CN111815055A - 一种基于改进莱维飞行蚁狮优化算法的无人机航迹规划方法 - Google Patents

一种基于改进莱维飞行蚁狮优化算法的无人机航迹规划方法 Download PDF

Info

Publication number
CN111815055A
CN111815055A CN202010666486.8A CN202010666486A CN111815055A CN 111815055 A CN111815055 A CN 111815055A CN 202010666486 A CN202010666486 A CN 202010666486A CN 111815055 A CN111815055 A CN 111815055A
Authority
CN
China
Prior art keywords
ant
lion
ant lion
algorithm
strategy
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.)
Pending
Application number
CN202010666486.8A
Other languages
English (en)
Inventor
张静
刘奥
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202010666486.8A priority Critical patent/CN111815055A/zh
Publication of CN111815055A publication Critical patent/CN111815055A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于改进levy飞行蚁狮优化算法的无人机航迹规划方法。其方法步骤主要包括：步骤1.建立无人机航迹规划空间数学模型，初始化航迹规划环境参数；步骤2.构建航迹评价函数；步骤3.初始化蚂蚁和蚁狮种群，计算蚁狮位置的目标适应函数，保存最优蚁狮的位置，将levy飞行策略引入到蚁狮算法的蚂蚁随机游走中；步骤4.针对蚂蚁游走形式，应用自适应游走边界策略；步骤5.针对蚁狮向精英蚁狮靠近形式，应用自适应最优引导方程策略；步骤6.对蚁狮进行主动高斯变异策略；步骤7.按照航迹优劣顺序对蚁狮位置进行排序，重新调整最佳蚁狮的位置，当达到算法的输出条件时，得到即为规划出代价最小的航迹。

Description

一种基于改进莱维飞行蚁狮优化算法的无人机航迹规划方法
技术领域
本发明涉及轨迹规划领域，应用无人机航迹规划技术、智能算法技术，结合无人机航迹规划的最优要求，提出了一种具有现实意义的无人机航迹规划算法。
背景技术
在无人机任务规划系统中航迹规划是至关重要的一步，航迹规划的实质就是为执行任务的飞行器规划出一条最安全的飞行轨迹，航迹质量的高低将直接决定作战任务的成败。若要为无人机规划出一条有效并且合理的飞行航迹，需要综合考虑无人机本身的性能、最远飞行距离以及油耗、地形和气相威胁等。基于这些限制条件，需要找出无人机在飞行范围内起始点与目标点之间的最优轨迹，从而准确地完成指定的作战任务并保证自身安全。随着我国航空事业的日益发展，在军事和民用领域对无人机的航迹规划能力要求越来越高，因此研究无人机航迹优化算法具有重要意义。
目前，航迹规划的大部分算法研究依然局限于理论体系部分，对人工仿生智能算法的研究还未得到充分的应用。传统的航迹规划算法有Dijkstra算法、人工势场法和模拟退火算法，每种算法都有其自身的优缺点和适用范围。
以模拟退火优化算法为例，在航迹规划中模拟退火的一个解代表一条航迹，目标函数是代价函数，但该算法多数没有考虑无人机的机动性能约束，得到的航迹可飞性不高。
发明内容
本发明的目的在于：针对标准蚁狮算法在迭代后期收敛速度慢，容易陷入局部最优和搜索精度不高等问题，提出了一种基于levy 飞行结合蚁狮优化算法的无人机航迹规划方法。
为了解决上述技术问题，本发明采用的技术方案如下：
一种基于结合levy飞行和蚁狮优化算法的无人机航迹规划方法，包括以下步骤：
建立无人机规划空间数学模型，初始化航迹规划环境参数，设定起始点与目标点位置以及雷达威胁分布坐标。
初始化蚂蚁和蚁狮种群规模(N，M)，蚂蚁和蚁狮所在空间的维度D，当前代数t和最大迭代次数T。
根据式(1)、(2)计算游走边界，公式如下：
Figure BDA0002580119710000021
其中，
Figure BDA0002580119710000022
为所围绕的蚁狮位置；Ui是游走上限；Li是游走下限。
在同一次迭代中所有蚂蚁的游走边界相同，从而无法判断出所围绕的蚁狮能力大小的差别，所以采用自适应边界调整策略，方程如下：
Figure BDA0002580119710000023
Figure BDA0002580119710000024
其中，m是蚁狮由适应度升序排列的元素下标,α为调整变化速率。
构建航迹评价函数，航迹代价最小作为算法的寻优目标，航迹规划的最终目的是规避威胁且满足自身约束条件的可飞路径，本文中将航迹评价函数简化为威胁代价Jt和油耗代价Jf，公式(4)-(7) 如下：
Figure BDA0002580119710000031
Figure BDA0002580119710000032
式中wt和wf分别为航迹点的威胁代价和油耗代价；l为当前航迹点改变的距离。
式(4)、(5)中：
Figure BDA0002580119710000033
其中Li为第i段航迹点的长度；C为雷达威胁的数目；
Figure BDA0002580119710000034
是威胁的中心k与第1个分点之间的距离。
无人机的油耗代价Jf由航迹全程L代替，故总的航迹代价J 由威胁代价和油耗代价加权得到：
J＝kJt+(1-k)Jf (7)
式中k∈[0,1]，为威胁代价与油耗代价之间的权重。
通过式(4)-(7)计算航迹代价，按照航迹优劣顺序对蚁狮位置进行排序。
将levy飞行策略引入到蚁狮算法的蚂蚁随机游走中，即采用蚂蚁levy飞行策略，levy飞行机制的频繁短距离游走能够提高种群的多样性，偶尔的长距离跳跃可以保证种群对附近区域详细搜索，因此有效均衡了算法的局部开发和全局搜索能力，levy飞行的随机步长服从levy分布，简化形式为：
L(s)～|s|-1-β，0＜β＜2 (8)
式(8)中s表示随机步长，由于levy飞行非常复杂，故本文采用Mantegna提出的算法计算，方程如下：
Figure BDA0002580119710000041
式(9)中μ、ν服从正态分布：
Figure BDA0002580119710000042
Figure BDA0002580119710000043
其中，Γ为积分运算；β通常取值为1.5。
传统的蚁狮算法中更新蚂蚁位置是没有充分考虑在迭代初期需要更强的探索能力而在迭代后期需要更强的开发能力，故提出了自适应精英蚁狮引导方程：
Figure BDA0002580119710000044
Figure BDA0002580119710000045
式中，
Figure BDA0002580119710000046
为第t代第i个蚂蚁的位置，σ(t)为自适应系数；t 为当前迭代次数；T为最大迭代次数；
Figure BDA0002580119710000047
是蚂蚁在第t代蚁狮群中轮盘赌选出的一个蚁狮，并在其周围根据式(14)进行随机游走后的位置；
Figure BDA0002580119710000051
是该蚂蚁在第t代精英蚁狮周围根据式(14)进行随机游走后的位置。
Figure BDA0002580119710000052
对蚁狮采取最优引导的主动高斯变异策略，方程如下：
Figure BDA0002580119710000053
式中，
Figure BDA0002580119710000054
是精英蚁狮的位置，N(0,1)是服从标准高斯分布的随机函数。
进一步的，先对M个蚁狮按照适应度大小排序，从中按比例β选取适应度较差的(β·M)个蚁狮，对这部分里没有被动更新的个体进行式(15)主动变异策略。
比较蚁狮变异前后的适应度，选择其中最优的蚁狮位置作为下一代蚁狮。
游走后的蚂蚁根据式(16)与当前位置最好的蚁狮对比，重新调整最佳蚁狮的位置，式(16)如下：
Figure BDA0002580119710000055
式(16)中，
Figure BDA0002580119710000056
为当前位置最佳的蚁狮。
循环迭代到最大迭代次数，获得最佳蚁狮位置，输出最优解。
附图说明
图1为本发明基于改进levy飞行蚁狮优化的无人机航迹规划算法总流程图；
图2为典型无人机航迹空间模型；
图3为本发明的levy飞行进行500次随机行轨迹仿真图；
图4为本发明的空间模型中雷达及起点和目标点分布图；
图5为本发明应用改进levy飞行蚁狮优化算法对无人机航迹规划路线仿真图；
图6为本发明应用改进levy飞行蚁狮优化算法与标准蚁狮算法的目标函数迭代收敛曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，提出相应具体实施方案，对本发明进一步详细说明。
一种基于改进levy飞行蚁狮优化算法的无人机航迹规划方法，应用改进levy飞行蚁狮算法进行无人机航迹规划方法的流程图如图1 所示，包括对无人机规划空间数学模型的建立，构建航迹评价函数，初始化航迹规划环境参数，levy飞行更新蚂蚁位置，蚁狮主动高斯变异更新，具体包括以下部分。
先建立无人机规划空间数学模型，初始化航迹规划的环境参数，设定起始点为(10,10)km，目标点位置为(100,75)km，无人机搜索空间设置为100×100km，雷达威胁分布坐标分别是(40,55)k m，(35,45)km，(83,38)km，(70,60)km，(50,85)km，(80,90)k m，(66,30)km以及半径分别是12km，12km，14km，14km，10km，11km，10km。
对于蚁狮优化算法中的蚂蚁和蚁狮种群进行初始化：蚂蚁和蚁狮的种群规模为10，最大迭代次数为T＝200，搜索维度D＝10。
构建航迹评价函数，包括威胁代价Jt和油耗代价Jf，优化目标函数适应度由威胁代价和油耗代价加权得到，公式如下：
J＝kJt+(1-k)Jf,k∈[0,1]
通过计算目标函数来评价蚁狮位置的优劣，并保存最优蚁狮的位置，轮盘赌选择一个蚁狮，让蚂蚁围绕改蚁狮进行levy飞行，并更新蚂蚁的位置，并根据式(1)、(2)设定蚂蚁自适应边界调整策略。
蚂蚁的位置更新后是蚁狮向精英蚁狮靠近，根据式(12)， (13)采用自适应精英蚁狮引导策略。
对蚁狮种群按照适应度大小排序，从中按照比例β选取适应度较差的(β·M)个蚁狮，对这部分蚁狮中位置没有被动更新的个体，应用式(10)对蚁狮进行主动高斯变异。
比较蚁狮变异前后的适应度，选择其中最优的蚁狮位置作为下一代蚁狮。
游走后的蚂蚁根据式(11)与当前位置最好的蚁狮对比，重新调整最佳蚁狮的位置。
循环迭代到最大迭代次数，获得最佳蚁狮位置，输出最优解。

Claims (8)

1.一种无人机航迹规划算法，其特征在于采用改进levy飞行蚁狮优化算法进行无人机航迹规划。
2.根据权利要求书1所述的改进levy飞行蚁狮优化算法，其特征在于，包括以下步骤：步骤1.建立无人机规划空间数学模型；步骤2.构建航迹评价函数；步骤3.初始化蚂蚁和蚁狮种群，将levy飞行策略引入到蚁狮算法的蚂蚁随机游走中；步骤4.针对蚂蚁游走形式，应用自适应游走边界策略；步骤5.对于蚁狮向精英蚁狮靠近时，采用自适应精英蚁狮引导策略；步骤6.对蚁狮进行主动高斯变异策略；步骤7.通过计算航迹评价函数的优劣顺序对蚁狮位置进行排序，游走后的蚂蚁与当前位置最好的蚁狮对比，重新调整最佳蚁狮的位置，当达到算法的输出条件时，得到即为规划出代价最小的航迹。
3.根据权利要求书2所述的建立无人机航迹规划空间数学模型，主要包括：初始化航迹规划环境参数，设定起始点为(10,10)km与目标点位置为(100,75)km，雷达威胁分布坐标为(40,55)km，(35,45)km，(83,38)km，(70,60)km，(50,85)km，(80,90)km，(66,30)km以及半径分别是12km，12km，14km，14km，10km，11km，10km。
4.根据权利要求书2所述的构建航迹评价函数，本文将航迹评价函数简化为威胁代价Jt和油耗代价Jf，总的航迹代价函数由威胁代价和油耗代价加权得到：
J＝kJt+(1-k)Jf,k∈[0,1]
5.根据权利要求书2所述的对蚂蚁和蚁狮种群初始化,包括：设置蚂蚁和蚁狮种群规模为N＝10,M＝10，设置最大迭代次数T＝200，设置搜索维度D＝10；同时计算蚁狮位置的目标适应函数，保存最优蚁狮的位置，通过轮盘赌选择一个蚁狮，将levy飞行策略引入到蚁狮算法的蚂蚁随机游走中，公式如下：
L(s)～|s|-1-β，0＜β＜2
Figure FDA0002580119700000021
Figure FDA0002580119700000022
Figure FDA0002580119700000023
其中s表示随机步长，μ、ν服从正态分布，Γ为积分运算；β通常取值为1.5。
6.根据权利要求书2所述的蚁狮自适应最优引导策略，其特征在于，基于传统蚁狮优化算法基础上应用自适应精英蚁狮引导策略可以在围绕选定蚁狮游走为主的同时，能够在迭代初期有更强的探索能力，提高算法全局搜索能力，而在迭代后期围绕精英蚁狮游走为主，保证算法后期对最优区域进行精细化开发，公式如下：
Figure FDA0002580119700000024
Figure FDA0002580119700000025
式中，
Figure FDA0002580119700000026
为第t代第i个蚂蚁的位置，σ(t)为自适应系数，t为当前迭代次数，
Figure FDA0002580119700000027
是蚂蚁在第t代蚁狮群中轮盘赌选出的一个蚁狮，
Figure FDA0002580119700000028
是该蚂蚁在第t代精英蚁狮周围进行随机游走后的位置。
7.根据权利要求书2所述的对蚁狮进行主动高斯变异策略，其特征在于，对于蚁狮种群中适应度较低的个体采用最优引导的主动高斯变异策略，使较差蚁狮向精英蚁狮学习，从而提高算法的收敛速度和跳出局部最优的能力，公式如下：
Figure FDA0002580119700000031
式中，
Figure FDA0002580119700000032
是精英蚁狮的位置，N(0,1)是服从标准高斯分布的随机函数。
8.根据权利要求书2所述的通过计算航迹评价函数的优劣顺序对蚁狮位置进行排序，游走后的蚂蚁与当前位置最好的蚁狮对比：
Figure FDA0002580119700000033
其中，
Figure FDA0002580119700000034
为当前位置最佳的蚁狮。从而重新调整最佳蚁狮的位置，当循环迭代到最大迭代次数时，获得最佳蚁狮的位置，输出最优解。
CN202010666486.8A 2020-07-11 2020-07-11 一种基于改进莱维飞行蚁狮优化算法的无人机航迹规划方法 Pending CN111815055A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010666486.8A CN111815055A (zh) 2020-07-11 2020-07-11 一种基于改进莱维飞行蚁狮优化算法的无人机航迹规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010666486.8A CN111815055A (zh) 2020-07-11 2020-07-11 一种基于改进莱维飞行蚁狮优化算法的无人机航迹规划方法

Publications (1)

Publication Number Publication Date
CN111815055A true CN111815055A (zh) 2020-10-23

Family

ID=72842879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010666486.8A Pending CN111815055A (zh) 2020-07-11 2020-07-11 一种基于改进莱维飞行蚁狮优化算法的无人机航迹规划方法

Country Status (1)

Country Link
CN (1) CN111815055A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112629534A (zh) * 2020-11-26 2021-04-09 昆明理工大学 一种搭载rfid的无人机盘库路径规划方法
CN112880688A (zh) * 2021-01-27 2021-06-01 广州大学 基于混沌自适应麻雀搜索算法的无人机三维航迹规划方法
CN112947531A (zh) * 2021-03-26 2021-06-11 上海工程技术大学 无人机的控制方法、装置、设备及存储介质
CN113419548A (zh) * 2021-05-28 2021-09-21 北京控制工程研究所 一种航天器深度强化学习莱维飞行控制系统
CN113794286A (zh) * 2021-09-06 2021-12-14 湖北工业大学 一种无线电能传输系统参数优化方法及装置
CN117406765A (zh) * 2023-09-05 2024-01-16 南京航空航天大学 随机和自适应航迹规划的动态波束辐射源搜索方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108413959A (zh) * 2017-12-13 2018-08-17 南京航空航天大学 基于改进混沌蚁群算法的无人机航路规划方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108413959A (zh) * 2017-12-13 2018-08-17 南京航空航天大学 基于改进混沌蚁群算法的无人机航路规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PENG YAO 等: "Dynamic Adaptive Ant Lion Optimizer applied to route planning for unmanned aerial vehicle", Retrieved from the Internet <URL:DOI 10.1007/s00500-016-2138-6> *
王若安 等: "具有自适应边界与最优引导的莱维飞行蚁狮优化算法", 微电子学与计算机, vol. 35, no. 09, 30 September 2018 (2018-09-30), pages 20 - 23 *
黄长强 等: "基于改进蚁狮算法的无人机三维航迹规划", 电子与信息学报, vol. 40, no. 07, 31 July 2018 (2018-07-31), pages 1533 - 1535 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112629534A (zh) * 2020-11-26 2021-04-09 昆明理工大学 一种搭载rfid的无人机盘库路径规划方法
CN112629534B (zh) * 2020-11-26 2023-08-11 昆明理工大学 一种搭载rfid的无人机盘库路径规划方法
CN112880688A (zh) * 2021-01-27 2021-06-01 广州大学 基于混沌自适应麻雀搜索算法的无人机三维航迹规划方法
CN112880688B (zh) * 2021-01-27 2023-05-23 广州大学 基于混沌自适应麻雀搜索算法的无人机三维航迹规划方法
CN112947531A (zh) * 2021-03-26 2021-06-11 上海工程技术大学 无人机的控制方法、装置、设备及存储介质
CN113419548A (zh) * 2021-05-28 2021-09-21 北京控制工程研究所 一种航天器深度强化学习莱维飞行控制系统
CN113794286A (zh) * 2021-09-06 2021-12-14 湖北工业大学 一种无线电能传输系统参数优化方法及装置
CN117406765A (zh) * 2023-09-05 2024-01-16 南京航空航天大学 随机和自适应航迹规划的动态波束辐射源搜索方法和系统

Similar Documents

Publication Publication Date Title
CN111815055A (zh) 一种基于改进莱维飞行蚁狮优化算法的无人机航迹规划方法
CN106979784B (zh) 基于混合鸽群算法的非线性航迹规划
Zhang et al. A novel phase angle-encoded fruit fly optimization algorithm with mutation adaptation mechanism applied to UAV path planning
Xu et al. Optimized multi-UAV cooperative path planning under the complex confrontation environment
CN107622327B (zh) 基于文化蚁群搜索机制的多无人机航迹规划方法
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
CN106705970A (zh) 一种基于蚁群算法的多无人机协同路径规划方法
CN112511250B (zh) 一种基于drl的多无人机空中基站动态部署方法及系统
CN109917815A (zh) 基于全局最优头脑风暴算法的无人机三维路径设计方法
Mou et al. A modified ant optimization algorithm for path planning of UCAV
CN102880186A (zh) 基于稀疏a*算法和遗传算法的航迹规划方法
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
CN109032167A (zh) 基于并行启发式算法的无人机路径规划方法
Yafei et al. An improved UAV path planning method based on RRT-APF hybrid strategy
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
CN110986960B (zh) 一种基于改进聚类算法的无人机航迹规划方法
Lei et al. Path planning for unmanned air vehicles using an improved artificial bee colony algorithm
CN112733251B (zh) 一种多无人飞行器协同航迹规划方法
CN114840020A (zh) 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法
CN115540869A (zh) 一种基于改进灰狼算法的无人机3d路径规划方法
Haghighi et al. Multi-objective cooperated path planning of multiple unmanned aerial vehicles based on revisit time
Huan et al. UAV path planning based on an improved ant colony algorithm
Ma et al. Chaotic random opposition-based learning and Cauchy mutation improved moth-flame optimization algorithm for intelligent route planning of multiple UAVs
Ding et al. Improved GWO algorithm for UAV path planning on crop pest monitoring
CN117806346A (zh) 一种基于自适应蜣螂优化器的无人机路径规划方法

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