CN112230674A - 基于小生境粒子群算法的多机协同航路规划方法及系统 - Google Patents
基于小生境粒子群算法的多机协同航路规划方法及系统 Download PDFInfo
- Publication number
- CN112230674A CN112230674A CN202011047740.2A CN202011047740A CN112230674A CN 112230674 A CN112230674 A CN 112230674A CN 202011047740 A CN202011047740 A CN 202011047740A CN 112230674 A CN112230674 A CN 112230674A
- Authority
- CN
- China
- Prior art keywords
- individual
- collaborative
- niche
- route
- cost
- 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
Links
- 239000002245 particle Substances 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000000638 solvent extraction Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims description 13
- 239000000446 fuel Substances 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 4
- 230000009194 climbing Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000013016 learning Effects 0.000 description 2
- 230000009326 social learning Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请属于飞机巡航解算技术领域，涉及一种基于小生境粒子群算法的多机协同航路规划方法及系统。所述方法包括以多机协同航路规划中各飞机的航路作为粒子群算法的个体；将这些个体划分到多个小生境中；计算每个个体的性能代价，以所述性能代价最优为目标更新个体的最优位置；计算个体所在小生境的最优位置lbest；更新种群中个体的速度和位置；进行个体的位置和速度的值域空间边界限定；对每个个体与其他所有小生境中表现最好的个体所代表的航路进行协同策略限定。本申请不仅能够单架飞机的性能约束限制，同时也能够满足编队飞机协作要求，包括时域协同和空域协同，为现有型号及后续型号实现该功能奠定了基础。
Description
技术领域
本申请属于飞机巡航解算技术领域，特别涉及一种基于小生境粒子群算法的多机协同航路规划方法及系统。
背景技术
随着飞机应用领域的不断扩展，任务难度的不断增大，经常需要多架飞机合作完成一项任务，比如多架攻击飞机针对多个目标开展打击任务，这要求飞机必须同一时间到达目标。
多机协同航路规划的目的是为每架飞机规划出一条航路，能够满足飞机自身的约束限制，同时满足编队飞机编队的协作要求。
相对于单机航路规划，多机协同航路规划要更复杂，有时需要降低单架飞机的性能，以达到整个编队的整体性能最优。
多机协同航路规划问题需要面临两类约束条件：
一类是与单机航路规划相同的航路约束(飞机自身的约束限制)，比如最小转弯半径、最大飞行距离、最大爬升率等，这些单机航路规划约束是保证飞机的基本保障；
另外一类是与其他飞机相关联的约束条件(编队飞机编队的协作要求)，按照时间和空间的不同，又可以分为空域协同和时域协同两方面。时域协同是指各飞机在时间序列上，需要满足约定的时间或时序要求。空域协同是指飞机彼此无碰撞。
目前已有的多机协同航路规划技术多数是基于A*算法、人工视场等方法，这些技术主要存在以下缺陷及不足：
a、传统的航路规划算法大多是基于单元分解或者概略图的方法，因此对于构造的规划空间必须在航路规划前完成。然而规划空间的构造在环境较复杂时显得尤为困难，不仅仅针对于简单的二维航迹，对于三维空间更是如此，其构造难度随着空间的复杂度呈现指数增长。因此目前绝大多数航路规划算法在搜索之前都已经假设环境信息已经通过单元分解或者概略图的方法构造完成。对于构造好的规划空间来说，在其上进行航迹搜索也是非常耗时的。
b、绝大多数根据数学规划方法所定义的根据所提供的代价函数来确定最优航迹虽然最终所规划的航迹满足理想条件下的要求，但是在实际条件下，这样所规划的航迹并不一定能真正执行，比如A*算法航迹节点的扩展是以当前节点在所规划空间的所有可到达的相邻节点内进行扩展，待扩展方向时所有当前节点可到达的方向，但有时航迹的方向并不一定满足实际情况。因此航路规划不仅需要考虑航迹的优劣，也需要考虑实际现实情况，这些情况包括飞机的物理条件限制(如最大转弯角度、最大升/降角度、最短飞行距离、最低/高飞行高度、燃油、探测范围、飞行速度等)、飞行任务的需求限制(如飞行时间、飞行距离、匹配区域、到达目标方向、可变任务等)。即最短路径算法下，飞机性能不一定能够与之匹配。
c、受规划空间以及规划算法的影响，目前的规划算法考虑最多的因素就是规划的实时性要求。因为在解决此类问题上还没有一种方法在极短的时间内满足所需求的最优航迹。即使是同一种算法在不同的规划空间中也随着环境的复杂程度其规划时间有较大差别，尤其规划时间会随着规划环境的扩大呈现指数增长，在高维空间中，即使是对处理器的内存也是具有相当大的挑战。在预先已知所有威胁的离线航路规划来说规划可提前完成，对于威胁或环境可变的在线航路规划来说，实时要求的程度更高，因为在实际飞行过程中，不可能有过多的时间在空中进行等待来进行针对位置环境的航迹再规划。
d、在航路规划上，每个飞机按照起始点到目标点进行航路规划，按照一般方法所规划的航迹大多数只能得到一条。但在多航路规划问题上，往往需要同时规划出多条航迹以应对诸如新威胁或者其他新环境信息的出现所带来的问题，一旦环境信息改变，须在新的备选航迹中进行选取，这一系列航迹需要尽可能的保证代价最小。但在目前大部分解决办法都不能提供多条较优备选航迹。
e、多机航行空间的建模方法必须在对场景的描述有效性和问题求解的复杂性之间求得平衡。多机航路规划问题的本质属于组合优化问题，对该类问题的求解难度和时间复杂度会随着问题规模的扩大而快速增加。因此在选择解决方法时必须考虑时间复杂度的因素，通过合理的问题映射避免求解空间状态爆炸情况的出现。现有针对多机航路时空协同问题研究，对于各机到达目标距离相近的情况可以做到较好的时间协同；而当各机距离目标差异较大时，难以保证编队的时间协同。同时对于各飞机航路上存在路径相交的情况，不能够很好的解决航路碰撞问题，难以保证编队的空间协同。
发明内容
为了解决上述技术问题，本申请提供了一种基于小生境粒子群算法的多机协同航路规划方法及系统，满足多机协同航路规划时空协同要求，满足实时性需求，完成协同作战任务。
本申请第一方面提供了一种基于小生境粒子群算法的多机协同航路规划方法，包括：
步骤S1、以多机协同航路规划中各飞机的航路作为粒子群算法的个体；
步骤S2、将个体进行分组至多个小生境中，所述小生境数量不低于飞机数量；
步骤S3、计算每个个体的性能代价，以所述性能代价最优为目标更新个体的最优位置pbest，如果个体的当前位置所代表的航路代价值小于之前的或初始pbest的值，则用个体位置替代pbest；
步骤S4、计算个体所在小生境的最优位置lbest：从每个小生境中选出目前具有最小代价的个体所代表的航路；
步骤S5、更新种群中个体的速度和位置；
步骤S6、判断个体的位置和速度是否超过其相应的值域空间，如果是则将其限定在相应的值域空间边界上；
步骤S7、判断每个个体与其他所有小生境中表现最好的个体所代表的航路之间是否满足协同策略，如果不满足则该个体将被重新初始化；
步骤S8、至最大迭代次数后输出协同航路。
优选的是，步骤S2中，将多个个体均分到不同的小生境中。
优选的是，步骤S4中，所述个体的性能代价包括但不限于：
最小燃油代价、最小飞行距离代价。
优选的是，步骤S8中，所述协同策略包括时域协同需求和空域协同需求。
本申请第二方面提供了一种基于小生境粒子群算法的多机协同航路规划系统，包括：
个体模型生成模块，以多机协同航路规划中各飞机的航路作为粒子群算法的个体；
小生境划分模块，用于将个体进行分组至多个小生境中，所述小生境数量不低于飞机数量；
个体最优位置更新模块，用于计算每个个体的性能代价，以所述性能代价最优为目标更新个体的最优位置pbest，如果个体的当前位置所代表的航路代价值小于之前的或初始pbest的值，则用个体位置替代pbest；
小生境最优位置更新模块，用于计算个体所在小生境的最优位置lbest：从每个小生境中选出目前具有最小代价的个体所代表的航路；
个体速度及位置更新模块，用于更新种群中个体的速度和位置；
值域空间限定模块，用于判断个体的位置和速度是否超过其相应的值域空间，如果是则将其限定在相应的值域空间边界上；
协同策略限定模块，用于判断每个个体与其他所有小生境中表现最好的个体所代表的航路之间是否满足协同策略，如果不满足则该个体将被重新初始化；
输出模块，用于至最大迭代次数后输出协同航路。
优选的是，小生境划分模块中，包括将多个个体均分到不同的小生境中。
优选的是，所述个体的性能代价包括但不限于：最小燃油代价、最小飞行距离代价。
优选的是，所述协同策略包括时域协同需求和空域协同需求。
本申请具有以下优点：1)现有的多机协同航路规划技术大部分采用串行方式分别为每架飞机规划航路，这种方式时间开销大，很难满足实时性要求，本发明将多机协同航路规划问题转化为多目标优化问题，通过小生境粒子群优化算法并行为每架飞机进行航路规划，减少了时间开销，提高了实时性；2)现有技术通常只能够处理静态威胁源信息，无法处理动态威胁源信息，本发明在三维任务态势下，既可以处理静态威胁源数据又可以处理动态威胁源数据；3)现有技术通常需要在搜索空间中预先生成大量辅助航路点，本发明不需要预先生成任何航路点，降低了实际应用过程中的实现难度；4)采用通用的态势建模方法和优化求解算法，为后续型号或者项目重用奠定了基础，可大大降低后续型号或者项目的研制成本。
附图说明
图1是本申请基于小生境粒子群算法的多机协同航路规划方法的流程图。
图2为本申请小生境划分示意图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施方式是本申请一部分实施方式，而不是全部的实施方式。下面通过参考附图描述的实施方式是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本申请保护的范围。下面结合附图对本申请的实施方式进行详细说明。
本例的协同航路规划技术采用小生境粒子群优化算法实现。其主要解决的技术问题是：1)完成三维态势空间中的多机协同动态航路规划，规避静态威胁源和动态威胁源；2)满足单架飞机性能约束限制(最小转弯半径、最大飞行距离、最大爬升率等)；3)在复杂态势环境下，满足协同航路规划的实时性要求；4)满足编队飞机时域协同需求和空域协同需求；5)自适应确定算法需要设置的参数，减少人工干预，满足继承和复用需求。
解决上述技术问题主要是通过以下几点改进实现的：1)将多机编队协同航路规划问题转化为多目标优化问题；2)采用小生境粒子群优化算法来完成优化求解；3)根据态势环境确定优化解空间，自适应确定小生境粒子群优化算法需要设置的参数，减少人工干预；4)引入协同策略来完成协同航路冲突消解。
根据上述构思，本实施例的多机协同航路规划主要包括：
步骤S1、以多机协同航路规划中各飞机的航路作为粒子群算法的个体；
步骤S2、将个体进行分组至多个小生境中，所述小生境数量不低于飞机数量；
步骤S3、计算每个个体的性能代价，以所述性能代价最优为目标更新个体的最优位置pbest，如果个体的当前位置所代表的航路代价值小于之前的或初始pbest的值，则用个体位置替代pbest；
步骤S4、计算个体所在小生境的最优位置lbest：从每个小生境中选出目前具有最小代价的个体所代表的航路；
步骤S5、更新种群中个体的速度和位置；
步骤S6、判断个体的位置和速度是否超过其相应的值域空间，如果是则将其限定在相应的值域空间边界上；
步骤S7、判断每个个体与其他所有小生境中表现最好的个体所代表的航路之间是否满足协同策略，如果不满足则该个体将被重新初始化；
步骤S8、至最大迭代次数后输出协同航路。
其中，步骤S4中，所述个体的性能代价包括但不限于最小燃油代价、最小飞行距离。备选实施方式中，还可以通过定义航路惩罚度来代表航路代价值，航路惩罚度主要包括安全惩罚度和性能约束惩罚度。
下面结合图1对本申请进行详细说明。
a、构建态势模型，包括威胁源信息、规划起点、规划终点、最小飞行距离、最大爬升率、最大下滑率、转弯角度等；根据任务场景不同，多架飞机的规划起点和规划终点可能相同，也可能不同。
b、参数初始化：种群中个体数量(N)、收缩因子
最大迭代次数(Iteration)、规划航路包含的航路点个数(D)、自知学习因子(C1)、社会学习因子(C2)、随机数r1和r2、个体位置(X)、个体速度(V)以及速度和位置值域空间等；
根据飞机数量进行参数初始化，其中，N＝M×P，M代表飞机数量，P代表每架飞机的子种群中个体数量(P通常取值为5-10)，种群中每个个体代表一条从规划起点到规划终点的航路；
c、子种群(小生境)划分：根据飞机数量(M)将个体划分为M个小生境中；
划分方式示例：
假设飞机数量为4(编号分别为1～4)，那么种群中个体数量为20(编号分别为1～20，P取值为5)。将编号为1～5的初个体划分到飞机1的小生境中，编号为6～10的个体划分到飞机2的小生境中，编号为11～15的个体划分到飞机3的小生境中，编号为16～20的个体划分到飞机4的小生境中。如图2所示。
d、根据态势模型，计算每条个体的代价f，代价越小，航路越好；
e、更新个体的pbest：如果个体的当前位置(X)所代表的航路代价值小于pbest的代价值，则用个体位置(X)替代其pbest；
f、计算个体所在子种群(小生境)的lbest：从每个小生境中选出目前具有最小代价的个体所代表的航路；
g、按照如下公式更新种群中个体的速度和位置：
其中，
代表在第t代个体i的重规划航路信息，
为规划起点，
规划终点；
代表在第t代个体i的速度信息(n代表规划航路包含的航路点数)；
代表粒子i到第t代为止搜索到的最佳规划航路；
代表粒子i所在子种群(小生境)到第t代为止搜索到的最佳规划航路；
为收缩因子，通常取值为0.7298；C 1为自知学习因子，通常取值为1.44，主要用来调节向个体最佳位置飞行的步长；C 2为社会学习因子，通常取值为1.44；r1、r2为[0,1]之间的随机数。
h、判断个体的位置(X)和速度(V)是否超过其相应的值域空间，如果是则将其限定在相应的值域空间边界上；
i、协同冲突消解策略：判断每个个体与其他所有小生境中表现最好的个体所代表的航路之间是否满足协同策略(时间协同和空间协同)，如果不满足则该个体将被重新初始化；
j、判断是否达到最大迭代次数，达到则结束转k)；否则，转d)；
k、输出协同航路。
本申请第二方面提供了一种与上述方法对应的基于小生境粒子群算法的多机协同航路规划系统，包括：
个体模型生成模块，以多机协同航路规划中各飞机的航路作为粒子群算法的个体；
小生境划分模块，用于将个体进行分组至多个小生境中，所述小生境数量不低于飞机数量；
个体最优位置更新模块，用于计算每个个体的性能代价，以所述性能代价最优为目标更新个体的最优位置pbest，如果个体的当前位置所代表的航路代价值小于之前的或初始pbest的值，则用个体位置替代pbest；
小生境最优位置更新模块，用于计算个体所在小生境的最优位置lbest：从每个小生境中选出目前具有最小代价的个体所代表的航路；
个体速度及位置更新模块，用于更新种群中个体的速度和位置；
值域空间限定模块，用于判断个体的位置和速度是否超过其相应的值域空间，如果是则将其限定在相应的值域空间边界上；
协同策略限定模块，用于判断每个个体与其他所有小生境中表现最好的个体所代表的航路之间是否满足协同策略，如果不满足则该个体将被重新初始化；
输出模块，用于至最大迭代次数后输出协同航路。
在一些可选实施方式中，小生境划分模块中，包括将多个个体均分到不同的小生境中。
在一些可选实施方式中，所述个体的性能代价包括但不限于：最小燃油代价、最小飞行距离代价。
在一些可选实施方式中，所述协同策略包括时域协同需求和空域协同需求。
现有协同航路规划技术通常采用串行方式完成多机航路规划，时间开销大。为解决这种情况，本申请在上述步骤a)中，对当前任务态势进行建模，将多机协同航路规划问题转化为多目标优化问题进行优化求解。
现在技术通常需要在态势空间中生成大量的辅助航路点，如果态势环境太复杂，现有技术很难保证实时性。为此，采用小生境粒子群优化算法对上述建模的多目标优化问题进行优化求解，通过并行搜索方式降低时间开销，使其满足实时性要求。
多机协同航路规划技术的一个重要问题就是协同航路冲突消解，目前大多数技术均是采用规划完成后对航路进行适当调整来完成协同航路冲突消解。本技术通过引入协同策略，在规划过程中就可以完成协同航路冲突消解功能，提高了技术的适用性。
本技术在求解多机协同航路规划问题时，能够自适应地确定算法参数，不需要人工干预，运用小生境粒子群优化算法在态势空间中随机优化求解。不仅能够单架飞机的性能约束限制，同时也能够满足编队飞机协作要求，包括时域协同(各飞机在时间序列上满足约定时间或者时序要求)和空域协同(多机之间彼此无碰撞)，为现有型号及后续型号实现该功能奠定了基础。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于小生境粒子群算法的多机协同航路规划方法，其特征在于，包括：
步骤S1、以多机协同航路规划中各飞机的航路作为粒子群算法的个体；
步骤S2、将个体进行分组至多个小生境中，所述小生境数量不低于飞机数量；
步骤S3、计算每个个体的性能代价，以所述性能代价最优为目标更新个体的最优位置pbest，如果个体的当前位置所代表的航路代价值小于之前的或初始pbest的值，则用个体位置替代pbest；
步骤S4、计算个体所在小生境的最优位置lbest：从每个小生境中选出目前具有最小代价的个体所代表的航路；
步骤S5、更新种群中个体的速度和位置；
步骤S6、判断个体的位置和速度是否超过其相应的值域空间，如果是则将其限定在相应的值域空间边界上；
步骤S7、判断每个个体与其他所有小生境中表现最好的个体所代表的航路之间是否满足协同策略，如果不满足则该个体将被重新初始化；
步骤S8、至最大迭代次数后输出协同航路。
2.如权利要求1所述的基于小生境粒子群算法的多机协同航路规划方法，其特征在于，步骤S2中，将多个个体均分到不同的小生境中。
3.如权利要求1所述的基于小生境粒子群算法的多机协同航路规划方法，其特征在于，步骤S3中，所述个体的性能代价包括但不限于：
最小燃油代价、最小飞行距离代价。
4.如权利要求1所述的基于小生境粒子群算法的多机协同航路规划方法，其特征在于，步骤S7中，所述协同策略包括时域协同需求和空域协同需求。
5.一种基于小生境粒子群算法的多机协同航路规划系统，其特征在于，包括：
个体模型生成模块，以多机协同航路规划中各飞机的航路作为粒子群算法的个体；
小生境划分模块，用于将个体进行分组至多个小生境中，所述小生境数量不低于飞机数量；
个体最优位置更新模块，用于计算每个个体的性能代价，以所述性能代价最优为目标更新个体的最优位置pbest，如果个体的当前位置所代表的航路代价值小于之前的或初始pbest的值，则用个体位置替代pbest；
小生境最优位置更新模块，用于计算个体所在小生境的最优位置lbest：从每个小生境中选出目前具有最小代价的个体所代表的航路；
个体速度及位置更新模块，用于更新种群中个体的速度和位置；
值域空间限定模块，用于判断个体的位置和速度是否超过其相应的值域空间，如果是则将其限定在相应的值域空间边界上；
协同策略限定模块，用于判断每个个体与其他所有小生境中表现最好的个体所代表的航路之间是否满足协同策略，如果不满足则该个体将被重新初始化；
输出模块，用于至最大迭代次数后输出协同航路。
6.如权利要求5所述的基于小生境粒子群算法的多机协同航路规划系统，其特征在于，小生境划分模块中，包括将多个个体均分到不同的小生境中。
7.如权利要求5所述的基于小生境粒子群算法的多机协同航路规划系统，其特征在于，所述个体的性能代价包括但不限于：最小燃油代价、最小飞行距离代价。
8.如权利要求5所述的基于小生境粒子群算法的多机协同航路规划系统，其特征在于，所述协同策略包括时域协同需求和空域协同需求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011047740.2A CN112230674A (zh) | 2020-09-29 | 2020-09-29 | 基于小生境粒子群算法的多机协同航路规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011047740.2A CN112230674A (zh) | 2020-09-29 | 2020-09-29 | 基于小生境粒子群算法的多机协同航路规划方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112230674A true CN112230674A (zh) | 2021-01-15 |
Family
ID=74119713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011047740.2A Pending CN112230674A (zh) | 2020-09-29 | 2020-09-29 | 基于小生境粒子群算法的多机协同航路规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112230674A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574362A (zh) * | 2015-12-14 | 2016-05-11 | 深圳大学 | 一种带约束小生境粒子群优化的集成特征选择方法及系统 |
| CN105700549A (zh) * | 2016-01-21 | 2016-06-22 | 北京理工大学 | 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 |
| CN110887491A (zh) * | 2019-12-05 | 2020-03-17 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种飞机航路规划方法 |
| CN110930772A (zh) * | 2019-12-05 | 2020-03-27 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种多飞机协同航路规划方法 |
-
2020
- 2020-09-29 CN CN202011047740.2A patent/CN112230674A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574362A (zh) * | 2015-12-14 | 2016-05-11 | 深圳大学 | 一种带约束小生境粒子群优化的集成特征选择方法及系统 |
| CN105700549A (zh) * | 2016-01-21 | 2016-06-22 | 北京理工大学 | 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 |
| CN110887491A (zh) * | 2019-12-05 | 2020-03-17 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种飞机航路规划方法 |
| CN110930772A (zh) * | 2019-12-05 | 2020-03-27 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种多飞机协同航路规划方法 |
Non-Patent Citations (6)
| Title |
|---|
| SZCZERBA R J等: "Robust Algorithm for Real-Time Route Planning", IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEM, vol. 1, pages 869 - 878 * |
| 叶文;赵建忠;吕晓峰;刘华文;: "采用层次分解策略的多机协同航路规划", 现代防御技术, vol. 46, no. 04, pages 21 - 26 * |
| 吕明伟: "基于相似度模型的多模态粒子群优化算法研究", 中国优秀硕士学位论文全文数据库信息科技辑, pages 18 - 31 * |
| 曾国奇等: "基于网格PRM的无人机多约束航路规划", 系统工程与电子技术, vol. 38, no. 10, pages 2310 - 2316 * |
| 赵远东;汪怡;: "基于均分法的小生境遗传算法", 南京信息工程大学学报(自然科学版), no. 06, pages 553 - 556 * |
| 陆青;梁昌勇;杨善林;张俊岭;: "面向多模态函数优化的自适应小生境遗传算法", 模式识别与人工智能, no. 01, pages 91 - 100 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhihao et al. | Virtual target guidance-based distributed model predictive control for formation control of multiple UAVs | |
| Zhang et al. | Three-dimensional path planning for uninhabited combat aerial vehicle based on predator-prey pigeon-inspired optimization in dynamic environment | |
| Wan et al. | An accurate UAV 3-D path planning method for disaster emergency response based on an improved multiobjective swarm intelligence algorithm | |
| CN106979784B (zh) | 基于混合鸽群算法的非线性航迹规划 | |
| Kim et al. | Real-time path planning with limited information for autonomous unmanned air vehicles | |
| Yao et al. | Obstacle-avoiding path planning for multiple autonomous underwater vehicles with simultaneous arrival | |
| CN103267528A (zh) | 禁飞区限制下的多无人机协同区域搜索方法 | |
| CN103471592A (zh) | 一种基于蜂群协同觅食算法的多无人机航迹规划方法 | |
| Huang et al. | A new dynamic path planning approach for unmanned aerial vehicles | |
| Cao et al. | Hunting algorithm for multi-auv based on dynamic prediction of target trajectory in 3d underwater environment | |
| Yang et al. | 2D Dubins path in environments with obstacle | |
| CN111121784B (zh) | 一种无人侦察机航路规划方法 | |
| CN112214930A (zh) | 基于协作粒子群优化算法的多机协同航路规划方法及系统 | |
| Zhao et al. | A review of path planning and cooperative control for MAUV systems | |
| CN110930772A (zh) | 一种多飞机协同航路规划方法 | |
| CN115562357A (zh) | 一种面向无人机集群的智能路径规划方法 | |
| Liu et al. | Application of dijkstra algorithm in path planning for geomagnetic navigation | |
| Perez-Leon et al. | Integration of a 4D-trajectory follower to improve multi-UAV conflict management within the U-space context | |
| Ma et al. | Volcanic Ash Region Path Planning Based on Improved A‐Star Algorithm | |
| Zhang et al. | Cooperative solution of multi‐UAV rendezvous problem with network restrictions | |
| Li et al. | Dynamic route planning for a USV-UAV multi-robot system in the rendezvous task with obstacles | |
| Wang et al. | Cooperative target search of UAV swarm with communication distance constraint | |
| CN109784585A (zh) | 一种无人机无人艇的混合布放调度方法 | |
| CN112230674A (zh) | 基于小生境粒子群算法的多机协同航路规划方法及系统 | |
| Ernest et al. | Fuzzy clustering based genetic algorithm for the multi-depot polygon visiting dubins multiple traveling salesman problem |
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 |