CN111880561B - 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 - Google Patents
城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 Download PDFInfo
- Publication number
- CN111880561B CN111880561B CN202010683391.7A CN202010683391A CN111880561B CN 111880561 B CN111880561 B CN 111880561B CN 202010683391 A CN202010683391 A CN 202010683391A CN 111880561 B CN111880561 B CN 111880561B
- Authority
- CN
- China
- Prior art keywords
- flight
- algorithm
- optimal solution
- threat
- optimal
- 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
Links
Images
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
- G05D1/10—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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明的目的是提供一种城市环境下基于改进鲸鱼算法的无人机三维路径规划方法,设定威胁区判定,更精确的确定路径是否经过威胁区,构造合理的成本函数,使低能耗、高覆盖、无威胁的路径成为更好的选择。通过设定威胁区判定,更精确的确定路径是否经过威胁区,构造合理的成本函数,使低能耗、高覆盖、无威胁的路径成为更好的选择。在算法中设定收敛因子a随迭代次数余弦变化,迭代过程中加入levy飞行扰动,信息交流‑包围机制通过算法迭代中的个体历史最优解xm_best、邻域最优解xl_best、当前迭代最优解xbest来共同更新其余个体,从而提高算法的收敛速度和收敛精度,更好的避免陷入局部最优解。
Description
技术领域
本发明属于无人机三维路径规划技术领域,具体涉及城市环境下基于改进鲸鱼算法的无人机三维路径规划方法。
背景技术
随着自动驾驶的发展,无人机凭借着灵活、便携、成本低等优势,在自动驾驶中的应用越来越广泛,而由于无人机携带的能耗有限,无人机在到达部署点的过程中,应该追求低能耗、高覆盖、无威胁的路径。因此无人机的路径规划问题成为了一个研究重点,特别是针对城市环境下,考虑覆盖效益和威胁成本的三维路径规划问题亟待解决。
当前解决路径规划问题的算法,可以分为5大类。第一类基于道路图或骨架的算法。主要包括可见性图方法和Voronoi图搜索方法。但由于未考虑运动学和动力学约束,规划路径可能不可行。第二类启发式搜索算法。该算法通过单元分解对规划空间进行离散化,然后通过引入启发式信息找到给定初始节点到目标节点的最小代价路径。Dijkstra方法、传统A*算法、稀疏A*搜索(SAS)方法、D*是典型代表。该方法原理简单,已成功应用于无人机平台,但随着规划空间的增大,寻找最优路径的时间呈爆炸式增长。第三类基于概率编程的原理。如:概率路线图(PRM)方法、快速探索随机树(RRT)方法。RRT方法能较好地避免局部极小值,规划的航路能充分考虑无人机的运动学和动力学约束。但是RRT路径的避障行为不令人满意。第四类基于势场的方法。包括传统的人工势场法(APF)、虚拟作用力法(VF)、干扰源流体动力系统(IFDS)。这种方法计算时间短,但可能陷入局部最优。第五类基于优化的方法。因为路线规划可以看作是一种约束优化问题或NP-hard问题。这种方法主要包括混合整数线性规划(MILP)方法、智能算法,如:粒子群优化(PSO)、遗传算法(GA)、蚁群优化(ACO)、人工蜂群(ABC)和差分进化(DE)等。此类方法可以灵活地处理多种约束和特定的应用,但计算复杂度较高。
在解决无人机三维路径规划的问题建模中,大多数选用的都是随机地形或者山地地形,算法在城市环境建模下的性能无法保证。以及对威胁成本的定义,都选用的离散化求解,即在航段Li上,均匀的找5个点,分别求点到威胁区圆心的距离与半径的关系。这种求解办法只能较高概率保证航迹不经过威胁区,但是如果规划空间较大,子航段较长,则划分的5个点间距较大,不能保证两个点之间的航段不在威胁区内。
在解决NP-hard问题时,算法的全局搜索和局部开发难以协调平衡,算法前期由于搜索空间过大,导致收敛速度慢,并在算法的迭代后期,易陷入局部最优和过早收敛等,特别是当问题规模较大时,算法的收敛精度无法保证。
大多数的无人机三维路径规划算法针对随机山地地形,考虑的环境约束不适用于城市场景。随着自动驾驶的发展,在城市环境下,基于覆盖效益的无人机三维路径规划方法的研究十分必要。
发明内容
本发明的目的是提供一种一种城市环境下基于改进鲸鱼算法的无人机三维路径规划方法,设定威胁区判定,更精确的确定路径是否经过威胁区,构造合理的成本函数,使低能耗、高覆盖、无威胁的路径成为更好的选择。
本发明解决其技术问题的技术方案为:一种城市环境下基于改进鲸鱼算法的无人机三维路径规划方法,以起点和终点作为对角顶点建立矩形规划空间,起点为坐标原点,通过坐标系x轴分割法,将规划空间沿x轴n等分,n由规划空间大小来确定,一般取[5,15],通过确定一组y的序列,得到一条路径,即可行解y={y1,y2…yn-1,yn},其特征在于,包括以下步骤:
S1:初始化鲸鱼个体初始解、最大迭代次数T、种群个数N、迭代次数t=1,通过适应度函数,计算所有个体的适应度值,确定初始种群个体的全局最优解和全局最优适应度值,并将每个个体和它的适应度值保存为自身最优解和自身最优适应度值;
S2:利用余弦函数,通过最大迭代次数T和迭代次数t计算新的收敛因子a,并计算系数向量A,更新随机参数p,收敛因子a,系数向量A,随机参数p均为原鲸鱼算法中的量;;
S3:根据鲸鱼个体更新机制,更新个体位置;
S4:重新计算所有个体的适应度值,分别跟自身最优适应度值比较,若小于自身适应度值,则更新为自身最优适应度值,并将该个体更新为自身最优解;将所有个体的适应度值与全局最优适应度值比较,将最小的适应度值更新为全局最优适应度值,将全局最优适应度值对应的个体更新为全局最优解;
S5:若全局最优解未被更新,通过levy飞行对最优解执行扰动,否则执行步骤S6;
S6:若t=T,则执行步骤7,否则,使t=t+1后执行步骤S2-S5;
S7:算法寻到的适应度值最小的解作为城市环境下基于覆盖的无人机三维路径规划的最优路径。
所述步骤S1中所述的适应度函数具体为:f=k1fh+k2fl+(1-k1-k2)ft,其中fh为飞行高度成本,fl为飞行能耗成本,ft为飞行威胁成本,k1、k2为权重系数,k1+k2<1,如果更考虑覆盖效益,设定较大的k1,如果更考虑低能耗,设定较大的k2。
所述的飞行高度成本为:其中/>为了保证飞行的安全,设定在(xi,yi,zi)点的飞行高度为zi'=zi+h,h取[3,5]之间的固定值,zmax和zmin为无人机飞行的最高和最低高度,设定zmin=3,zmax为规划空间中最高点对应的飞行高度。
所述的飞行能耗成本为:其中λ1、λ2是权重因子,根据水平飞行和垂直飞行的耗能情况,设定λ1+λ2=1,且λ1<λ2,L为起点S(xS,yS,zS)到终点D(xD,yD,zD)的最短距离,表示为:/>li为第i段航迹的飞行距离,表示为:/>
所述的飞行威胁成本中:设第i段航迹的端点是pi-1(xi-1,yi-1)和pi(xi,yi),威胁区j的圆心坐标为Oj(xj,yj),引入垂足判别式得到:
所述的飞行威胁成本为:首先计算第i个航段pipi-1的直线方程式:pipi-1:用dij表示第j个威胁区域圆心Oj(xj,yj)到第i个航段pipi-1的距离,表示为:/>则威胁成本表示为:其中m表示威胁区个数。rj为第j个威胁区域的半径。
所述步骤S2中系数向量A计算公式为A=2a×r1-a,r1是[0,1]内的随机数。
所述步骤S3中的更新机制包括:信息交流-包围机制:其中Dm_best=|E×xm_best-xt|,xm_best表示个体记忆最优解;Dl_best=|E×xl_best-xt|,xl_best表示个体邻域最优解;Dbest=|C×xbest-xt|,xbest表示当前迭代最优解,C=2×r2,r2是[0,1]的随机数,/>为全局最优位置,xt为鲸鱼个体的初始解中的任意一个,xt+1为更信后的位置。
所述步骤S3中的更新机制具体为:
本发明的有益效果为:通过设定威胁区判定,更精确的确定路径是否经过威胁区,构造合理的成本函数,使低能耗、高覆盖、无威胁的路径成为更好的选择。在算法中设定收敛因子a随迭代次数余弦变化,迭代过程中加入levy飞行扰动,信息交流-包围机制通过算法迭代中的个体历史最优解xm_best、邻域最优解xl_best、当前迭代最优解xbest来共同更新其余个体,从而提高算法的收敛速度和收敛精度,更好的避免陷入局部最优解。
附图说明
图1是威胁区判定示意图。
图2是信息交流-包围机制示意图。
图3为本发明的流程图。
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。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前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1中,Oj(xj,yj)是威胁区j的圆心;rj是威胁区j的半径;pi-1(xi-1,yi-1)和pi(xi,yi)是第i个航段的端点坐标;pipi-1是第i个航段所在直线;p⊥(x⊥,y⊥)是圆心Oj(xj,yj)到直线pipi-1的垂足;dij是圆心Oj(xj,yj)到直线pipi-1的距离。
图2中,xt是个体当前位置;xm_best是个体记忆最优解;xl_best是个体邻域最优解;xt_best是理论更新位置;xbest是当前全局最优解;xt+1是最终更新位置。
本发明以起点和终点作为对角顶点建立矩形规划空间,起点为坐标原点,通过坐标系x轴分割法,将规划空间沿x轴n等分,n由规划空间大小来确定,一般取[5,15],通过确定一组y的序列,得到一条路径,即可行解y={y1,y2…yn-1,yn},包括以下步骤:
S1:初始化鲸鱼个体初始解、最大迭代次数T、种群个数N、迭代次数t=1,通过适应度函数,计算所有个体的适应度值,确定初始种群个体的全局最优解和全局最优适应度值,并将每个个体和它的适应度值保存为自身最优解和自身最优适应度值;
S2:利用余弦函数,通过最大迭代次数T和迭代次数t计算新的收敛因子a,并计算系数向量A,更新随机参数p;收敛因子a,系数向量A,随机参数p均为原鲸鱼算法中的量;
S3:根据鲸鱼个体更新机制,更新个体位置;
S4:重新计算所有个体的适应度值,分别跟自身最优适应度值比较,若小于自身适应度值,则更新为自身最优适应度值,并将该个体更新为自身最优解;将所有个体的适应度值与全局最优适应度值比较,将最小的适应度值更新为全局最优适应度值,将全局最优适应度值对应的个体更新为全局最优解;
S5:若全局最优解未被更新,通过levy飞行对最优解执行扰动,否则执行步骤S6;
S6:若t=T,则执行步骤7,否则,使t=t+1后执行步骤S2-S5;
S7:算法寻到的适应度值最小的解作为城市环境下基于覆盖的无人机三维路径规划的最优路径。
所述步骤S1中所述的适应度函数具体为:f=k1fh+k2fl+(1-k1-k2)ft,其中fh为飞行高度成本,fl为飞行能耗成本,ft为飞行威胁成本,k1、k2为权重系数,k1+k2<1,如果更考虑覆盖效益,设定较大的k1,如果更考虑低能耗,设定较大的k2。
所述的飞行高度成本为:其中/>为了保证飞行的安全,设定在(xi,yi,zi)点的飞行高度为zi'=zi+h,h取[3,5]之间的固定值,zmax和zmin为无人机飞行的最高和最低高度,设定zmin=3,zmax为规划空间中最高点对应的飞行高度。/>
所述的飞行能耗成本为:其中λ1、λ2是权重因子,根据水平飞行和垂直飞行的耗能情况,设定λ1+λ2=1,且λ1<λ2,L为起点S(xS,yS,zS)到终点D(xD,yD,zD)的最短距离,表示为:/>li为第i段航迹的飞行距离,表示为:/>
所述的飞行威胁成本中:设第i段航迹的端点是pi-1(xi-1,yi-1)和pi(xi,yi),威胁区j的圆心坐标为Oj(xj,yj),引入垂足判别式得到:
所述的飞行威胁成本为:首先计算第i个航段pipi-1的直线方程式:pipi-1:用dij表示第j个威胁区域圆心Oj(xj,yj)到第i个航段pipi-1的距离,表示为:/>则威胁成本表示为:其中m表示威胁区个数。rj为第j个威胁区域的半径。
所述步骤S2中系数向量A计算公式为A=2a×r1-a,r1是[0,1]内的随机数。
所述步骤S3中的更新机制包括:信息交流-包围机制:其中Dm_best=|E×xm_best-xt|,xm_best表示个体记忆最优解;Dl_best=|E×xl_best-xt|,xl_best表示个体邻域最优解;Dbest=|C×xbest-xt|,xbest表示当前迭代最优解,C=2×r2,r2是[0,1]的随机数。
所述步骤S3中的更新机制具体为:
城市环境下基于覆盖的无人机三维路径规划,路径航迹不仅需要避开威胁区,还要考虑路径的能耗和无人机的地面覆盖率,此时认为低能耗、高覆盖和无威胁的路径为最优路径。针对航迹是否经过威胁区的判定,设定了更为合理的威胁函数,通过威胁函数判定可以完全确定航迹是否经过威胁区,使规划的航迹安全系数更高。图1中,在威胁函数中引入垂足判别点x⊥,通过威胁区圆心Oj(xj,yj)到航迹子段pipi-1的距离与威胁区半径rj大小的判定,以及垂足是否在段pipi-1内,来确定路径是否经过威胁区。设定收敛因子a随迭代次数余弦变化,使算法在迭代前期更好地进行全局搜索,在算法后期加快局部收敛。图2中,通过算法迭代中的个体历史最优解xm_best、邻域最优解xl_best、当前迭代最优解xbest来共同更新其余个体,避免算法只向当前迭代最优解更新,从而更好的避免陷入局部最优。当迭代m次,全局最优解未更新,我们默认算法大概率陷入局部最优,引入levy飞行扰动机制,使算法尝试跳出局部最优。直到算法达到最大迭代次数,输出最优解作为无人机的最优路径。
本发明的核心思想是在城市环境下基于改进鲸鱼算法的无人机三维路径规划方法,设定威胁区判定,更精确的确定路径是否经过威胁区,构造合理的成本函数,使低能耗、高覆盖、无威胁的路径成为更好的选择。在算法中设定收敛因子a随迭代次数余弦变化,迭代过程中加入levy飞行扰动,信息交流-包围机制通过算法迭代中的个体历史最优解xm_best、邻域最优解xl_best、当前迭代最优解xbest来共同更新其余个体,从而提高算法的收敛速度和收敛精度,更好的避免陷入局部最优解。图3为改进鲸鱼算法的无人机三维路径规划流程图,结合流程图,对本发明的具体实施方案进行说明,
步骤S1通过坐标系x轴分割法,将规划空间沿x轴n等分,通过确定一组y的序列,得到一条路径,即可行解y={y1,y2…yn-1,yn};初始化鲸鱼个体初始解、相关参数,通过适应度函数f=k1fh+k2fl+(1-k1-k2)ft,计算所有个体的适应度值,确定初始种群个体的全局最优解和全局最优适应度值,并将每个个体和它的适应度值保存为自身最优解和自身最优适应度值。
步骤S4重新计算所有个体的适应度值,分别跟自身最优适应度值比较,若小于自身适应度值,则更新为自身最优适应度值,并将该个体更新为自身最优解;将所有个体的适应度值与全局最优适应度值比较,将最小的适应度值更新为全局最优适应度值,将全局最优适应度值对应的个体更新为全局最优解;
步骤S5若全局最优解在当前次迭代中未被更新,通过levy飞行对最优解执行扰动,帮助算法跳出局部最优,否则执行步骤6;
步骤S6若迭代次数达到T,执行步骤8,否则执行步骤S2-S5;
步骤S7当前迭代寻找到的最优解作为城市环境下基于改进鲸鱼算法的无人机三维路径规划的最优路径。
通过设定威胁区判定,更精确的确定路径是否经过威胁区,构造合理的成本函数,使低能耗、高覆盖、无威胁的路径成为更好的选择。在算法中设定收敛因子a随迭代次数余弦变化,迭代过程中加入levy飞行扰动,信息交流-包围机制通过算法迭代中的个体历史最优解xm_best、邻域最优解xl_best、当前迭代最优解xbest来共同更新其余个体,从而提高算法的收敛速度和收敛精度,更好的避免陷入局部最优解。
Claims (5)
1.城市环境下基于改进鲸鱼算法的无人机三维路径规划方法,以起点和终点作为对角顶点建立矩形规划空间,起点为坐标原点,通过坐标系x轴分割法,将规划空间沿x轴n等分,n取[5,15],通过确定一组y的序列,得到一条路径,即可行解y={y1,y2…yn-1,yn},其特征在于,包括以下步骤:
S1:初始化鲸鱼个体初始解、最大迭代次数T、种群个数N、迭代次数t=1,通过适应度函数,计算所有个体的适应度值,确定初始种群个体的全局最优解和全局最优适应度值,并将每个个体和它的适应度值保存为自身最优解和自身最优适应度值;所述步骤S1中所述的适应度函数具体为:f=k1fh+k2fl+(1-k1-k2)ft,其中fh为飞行高度成本,fl为飞行能耗成本,ft为飞行威胁成本,k1、k2为权重系数,k1+k2<1;
S3:根据鲸鱼个体更新机制,更新个体位置;所述S3中系数向量A计算公式为A=2a×r1-a,r1是[0,1]内的随机数;所述步骤S3中的更新机制包括:信息交流-包围机制:其中Dm_best=|E×xm_best-xt|,xm_best表示个体记忆最优解;Dl_best=|E×xl_best-xt|,xl_best表示个体邻域最优解;Dbest=|C×xbest-xt|,xbest表示当前迭代最优解,C=2×r2,r2是[0,1]的随机数,/>为全局最优位置,xt为鲸鱼个体的初始解中的任意一个,xt+1为更信后的位置;
所述步骤S3中的更新机制具体为:
“随机探索更新”xt_rand-A×Drand|A|>1;
即其中b为常数,l为[0,1]的一个随机向量,Drand=|C×xt-rand-xt|,D为原鲸鱼算法里定义的量,是更新机制的一个参数,表示当前个体到最优解的距离,公式为/> 为全局最优位置,xt为鲸鱼个体的初始解中的任意一个,xt+1为更信后的位置,xt_rand为第t次迭代中的一个随机解;
S4:重新计算所有个体的适应度值,分别跟自身最优适应度值比较,若小于自身适应度值,则更新为自身最优适应度值,并将该个体更新为自身最优解;将所有个体的适应度值与全局最优适应度值比较,将最小的适应度值更新为全局最优适应度值,将全局最优适应度值对应的个体更新为全局最优解;
S5:若全局最优解未被更新,通过levy飞行对最优解执行扰动,否则执行步骤S6;
S6:若t=T,则执行步骤7,否则,使t=t+1后执行步骤S2-S5;
S7:算法寻到的适应度值最小的解作为城市环境下基于覆盖的无人机三维路径规划的最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010683391.7A CN111880561B (zh) | 2020-07-16 | 2020-07-16 | 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010683391.7A CN111880561B (zh) | 2020-07-16 | 2020-07-16 | 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111880561A CN111880561A (zh) | 2020-11-03 |
CN111880561B true CN111880561B (zh) | 2023-03-28 |
Family
ID=73156013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010683391.7A Active CN111880561B (zh) | 2020-07-16 | 2020-07-16 | 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111880561B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7478395B2 (ja) | 2021-02-02 | 2024-05-07 | 日本電信電話株式会社 | 軌道算出装置、軌道算出方法およびプログラム |
CN113043278B (zh) * | 2021-04-13 | 2023-02-03 | 南京工业职业技术大学 | 一种基于改进型鲸鱼搜索方法的机械臂轨迹规划方法 |
CN113780787B (zh) * | 2021-09-01 | 2023-05-02 | 成都信息工程大学 | 一种复杂水环境下的多移动平台系统的协同任务分配方法 |
CN114237282B (zh) * | 2021-11-29 | 2023-10-27 | 南京邮电大学 | 面向智慧化工业园区监测的无人机飞行路径智能规划方法 |
CN114489061B (zh) * | 2022-01-17 | 2023-05-16 | 湖北工业大学 | 一种基于鲸鱼优化算法的平滑路径规划方法 |
CN114460972B (zh) * | 2022-04-13 | 2022-06-07 | 中国民航大学 | 一种无人机城区运行管控方法 |
CN116774725B (zh) * | 2023-05-19 | 2024-01-16 | 北华航天工业学院 | 一种改进sac算法的低空无人机路径规划及避障方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108919641A (zh) * | 2018-06-21 | 2018-11-30 | 山东科技大学 | 一种基于改进樽海鞘算法的无人机航迹规划方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10339478B2 (en) * | 2014-03-26 | 2019-07-02 | Ion Geophysical Corporation | Simultaneous operations coordination and planning system |
CN109997091B (zh) * | 2016-12-01 | 2022-08-09 | 深圳市大疆创新科技有限公司 | 用于管理3d飞行路径的方法和相关系统 |
US10692385B2 (en) * | 2017-03-14 | 2020-06-23 | Tata Consultancy Services Limited | Distance and communication costs based aerial path planning |
CN109144102B (zh) * | 2018-09-19 | 2021-08-20 | 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 |
CN110059875B (zh) * | 2019-04-12 | 2023-02-17 | 湖北工业大学 | 基于分布式鲸鱼优化算法的公共自行车需求量预测方法 |
CN110442020B (zh) * | 2019-06-28 | 2021-01-12 | 南京航空航天大学 | 一种新型的基于鲸鱼优化算法的容错控制方法 |
-
2020
- 2020-07-16 CN CN202010683391.7A patent/CN111880561B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108919641A (zh) * | 2018-06-21 | 2018-11-30 | 山东科技大学 | 一种基于改进樽海鞘算法的无人机航迹规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111880561A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111880561B (zh) | 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 | |
CN111504325B (zh) | 一种基于扩大搜索邻域的加权a*算法的全局路径规划方法 | |
CN110887484B (zh) | 基于改进遗传算法的移动机器人路径规划方法及存储介质 | |
CN107607120A (zh) | 基于改进修复式Anytime稀疏A*算法的无人机动态航迹规划方法 | |
CN111256697B (zh) | 一种针对路径点聚类机器学习的无人机航迹规划方法 | |
CN112230678A (zh) | 基于粒子群算法的三维无人机路径规划方法及规划系统 | |
CN110986960B (zh) | 一种基于改进聚类算法的无人机航迹规划方法 | |
CN110471426A (zh) | 基于量子狼群算法的无人驾驶智能车自动避碰方法 | |
CN113296520B (zh) | 融合a*与改进灰狼算法的巡检机器人路径规划方法 | |
CN113985922B (zh) | 一种多目标约束下的无人机分级式路径规划方法 | |
CN114815802A (zh) | 一种基于改进蚁群算法的无人天车路径规划方法和系统 | |
CN112161627A (zh) | 一种消防机器人智能路径规划方法 | |
CN114625150B (zh) | 基于危险系数和距离函数的快速蚁群无人艇动态避障方法 | |
CN115903879A (zh) | 基于地形数据插值技术的无人机航迹规划方法 | |
Ma et al. | A Fast path re-planning method for UAV based on improved A* algorithm | |
CN114611801A (zh) | 一种基于改进的鲸鱼优化算法的旅行商问题求解方法 | |
CN112000126B (zh) | 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法 | |
Song et al. | A survey of three-dimensional flight path planning for unmanned aerial vehicle | |
CN111189455B (zh) | 一种无人机航路规划方法、系统及存储介质 | |
Huang | A novel three-dimensional path planning method for fixed-wing UAV using improved particle swarm optimization algorithm | |
CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
CN116400737B (zh) | 一种基于蚁群算法的安全路径规划系统 | |
CN115143970B (zh) | 一种基于威胁度评估的水下航行器避障方法和系统 | |
Yuhang et al. | An adaptive evolutionary multi-objective estimation of distribution algorithm and its application to multi-UAV path planning | |
CN115357050A (zh) | 一种基于分层粒子群算法的无人机路径规划方法及其应用 |
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 |