
Other languages
English (en)
Other versions
CN111121784A (zh
Inventor
朱威仁
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.)
AVIC First Aircraft Institute
Original Assignee
AVIC First Aircraft 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 AVIC First Aircraft Institute filed Critical AVIC First Aircraft Institute
Priority to CN201911346711.3A priority Critical patent/CN111121784B/zh
Publication of CN111121784A publication Critical patent/CN111121784A/zh
Application granted granted Critical
Publication of CN111121784B publication Critical patent/CN111121784B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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 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
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于无人机导航技术，涉及一种无人侦察机航路规划方法。该方法包括：确定无人侦察机本次任务中的出发点、终点、敌方火力威胁区、恶劣气候区、目标区域；随机生成M组D个点；在出发点、终点、敌方火力威胁区、恶劣气候区、目标区域的条件下，将M个可行解经过头脑风暴优化算法多次迭代，确定出无人侦察机本次任务的最优解和最优路径。

Description

一种无人侦察机航路规划方法
技术领域
本发明属于无人机导航技术，涉及一种无人侦察机航路规划方法。
背景技术
无人侦察机是空中作战体系中的重要组成部分，在作战时，需要根据执行任务前获取的敌方火力威胁、恶劣气候区、目标区域等情报信息基础上进行航路规划，在避开敌方火力威胁，尽量避开恶劣气候区的前提下，穿越覆盖目标区域完成侦察，以较少的燃油消耗获得最佳的侦察效果。
发明内容
发明目的：提供一种无人侦察机航路规划方法，解决无人侦察机的最优侦查路径。
本发明提供一种无人侦察机航路规划方法，包括：
确定无人侦察机本次任务中的出发点、终点、敌方火力威胁区、恶劣气候区、目标区域；
随机生成M组D个点；其中，D个点的横坐标将出发点和终点之间的连线进行D+1等分，D个点的纵坐标表征该点到连线的偏移量，D和M都为自然数；每一组点的纵坐标集合作为一个可行解；
在出发点、终点、敌方火力威胁区、恶劣气候区、目标区域的条件下，将 M个可行解经过头脑风暴优化算法多次迭代，确定出无人侦察机本次任务的最优解和最优路径。
进一步的，对于第w次迭代，w为正整数，根据M个可行解和初始的最优解经过头脑风暴优化算法多次迭代，确定出无人侦察机本次任务的最优解和最优路径，包括：
根据第w-1次迭代出的M条航路的穿越敌方火力威胁区、恶劣气候区、目标区域的情况，对相应的航路进行评价；航路是将起点、第w-1次迭代出相应组的点和终点进行依次相连得到的；
将评价最高的可行解作为所有可行解的第w次迭代的全局最优解；将同一聚类内评价最高的可行解作为第w次迭代的聚类中心；其中，M组可行解分为 N个具有相同个数可行解的聚类；
根据第w次迭代的聚类中心、第w次迭代的全局最优解，更新出第w次迭代的M组可行解；
其中，第0次迭代的组为随机生成的M组，最后一次迭代的M组可行解中评价最好的可行解作为最优解，起点、评价最好的可行解对应点和终点的连线作为最优路径。
进一步的，根据第w次迭代的聚类中心、第w次迭代的全局最优解，更新出第w次迭代的M组可行解，包括：
对第i个聚类的聚类中心的一个纵坐标进行随机更新；i是1到N之间的整数；
根据更新坐标的航路的穿越敌方火力威胁区、恶劣气候区、目标区域的情况，对相应的航路进行评价；更新坐标的航路由起点、更新坐标的聚类中心和终点组成；
若更新坐标的航路的评价优于原航路的评价，则用更新坐标的聚类代中心替聚类中心；
对第i个聚类中随机的一个可行解参照聚类中心进行第一次更新；
根据第一次更新的航路的穿越敌方火力威胁区、恶劣气候区、目标区域的情况，对第一次更新的航路进行评价；第一次更新的航路由起点、第一次更新的可行解和终点组成；
若第一次更新的航路的评价优于原航路的评价，则用第一次更新的可行解代替可行解，得到；
若第一次更新的航路的评价不优于原航路的评价，对第i个聚类中随机的一个可行解参照全局最优解进行第二次更新；
根据第二次更新的航路的穿越敌方火力威胁区、恶劣气候区、目标区域的情况，对第二次更新的航路进行评价；更新坐标的航路由起点、第二次更新的可行解和终点组成；
若第二次更新的航路的评价优于原航路的评价，则用第二次更新的可行解代替可行解；
若第二次更新的航路的评价不优于原航路的评价，则用一组随机生成的新可行解代替可行解。
进一步的，对航路进行评价包括：
根据航路的穿越敌方火力威胁区、恶劣气候区、目标区域的情况，确定航路的目标函数的解；所述目标函数为：
Figure RE-GDA0002419419830000031
其中Ti表示是否穿过第i个敌方火力威胁，若航路穿过第i个敌方火力威胁， Ti为1，否则为0；Cj表示是否穿过第j个恶劣气候区，若航路穿过第j个恶劣气候区，Cj为1，否则为0；Ok表示是否穿过第k个目标区域，若航路穿过第k个目标区域，Ok为1，否则为0；L表示航路的总长度；目标函数的解越小，评价越高。
进一步的，对第i个聚类中随机的一个可行解参照聚类中心进行第一次更新，包括：
在第i个聚类中随机选择一个可行解，根据第一次更新公式更新所述可行解，第一次更新公式为：
Figure RE-GDA0002419419830000032
其中，
Figure RE-GDA0002419419830000033
表示第i个聚类中随机选中的可行解，
Figure RE-GDA0002419419830000034
表示第i个聚类中心， rand表示-1到1之间的随机数，
Figure RE-GDA0002419419830000035
表示第一次更新过的可行解。
进一步的，对第i个聚类中随机的一个可行解参照全局最优解进行第二次更新，包括：
根据第二次更新公式将所述可行解向全局最优解接近；第二次更新公式为：
Figure RE-GDA0002419419830000036
其中，
Figure RE-GDA0002419419830000037
表示所述可行解，
Figure RE-GDA0002419419830000038
表示全局最优解，rand表示-1到1之间的随机数，
Figure RE-GDA0002419419830000041
表示第二次更新过的可行解。
进一步的，所述方法还包括：
将欧式距离最相近的可行解分为一个聚类。
进一步的，迭代停止条件是迭代次数大于或等于预设次数。
本发明的优点：通过模拟人类使用头脑风暴方法进行集体研讨，完成管理者决策的过程进行优化。头脑风暴算法收敛速度快，鲁棒性强，一定程度上避免了陷入局部最优解，适合解决复杂的优化问题。对于无人侦察机航路规划问题，可以采用头脑风暴算法进行优化求解。
附图说明
图1为无人侦察机航路规划方法的流程图；
图2为无人机航路规划建模示意图。
具体实现方式
本发明提供一种无人侦察机航路规划方法，如图1所示，包括：
步骤一：建立数学模型，如图2所示。确定无人侦察机本次任务中的出发点和终点位置，连接出发点和终点，初始化问题维度D，对出发点和终点连线进行D等分，在满足飞行区域约束前提下，生成D个纵坐标即可表示一条规划的航路。
初始化敌方火力威胁权值w1、恶劣气候区权值w2、目标区域权值w3、燃油消耗权值w4。
无人侦察机航路规划的目标函数f如下：
Figure RE-GDA0002419419830000042
其中，Ti表示是否穿过第i个敌方火力威胁，若航路穿过第i个敌方火力威胁，Ti为1，否则为0；Cj表示是否穿过第j个恶劣气候区，若航路穿过第j个恶劣气候区，Cj为1，否则为0；Ok表示是否穿过第k个目标区域，若航路穿过第 k个目标区域，Ok为1，否则为0；L表示航路的总长度。
目标函数值越小，表示该航路越优。
步骤二：初始化头脑风暴优化算法参数，确定种群规模为M，聚类数量为N(N＜M)，最大迭代次数Cmax。初始化当前迭代次数C＝1。
步骤三：随机初始化生成M个可行解，每个可行解包含了D个飞行限定区域内的纵坐标。随机选取其中N个可行解作为聚类中心。按照步骤一所述计算得到每个可行解的目标函数值，并按照目标函数值从小到大排列，排在第一的可行解为初始的全局最优解。
步骤四：从第一个可行解开始，依次对每个可行解计算到各个聚类中心的欧式距离，计算公式如下：
Figure RE-GDA0002419419830000051
其中Disi表示可行解到第i个聚类中心的欧式距离，xk表示该可行解的第k 个数，yik表示第i个聚类中心的第k个数。
根据计算结果将可行解分配到距离它最近的聚类中心的未饱和聚类中，当某个聚类中已包含了
Figure RE-GDA0002419419830000052
个可行解时，该聚类已变为饱和，剩余的可行解必须分配到其他聚类中，保证每个聚类的可行解数量相等。
步骤五：依次对每个聚类选择聚类中目标函数值最优的个体成为聚类中心。
步骤六：依次对每个聚类中心进行更新，更新方式如下：随机选择聚类中心解中的一个数，对其添加在飞行区域范围内的随机数。比较添加前和添加后的目标函数值大小，如果添加随机数后的目标函数值更小，则更新聚类中心；否则保留原来的聚类中心。
步骤七：在每个聚类中都随机选择聚类中的一个可行解，根据下式更新该可行解：
Figure RE-GDA0002419419830000053
其中，
Figure RE-GDA0002419419830000054
表示第i个聚类中随机选中的可行解，
Figure RE-GDA0002419419830000055
表示第i个聚类中心， rand表示-1到1之间的随机数，
Figure RE-GDA0002419419830000056
表示更新过的可行解。
比较更新前和更新后的可行解目标函数值大小，如果更新后的
Figure RE-GDA0002419419830000057
目标函数值更小，则更新该可行解为
Figure RE-GDA0002419419830000058
并直接进入步骤十；否则保留原来的可行解
Figure RE-GDA0002419419830000059
并进入步骤八。
步骤八：将保留的可行解向全局最优解接近，根据下式更新：
Figure RE-GDA0002419419830000061
其中，
Figure RE-GDA0002419419830000062
表示第i个聚类中随机选中的可行解，
Figure RE-GDA0002419419830000063
表示所有个体中目标函数最小的可行解，rand表示-1到1之间的随机数，
Figure RE-GDA0002419419830000064
表示更新过的可行解。
比较更新前和更新后的可行解目标函数值大小，如果更新后的
Figure RE-GDA0002419419830000065
目标函数值更小，则更新该可行解为
Figure RE-GDA0002419419830000066
并直接进入步骤十；否则保留原来的可行解
Figure RE-GDA0002419419830000067
并进入步骤九。
步骤九：在飞行限定范围内随机生成一个可行解，替代选中的可行解。
步骤十：将当前迭代次数C增加1，判断当前迭代次数C。若C＜Cmax，则转到步骤四；若C≥Cmax，则输出最优解，生成最优航路。

Claims (6)

1.一种无人侦察机航路规划方法，其特征在于，包括：
确定无人侦察机本次任务中的出发点、终点、敌方火力威胁区、恶劣气候区、目标区域；
随机生成M组D个点；其中，D个点的横坐标将出发点和终点之间的连线进行D+1等分，D个点的纵坐标表征该点到连线的偏移量，D和M都为自然数；每一组点的纵坐标集合作为一个可行解；
在出发点、终点、敌方火力威胁区、恶劣气候区、目标区域的条件下，将M个可行解经过头脑风暴优化算法多次迭代，确定出无人侦察机本次任务的最优解和最优路径；
其中，对于第w次迭代，w为正整数，根据M个可行解和初始的最优解经过头脑风暴优化算法多次迭代，确定出无人侦察机本次任务的最优解和最优路径，包括：
根据第w-1次迭代出的M条航路的穿越敌方火力威胁区、恶劣气候区、目标区域的情况，对相应的航路进行评价；航路是将起点、第w-1次迭代出相应组的点和终点进行依次相连得到的；
将评价最高的可行解作为所有可行解的第w次迭代的全局最优解；将同一聚类内评价最高的可行解作为第w次迭代的聚类中心；其中，M组可行解分为N个具有相同个数可行解的聚类；
根据第w次迭代的聚类中心、第w次迭代的全局最优解，更新出第w次迭代的M组可行解；
其中，第0次迭代的组为随机生成的M组，最后一次迭代的M组可行解中评价最好的可行解作为最优解，起点、评价最好的可行解对应点和终点的连线作为最优路径；
其中，根据第w次迭代的聚类中心、第w次迭代的全局最优解，更新出第w次迭代的M组可行解，包括：
对第i个聚类的聚类中心的一个纵坐标进行随机更新；i是1到N之间的整数；
根据更新坐标的航路的穿越敌方火力威胁区、恶劣气候区、目标区域的情况，对相应的航路进行评价；更新坐标的航路由起点、更新坐标的聚类中心和终点组成；
若更新坐标的航路的评价优于原航路的评价，则用更新坐标的聚类代中心替聚类中心；
对第i个聚类中随机的一个可行解参照聚类中心进行第一次更新；
根据第一次更新的航路的穿越敌方火力威胁区、恶劣气候区、目标区域的情况，对第一次更新的航路进行评价；第一次更新的航路由起点、第一次更新的可行解和终点组成；
若第一次更新的航路的评价优于原航路的评价，则用第一次更新的可行解代替可行解，得到；
若第一次更新的航路的评价不优于原航路的评价，对第i个聚类中随机的一个可行解参照全局最优解进行第二次更新；
根据第二次更新的航路的穿越敌方火力威胁区、恶劣气候区、目标区域的情况，对第二次更新的航路进行评价；更新坐标的航路由起点、第二次更新的可行解和终点组成；
若第二次更新的航路的评价优于原航路的评价，则用第二次更新的可行解代替可行解；
若第二次更新的航路的评价不优于原航路的评价，则用一组随机生成的新可行解代替可行解。
2.根据权利要求1所述的方法，其特征在于，对航路进行评价包括：
根据航路的穿越敌方火力威胁区、恶劣气候区、目标区域的情况，确定航路的目标函数的解；所述目标函数为：
Figure DEST_PATH_FDA0002419419820000021
其中Ti表示是否穿过第i个敌方火力威胁，若航路穿过第i个敌方火力威胁，Ti为1，否则为0；Cj表示是否穿过第j个恶劣气候区，若航路穿过第j个恶劣气候区，Cj为1，否则为0；Ok表示是否穿过第k个目标区域，若航路穿过第k个目标区域，Ok为1，否则为0；L表示航路的总长度；目标函数的解越小，评价越高。
3.根据权利要求1所述的方法，其特征在于，对第i个聚类中随机的一个可行解参照聚类中心进行第一次更新，包括：
在第i个聚类中随机选择一个可行解，根据第一次更新公式更新所述可行解，第一次更新公式为：
Figure DEST_PATH_FDA0002419419820000031
其中，
Figure DEST_PATH_FDA0002419419820000033
表示第i个聚类中随机选中的可行解，
Figure DEST_PATH_FDA0002419419820000034
表示第i个聚类中心，rand表示-1到1之间的随机数，
Figure DEST_PATH_FDA0002419419820000035
表示第一次更新过的可行解。
4.根据权利要求3所述的方法，其特征在于，对第i个聚类中随机的一个可行解参照全局最优解进行第二次更新，包括：
根据第二次更新公式将所述可行解向全局最优解接近；第二次更新公式为：
Figure DEST_PATH_FDA0002419419820000032
其中，
Figure DEST_PATH_FDA0002419419820000036
表示所述可行解，
Figure DEST_PATH_FDA0002419419820000037
表示全局最优解，rand表示-1到1之间的随机数，
Figure DEST_PATH_FDA0002419419820000038
表示第二次更新过的可行解。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将欧式距离最相近的可行解分为一个聚类。
6.根据权利要求1所述的方法，其特征在于，迭代停止条件是迭代次数大于或等于预设次数。
CN201911346711.3A 2019-12-24 2019-12-24 一种无人侦察机航路规划方法 Active CN111121784B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911346711.3A CN111121784B (zh) 2019-12-24 2019-12-24 一种无人侦察机航路规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911346711.3A CN111121784B (zh) 2019-12-24 2019-12-24 一种无人侦察机航路规划方法

Publications (2)

Publication Number Publication Date
CN111121784A CN111121784A (zh) 2020-05-08
CN111121784B true CN111121784B (zh) 2023-03-14

Family

ID=70501742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911346711.3A Active CN111121784B (zh) 2019-12-24 2019-12-24 一种无人侦察机航路规划方法

Country Status (1)

Country Link
CN (1) CN111121784B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112925317B (zh) * 2021-01-25 2022-05-17 中国人民解放军海军工程大学 一种基于改进型头脑风暴优化算法的auv路径规划方法
CN113203417B (zh) * 2021-04-06 2022-08-19 广东安恒电力科技有限公司 基于头脑风暴优化算法的无人机巡检路径规划方法
CN113188520B (zh) * 2021-04-30 2023-04-18 成都睿铂科技有限责任公司 一种区域分块环绕型航线的规划方法、系统及航摄方法
CN116280512B (zh) * 2023-02-06 2023-09-22 荣耀终端有限公司 物品摆放方式生成方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0920598A1 (en) * 1996-08-26 1999-06-09 Hollandse Signaalapparaten B.V. Method for operating a fire-control system
CN102506863A (zh) * 2011-11-07 2012-06-20 北京航空航天大学 一种基于万有引力搜索的无人机航路规划方法
CN104573812A (zh) * 2014-07-07 2015-04-29 广西民族大学 一种基于粒子萤火虫群优化算法的无人机航路路径确定方法
CN107562072A (zh) * 2017-10-11 2018-01-09 湖北工业大学 一种基于自适应蚁群算法的无人机最优路径规划方法
CN109696908A (zh) * 2019-01-18 2019-04-30 南方科技大学 机器人及其航迹设置方法和系统
CN109917815A (zh) * 2019-04-23 2019-06-21 中原工学院 基于全局最优头脑风暴算法的无人机三维路径设计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100145552A1 (en) * 2008-12-04 2010-06-10 Lockheed Martin Corporation Route planning using ground threat prediction

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0920598A1 (en) * 1996-08-26 1999-06-09 Hollandse Signaalapparaten B.V. Method for operating a fire-control system
CN102506863A (zh) * 2011-11-07 2012-06-20 北京航空航天大学 一种基于万有引力搜索的无人机航路规划方法
CN104573812A (zh) * 2014-07-07 2015-04-29 广西民族大学 一种基于粒子萤火虫群优化算法的无人机航路路径确定方法
CN107562072A (zh) * 2017-10-11 2018-01-09 湖北工业大学 一种基于自适应蚁群算法的无人机最优路径规划方法
CN109696908A (zh) * 2019-01-18 2019-04-30 南方科技大学 机器人及其航迹设置方法和系统
CN109917815A (zh) * 2019-04-23 2019-06-21 中原工学院 基于全局最优头脑风暴算法的无人机三维路径设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
QPSO在无人机侦察航路规划中的应用研究;单敏瑜等;《计算机工程与设计》;20091028(第20期);第4690-4692、4773页 *
反导作战多传感器任务规划技术;倪鹏等;《火力与指挥控制》;20170815(第08期);第1-5页 *

Also Published As

Publication number Publication date
CN111121784A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN111121784B (zh) 一种无人侦察机航路规划方法
CN109631900B (zh) 一种无人机三维航迹多目标粒子群全局规划方法
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
CN112733421B (zh) 一种针对有人无人机协同对地作战的任务规划方法
CN111176334B (zh) 一种多无人机协同目标搜索方法
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
CN107145161B (zh) 无人机访问多目标点的航迹规划方法及装置
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
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
CN107103164B (zh) 无人机执行多任务的分配方法及装置
CN113009934A (zh) 一种基于改进粒子群算法的多无人机任务动态分配方法
CN108549402A (zh) 基于量子乌鸦群搜索机制的无人机群任务分配方法
CN107063255A (zh) 一种基于改进果蝇优化算法的三维航路规划方法
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
CN111766901B (zh) 多无人机协同目标分配攻击方法
CN109597839B (zh) 一种基于航电作战态势的数据挖掘方法
CN110084414B (zh) 一种基于k次控制深度强化学习的空管防冲突方法
CN112733251B (zh) 一种多无人飞行器协同航迹规划方法
CN116560406A (zh) 一种无人机集群协同规划与自主调度方法
CN112666981A (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
CN115420294A (zh) 一种基于改进人工蜂群算法的无人机路径规划方法及系统
CN111157002B (zh) 基于多智能体进化算法的飞行器3d路径规划方法
CN115903896A (zh) 一种基于代理模型优化的多无人机路径规划方法
CN111381605A (zh) 一种应用于多无人机大范围海域水下多目标协同搜索方法
CN113625767A (zh) 一种基于优选信息素灰狼算法的固定翼无人机集群协同路径规划方法

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