CN111738396A - 一种应用于潜艇路径规划的自适应栅格颗粒度蚁群算法 - Google Patents
一种应用于潜艇路径规划的自适应栅格颗粒度蚁群算法 Download PDFInfo
- Publication number
- CN111738396A CN111738396A CN202010485839.4A CN202010485839A CN111738396A CN 111738396 A CN111738396 A CN 111738396A CN 202010485839 A CN202010485839 A CN 202010485839A CN 111738396 A CN111738396 A CN 111738396A
- Authority
- CN
- China
- Prior art keywords
- grid
- path
- granularity
- ant colony
- probability
- 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
Images
Classifications
-
- 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]
-
- 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
- G01C21/203—Specially adapted for sailing ships
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种应用于潜艇路径规划的自适应栅格颗粒度蚁群算法,步骤包括:定位敌方探测声呐,建立航行域平面内离散点与探测概率的对应关系;根据潜艇航程起点终点坐标确定航行域范围,并按照初始颗粒度栅格化处理;按照细化等级递增的顺序遍历所有栅格,计算各栅格内探测概率的极差并细化栅格;计算所有栅格的中心点坐标并赋信息素初始值,计算每个栅格的路径方向概率度量;经蚁群算法仿真迭代后,对有效路径的质量进行评估。本发明依据敌方声呐的探测概率分布梯度情况,局部自适应地调整栅格颗粒度,且支持用户对局部海域进行栅格细化,从而大幅提高搜索路径质量计算的准确性和高质量路径检出概率,同时兼顾算法运行效率,工程实用性高。
Description
技术领域
本发明涉及路径规划领域,尤其涉及一种应用于潜艇路径规划的自适应栅格颗粒度蚁群算法。
背景技术
在现代海战中,潜艇隐蔽技术和快速机动的路径规划是占据有利形势的必要条件。蚁群算法由于其鲁棒性高和计算能力强,越来越多地应用于潜艇的反探测路径规划中。传统的蚁群算法在解决小范围的路径规划问题时能较快的搜索出最优或次优路径,表现出较好的应用效果。但在实际作战和决策过程中,随着空间范围和环境复杂度的增加,该算法常会面临以下两点不足,在实际应用中受到限制:
传统蚁群算法运行时间和路径质量及计算准确性的矛盾难以平衡。在传统的均化栅格颗粒度的方案下,可航行域被均匀地划分为m*n=N个栅格,其计算复杂度近似为O(N)。该方案能够准确运行的前提是每个栅格内部具有约束条件一致性,例如敌方声呐的探测概率分布必须较平坦,此时计算单步探测概率方较为准确。但真实情况常常是敌方声呐邻域探测概率梯度大、波动剧烈,远场则相反,尤其当有多个敌方声呐时,探测概率分布情况则更为复杂。此时为了更准确地计算路径,必须细化颗粒度,这将使得N很大,从而大大增加了算法运行时间,常常超过工程应用允许的范围。
传统蚁群算法亦不支持用户针对局部海域进行栅格细化。在实际作战时,战场形势瞬息万变,海况环境错综复杂,潜艇在航行时往往需要对某些重点海域进行栅格细化,实现更精细的领航。传统蚁群算法由于采用一刀切的颗粒度方案,显然无法满足该需求。
发明内容
本发明的目的在于提供一种应用于潜艇路径规划的自适应栅格颗粒度蚁群算法,该算法可以依据敌方声呐的探测概率分布梯度情况,局部自适应地调整栅格颗粒度,且支持用户对局部海域进行栅格细化,从而大幅提高搜索路径质量计算的准确性和高质量路径检出概率,同时兼顾搜索算法运行效率,工程实用性高。
为实现上述目的,本发明的技术方案如下:
一种应用于潜艇路径规划的自适应栅格颗粒度蚁群算法,包括如下步骤:
步骤一,定位敌方探测声呐,获得特定深度航行域平面内分布离散点探测概率矩阵,建立离散点与探测概率的对应关系;
步骤二,根据潜艇航程起点终点坐标,确定航行域范围,并在航行域内按照初始颗粒度栅格化处理,按照细化等级递增的顺序遍历所有栅格,计算各栅格内探测概率的极差并自适应细化栅格,直到已经历一定次数遍历或总栅格数达到容许上限;
步骤三,计算栅格群中所有栅格的中心点坐标并赋信息素初始值,计算每个栅格的路径方向概率度量;
步骤四,采用合适的蚁群算法进行仿真,完成蚁群算法全部迭代后,对有效路径的质量进行评估。
进一步地,步骤二中航行域内按照初始颗粒度栅格化处理的具体方法为,将航行域划分为N个初始栅格,按照细化等级递增的顺序遍历所有栅格,计算每个栅格内部所有Pgi的极差δg,与设定容许门限Tδ判定;若δg≥Tδ,则将该栅格进行“田”字四等分,各子栅格细化等级均加1;若δg<Tδ,则将该栅格内部所有Pgi的均值做为该栅格探测概率Pg,重复此过程,直到已经历一定次数遍历或总栅格数达到容许上限。
进一步地,步骤三中每个栅格引入路径方向概率度量σj=1/dj,其中dj为该栅格距终点的距离。
进一步地,步骤四中仿真计算路径r的质量Rr采用代价函数表示,Rr=aRr,p+bRr,l+cRr,x,式中,Rr,p为归一化被探测概率度量,Rr,l为归一化路径长度度量,Rr,x为归一化其它因素度量,a、b、c为三者的权重且a+b+c=1。
其中,目标栅格gvi为当前栅格gu处当前所有剩余可行路径的集合,τ为信息素,σ为路径方向概率度量,α为信息素概率权重,β为方向概率权重。
进一步地,步骤一中,当探测到多个敌方探测声呐环境时,计算探测概率Pi的公式如下:
式中,k为探测范围包含离散点i的所有探测声呐的集合,Pik为当前声呐在离散点i的探测概率。
进一步地,当粗颗粒度栅格无法满足约束条件分布时,在当前栅格划分的基础上,进一步询问栅格细化区域及细化等级。
与现有技术相比,本发明的有益效果包括:
本发明较好地解决了蚁群算法运行时间和路径质量及计算准确性的冲突问题,依据敌方声呐探测概率梯度分布以及工程化应用所允许的计算时间,将航行域栅格颗粒度进行自适应的、分区的、多级的细化,实现了搜索算法计算资源的优化配置,最终使得算法可以在较短时间内,快速找到高质量的路径集,而且路径质量计算相对准确;
本发明支持用户针对局部海域进行栅格细化,用户根据实际作战需求,或者某些粗颗粒度栅格不能满足约束条件分布时,可以对重点海域进行栅格细化,从而达到局部海域路径精细规划的效果,工程实用性较高。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例。其中:
图1是本发明实施例一种应用于潜艇路径规划的自适应栅格颗粒度蚁群算法的流程图;
图2是传统蚁群算法的均化栅格颗粒度方案与本发明采用自适应栅格颗粒度方案的局部允许路径示意图;
图3是本发明实施例我方潜艇根据作战需求从A点转移至B点的路径图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
图1示出本发明的一种应用于潜艇路径规划的自适应栅格颗粒度蚁群算法的流程图,该自适应栅格颗粒度蚁群算法包括以下步骤:
步骤1:对敌方探测声呐进行定位,并基于我方对敌方探测声呐的性能分析,获得特定深度航行域平面内、特定合理暴露时间下的一定分布离散点探测概率矩阵P,建立离散点i坐标(xi,yi)和该离散点探测概率Pi对应关系。
对于含有多个敌方探测声呐的环境,Pi的计算公式为:
式中,k为探测范围包含点离散点i的所有探测声呐的集合,Pik为当前声呐在离散点i的探测概率。
离散点密度的确定宜在满足计算用时的前提下尽可能稠密,确保可以覆盖步骤2中所有初始栅格,并且允许按照声呐近场稠密、远场稀疏的原则做不等距划分。
步骤2:根据我方潜艇航程起点终点坐标及周边环境,确定航行域范围,并在航行域内按照初始颗粒度进行栅格化,划分为m*n=N个初始栅格。初始颗粒度的选择以满足算法计算时间为前提,栅格较大,例如m=n=15。
步骤3:按照细化等级递增的顺序遍历所有栅格g,计算各栅格内部所有Pgi的极差δg,其中δg=Pgi,max-Pgi,min,与设定容许门限Tδ(例如Tδ=0.2)进行比较,若δg≥Tδ,则将该栅格进行“田”字四等分,各子栅格细化等级均加1;若δg<Tδ,则将该栅格内部所有Pgi的均值做为该栅格探测概率Pg。重复此过程,直到总栅格数达到容许上限Nmax(例如Nmax=2000),或者已经历M次遍历,例如M=3,此时最高允许细化等级即为M,结束此过程。
值得说明的是,若某细化栅格内找不到任何Pgi,则取其父栅格内部所有Pgi的均值做为该细化栅格的探测概率Pg。容许门限Tδ根据用户对计算准确性需求而定,准确性需求越高,设置数值越小,通常参考范围在0.1~0.5之间。容许上限根据系统实时性要求设置,实时性要求越高,设置数值越小,通常设置在5000以内。
步骤4:在当前栅格划分的基础上,用户根据实际作战需求,或者某些粗颗粒度栅格不能满足约束条件分布时,可以对重点海域执行进一步的栅格细化,提高路径清晰度。若用户无此需求,该过程可省略。至此,系统将获得航行域最终栅格划分方案,记为栅格群G。
步骤5:对栅格群G的参数进行初始化计算。对栅格群G中所有栅格gj,求出其中心点坐标(Xj,Yj),并赋信息素初始值τj(0),例如τj(0)均等于1;引入路径方向概率度量σj,此时需计算每个栅格的σj,σj=1/dj,dj为该栅格距终点的距离。
不同于均化栅格颗粒度的传统方案,蚂蚁在任一栅格gj的允许路径不再是常规固定8个方向,而是凡是与该栅格有公共边或公共顶点的栅格,均为其允许路径,可以多于或者少于8个方向。
图2展示了传统蚁群算法的均化栅格颗粒度方案与本发明采用自适应栅格颗粒度方案的两种不同栅格算法的局部允许路径示意图,箭头所指为允许路径。为了节省搜索算法的路径计算时间,栅格初始化还需事先为每个栅格建立允许路径链表。
步骤6:采用合适的蚁群算法进行仿真。例如,设定蚂蚁数量A=100,迭代次数L=50,路径r的质量用代价函数Rr表示,如下式所示:
Rr=aRr,p+bRr,l+cRr,x (2)
式中,Rr,p为归一化被探测概率度量,为当前路径的累计被探测概率按某一合理常量归一化的度量值;Rr,l为归一化路径长度度量,为当前路径的长度按某一合理常量归一化的度量值;Rr,x为归一化其它因素度量,如节点拐角和值、路径海况评估等,需根据实际需求给出合理评估。a、b、c为三者的权重且a+b+c=1。Rr值越小则路径质量越高。
对于第k次迭代,任一蚂蚁在某栅格gu向允许路径的目标栅格gvi移动的概率为:
式中,目标栅格gvi为当前栅格gu处当前所有剩余可行路径的集合,τ为信息素,σ为路径方向概率度量,α为信息素概率权重,β为方向概率权重。
迭代的终止条件可以根据情况设定,本发明采用所有蚂蚁到达最终状态,即行至终点或止步于某栅格。
步骤7:完成算法的全部迭代过程后,对所有有效路径的质量R进行评估,并完成决策。
必要时需要调整算法参数以期达到更好的搜索效果,亦可以对最终路径进行一定的平滑使其更适合实际航行。
图3示出了本发明实施例我方潜艇根据作战需求从A点转移至B点的路径图,在可航行域中探明三处敌方声呐并算出组合探测概率分布,另有两处暗礁需要躲避。我方拟采用蚁群算法尽快搜索最佳的航行路径,且要求路径质量计算尽可能准确。对于暗礁周边海域,我方要求一律进行2级细化栅格,以提高路径清晰度。A点和B点之间的画线为质量最高的有效路径,对于路径质量评估,如图中黑线所示,采用更重隐蔽性的最优路径质量R1评估,其中权重a=0.8,权重b=0.2,权重c=0;如图中白线所示,采用隐蔽性经济性兼重的最优路径质量R2评估,其中权重a=0.5,权重b=0.5,权重c=0。
采用本发明提出的自适应栅格颗粒度方案,设定最高细化级别为2,以及均化栅格颗粒度方案,包括原始栅格、均1级细化、均2级细化,对matlab平台的算法运行时间、路径质量、计算准确性等运行结果进行综合比对,结果如表1所示。最终,经自适应栅格颗粒度方案得到两种质量评估最高的路径。
本发明较好地解决了蚁群算法运行时间和路径质量及计算准确性的冲突问题,且支持用户针对局部海域进行栅格细化,工程实用性高。
表1展示了案例例程采用不同栅格算法在matlab平台运行结果:
表中,均2级细化的栅格算法计算结果最优,路径质量最高,计算准确性(有效路径历经的栅格均采用内部最大探测概率Pmax和均采用内部最小探测概率Pmin所求代价函数R的差值绝对值,多次统计取平均)也最优,但是算法运行时间很长,工程化应用受到限制。
均1级细化或原始栅格运行时间大幅缩短,但计算结果也迅速变差,尤其是原始栅格,其计算准确性太差,所获路径的质量可信度和清晰度均很低,不予采纳。
本发明的自适应颗粒度栅格算法,虽然栅格初始化的计算时间稍长,但算法总运行时间介于原始栅格和均1级细化之间,且计算结果接近均2级细化。
因此,案例例程的运行结果充分表明,本发明的自适应颗粒度栅格算法,可以在很大程度上优化后续蚁群算法在搜索过程中的资源配置,使得搜索过程事半功倍,有助于实际工程应用。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种应用于潜艇路径规划的自适应栅格颗粒度蚁群算法,其特征在于,包括如下步骤:
步骤一,定位敌方探测声呐,获得特定深度航行域平面内分布离散点探测概率矩阵,建立离散点与探测概率的对应关系;
步骤二,根据潜艇航程起点终点坐标,确定航行域范围,并在航行域内按照初始颗粒度栅格化处理,按照细化等级递增的顺序遍历所有栅格,计算各栅格内探测概率的极差并自适应细化栅格,直到已经历一定次数遍历或总栅格数达到容许上限;
步骤三,计算栅格群中所有栅格的中心点坐标并赋信息素初始值,计算每个栅格的路径方向概率度量;
步骤四,采用合适的蚁群算法进行仿真,完成蚁群算法全部迭代后,对有效路径的质量进行评估。
2.根据权利要求1所述的自适应栅格颗粒度蚁群算法,其特征在于:步骤二中航行域内按照初始颗粒度栅格化处理的具体方法为,将航行域划分为N个初始栅格,按照细化等级递增的顺序遍历所有栅格,计算每个栅格内部所有Pgi的极差δg,与设定容许门限Tδ判定;若δg≥Tδ,则将该栅格进行“田”字四等分,各子栅格细化等级均加1;若δg<Tδ,则将该栅格内部所有Pgi的均值做为该栅格探测概率Pg,重复此过程,直到已经历一定次数遍历或总栅格数达到容许上限。
3.根据权利要求1所述的自适应栅格颗粒度蚁群算法,其特征在于:步骤三中每个栅格引入路径方向概率度量σj=1/dj,其中dj为该栅格距终点的距离。
4.根据权利要求1所述的自适应栅格颗粒度蚁群算法,其特征在于:步骤四中仿真计算路径r的质量Rr采用代价函数表示,Rr=aRr,p+bRr,l+cRr,x,式中,Rr,p为归一化被探测概率度量,Rr,l为归一化路径长度度量,Rr,x为归一化其它因素度量,a、b、c为三者的权重且a+b+c=1。
7.根据权利要求2述的自适应栅格颗粒度蚁群算法,其特征在于:当粗颗粒度栅格无法满足约束条件分布时,在当前栅格划分的基础上,进一步询问栅格细化区域及细化等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010485839.4A CN111738396B (zh) | 2020-06-01 | 2020-06-01 | 一种应用于潜艇路径规划的自适应栅格颗粒度蚁群方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010485839.4A CN111738396B (zh) | 2020-06-01 | 2020-06-01 | 一种应用于潜艇路径规划的自适应栅格颗粒度蚁群方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738396A true CN111738396A (zh) | 2020-10-02 |
CN111738396B CN111738396B (zh) | 2023-09-26 |
Family
ID=72648093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010485839.4A Active CN111738396B (zh) | 2020-06-01 | 2020-06-01 | 一种应用于潜艇路径规划的自适应栅格颗粒度蚁群方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738396B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113848961A (zh) * | 2021-10-13 | 2021-12-28 | 中国人民解放军国防科技大学 | 基于声纳探测概率的水下航行器安全隐蔽路径规划方法及系统 |
CN114200929A (zh) * | 2021-11-24 | 2022-03-18 | 中国科学院沈阳自动化研究所 | 多水下机器人最大探测覆盖率的快速梳型路径规划方法 |
CN115344052A (zh) * | 2022-10-17 | 2022-11-15 | 江苏天一航空工业股份有限公司 | 基于改进的群优化算法的车辆路径控制方法及控制系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080275643A1 (en) * | 2007-05-02 | 2008-11-06 | Toshiba America Research, Inc. | Optimum route planning for service vehicles |
CN105775054A (zh) * | 2016-03-03 | 2016-07-20 | 武汉理工大学 | 蚁群式动态溢油回收无人艇系统及其溢油回收方法 |
CN105892480A (zh) * | 2016-03-21 | 2016-08-24 | 南京航空航天大学 | 异构多无人机系统协同察打任务自组织方法 |
CN106092102A (zh) * | 2016-07-20 | 2016-11-09 | 广州极飞电子科技有限公司 | 一种无人机路径规划方法及装置 |
WO2018176595A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 |
CN109164810A (zh) * | 2018-09-28 | 2019-01-08 | 昆明理工大学 | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 |
US20190178675A1 (en) * | 2016-11-10 | 2019-06-13 | Tencent Technology (Shenzhen) Company Limited | Navigation method, apparatus, and terminal, and storage medium |
CN110058613A (zh) * | 2019-05-13 | 2019-07-26 | 大连海事大学 | 一种多无人机多蚁群协同搜索目标方法 |
CN110244733A (zh) * | 2019-06-20 | 2019-09-17 | 西南交通大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
-
2020
- 2020-06-01 CN CN202010485839.4A patent/CN111738396B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080275643A1 (en) * | 2007-05-02 | 2008-11-06 | Toshiba America Research, Inc. | Optimum route planning for service vehicles |
CN105775054A (zh) * | 2016-03-03 | 2016-07-20 | 武汉理工大学 | 蚁群式动态溢油回收无人艇系统及其溢油回收方法 |
CN105892480A (zh) * | 2016-03-21 | 2016-08-24 | 南京航空航天大学 | 异构多无人机系统协同察打任务自组织方法 |
CN106092102A (zh) * | 2016-07-20 | 2016-11-09 | 广州极飞电子科技有限公司 | 一种无人机路径规划方法及装置 |
US20190178675A1 (en) * | 2016-11-10 | 2019-06-13 | Tencent Technology (Shenzhen) Company Limited | Navigation method, apparatus, and terminal, and storage medium |
WO2018176595A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 |
CN109164810A (zh) * | 2018-09-28 | 2019-01-08 | 昆明理工大学 | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 |
CN110058613A (zh) * | 2019-05-13 | 2019-07-26 | 大连海事大学 | 一种多无人机多蚁群协同搜索目标方法 |
CN110244733A (zh) * | 2019-06-20 | 2019-09-17 | 西南交通大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
Non-Patent Citations (3)
Title |
---|
QU HONG等: "Research of improved ant colony based robot path planning under dynamic environment", vol. 44, no. 44 * |
刘硕;陈毅雨;钟斌;马志伟;: "基于自适应蚁群算法的无人机最优路径规划", no. 01 * |
康鹰;杨清山;冯清贤;: "基于改进蚁群算法的三维安全路径规划方法", no. 06 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113848961A (zh) * | 2021-10-13 | 2021-12-28 | 中国人民解放军国防科技大学 | 基于声纳探测概率的水下航行器安全隐蔽路径规划方法及系统 |
CN113848961B (zh) * | 2021-10-13 | 2023-10-24 | 中国人民解放军国防科技大学 | 基于声纳探测概率的水下航行器安全隐蔽路径规划方法及系统 |
CN114200929A (zh) * | 2021-11-24 | 2022-03-18 | 中国科学院沈阳自动化研究所 | 多水下机器人最大探测覆盖率的快速梳型路径规划方法 |
CN114200929B (zh) * | 2021-11-24 | 2023-10-20 | 中国科学院沈阳自动化研究所 | 多水下机器人最大探测覆盖率的快速梳型路径规划方法 |
CN115344052A (zh) * | 2022-10-17 | 2022-11-15 | 江苏天一航空工业股份有限公司 | 基于改进的群优化算法的车辆路径控制方法及控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111738396B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738396B (zh) | 一种应用于潜艇路径规划的自适应栅格颗粒度蚁群方法 | |
CN102938071B (zh) | 基于非局部均值的sar图像变化检测模糊聚类分析方法 | |
CN110765834B (zh) | 一种基于改进人工蜂群算法的参数小波阈值信号去噪方法 | |
CN110146846B (zh) | 一种声源位置估计方法、可读存储介质及计算机设备 | |
CN107340515B (zh) | 基于分布式组网雷达系统的目标定位资源分配方法 | |
CN108957403B (zh) | 一种基于广义互相关的高斯拟合包络时延估计方法及系统 | |
CN110346654A (zh) | 基于普通克里金插值的电磁频谱地图构建方法 | |
CN110445567A (zh) | 一种电磁频谱地图的构建方法 | |
Tian | Reference pattern-based track-to-track association with biased data | |
CN114708479B (zh) | 一种基于图结构和特征的自适应防御方法 | |
CN112330569A (zh) | 模型训练方法、文本去噪方法、装置、设备及存储介质 | |
CN111178504B (zh) | 基于深度神经网络的鲁棒压缩模型的信息处理方法及系统 | |
CN110321377B (zh) | 一种多源异构数据真值确定方法及装置 | |
CN107657272B (zh) | 一种遥感图像海上目标检测方法 | |
CN107197519B (zh) | 基于改进的最小二乘支持向量机的水下目标定位方法 | |
CN110045363B (zh) | 基于相对熵的多雷达航迹关联方法 | |
CN111950635A (zh) | 一种基于分层特征对齐的鲁棒特征学习方法 | |
CN112797976A (zh) | 定位检测方法、装置、计算机设备以及可读存储介质 | |
Pan et al. | Radar jamming strategy allocation algorithm based on improved chaos genetic algorithm | |
CN111211559B (zh) | 一种基于动态步长萤火虫算法的电网阻抗估计方法 | |
CN108919204A (zh) | 情报雷达杂波识别一体化处理方法 | |
CN109613489B (zh) | 一种基于模糊函数地貌特征的雷达信号分选方法 | |
CN113239636A (zh) | 一种武器装备的效能评估方法、系统、设备及存储介质 | |
CN105894029B (zh) | 一种基于费马点求解的自适应运动轨迹数据去噪方法 | |
CN111597500B (zh) | Dvl安装角的不确定性优化逆可靠性评估方法及装置 |
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 |