CN112462805A - 基于改进蚁群算法的5g网联无人机航迹规划方法 - Google Patents
基于改进蚁群算法的5g网联无人机航迹规划方法 Download PDFInfo
- Publication number
- CN112462805A CN112462805A CN202011302949.9A CN202011302949A CN112462805A CN 112462805 A CN112462805 A CN 112462805A CN 202011302949 A CN202011302949 A CN 202011302949A CN 112462805 A CN112462805 A CN 112462805A
- Authority
- CN
- China
- Prior art keywords
- node
- unmanned aerial
- aerial vehicle
- path
- pheromone
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000006855 networking Effects 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 239000003016 pheromone Substances 0.000 claims description 61
- 241000257303 Hymenoptera Species 0.000 claims description 37
- 239000002245 particle Substances 0.000 claims description 15
- 230000007704 transition Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique 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
- G05D1/12—Target-seeking control
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (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蚁群算法的5G网联无人机航迹规划方法,具体按照如下步骤实施:步骤1,在无人机上安装一个GPS导航模块接收无人机的位置信号,然后让无人机在待规划的环境中试飞,使用GPS定位对环境进行采样,基于采集的飞行环境建立三维栅格单元;步骤2,然后根据GPS判断待规划无人机当前在三维栅格单元所处的位置,以三维栅格单元的各个顶点组成的路线为待选航迹规划路线采用改进蚁群算法对无人机进行航迹规划,选出最优路径。本发明解决了现有技术中存在的传统蚁群算法收敛速度慢、搜索时间长且容易陷入局部最优,无法快速优质的进行无人机航迹规划的问题。
Description
技术领域
本发明属于5G通信技术领域,涉及一种基于改进蚁群算法的5G网联无人机航迹规划方法。
背景技术
随着5G通信的飞速发展,它以其大容量、低时延、高可靠的数据传输效果得以广泛应用于各行各业的通信。无人机以其体积较小、应用方便快捷的特点得以快速发展,特别是民用无人机的应用和普及,使我们平时生活中也能看到无人机的身影。民用领域对无人机的广泛应用随之带来的问题就是如何合理有效地管控数量巨大的民用无人机,以保障空域交通的有序流动性和飞行安全性。因此,将5G通信的优势应用于无人机航迹规划的研究非常重要。当前情况下,航迹规划技术的要求是保障一体化空域中无人机的飞行安全,且能够及时闪避可能出现的障碍。
蚁群算法是意大利著名学者M.Dorigo等人所提出的一种模拟算法,通过模拟自然界蚂蚁搜索食物与蚁穴间路径的行为,得到起点与目标节点之间的最优路径。目前蚁群算法已经被应用到多种不同的离散优化算法中,其中包括无人机航迹规划,但是传统蚁群算法收敛速度慢、搜索时间长且容易陷入局部最优,所以未能得以广泛应用。
发明内容
本发明的目的是提供一种基于改进蚁群算法的5G网联无人机航迹规划方法,解决了现有技术中存在的传统蚁群算法收敛速度慢、搜索时间长且容易陷入局部最优,无法快速优质的进行无人机航迹规划的问题。
本发明所采用的技术方案是,基于改进蚁群算法的5G网联无人机航迹规划方法,具体按照如下步骤实施:
步骤1,在无人机上安装一个GPS导航模块接收无人机的位置信号,然后让无人机在待规划的环境中试飞,使用GPS定位对环境进行采样,基于采集的飞行环境建立三维栅格单元;
步骤2,然后根据GPS判断待规划无人机当前在三维栅格单元所处的位置,以三维栅格单元的各个顶点组成的路线为待选航迹规划路线采用改进蚁群算法对无人机进行航迹规划,选出最优路径。
本发明的特征还在于,
步骤1中基于采集的飞行环境建立三维栅格单元具体为:将纬度作为横坐标,经度作为纵坐标,以地面物体的高度作为竖坐标,垂直于地面划分三维栅格单元。
划分三维栅格单元时,三维栅格单元的栅格节点按照如下方法确定:
以当前无人机所处的位置栅格的顶点为一个节点(A,B),A、B分别为无人机所处栅格节点的横坐标和纵坐标,在二维平面空间内,求取节点(A,B)与其周围若干个离散点(xi,yj)的距离Di为:
然后根据距离找出距离节点(A,B)最近的N个离散点,则下一个节点(x,y)的栅格坐标为:
其中,Zi是第i个离散点的横坐标值,Zx为下一个节点(x,y)的横坐标值,Zj是第j个离散点的纵坐标值,Zy为下一个节点(x,y)的纵坐标值,Di是第i个离散点到节点(A,B)的距离,Dj是第j个离散点到节点(A,B)的距离,由于横向位置和纵向位置得到确定,则竖向位置z由GPS定位直接得到,即可确定下一节点的三维坐标(x,y,z),进而得到三维空间的栅格单元。
步骤2具体为:
步骤2.1,以待规划无人机当前在三维栅格单元所处的栅格的顶点为起始节点,然后进行参数初始化,具体为:设定蚁群的搜索次数Nc=0,设定蚂蚁总数为m;
步骤2.2,将第一只蚂蚁置于起始节点的栅格上,让蚂蚁按照添加引导因子后的状态专利概率公式选择路径,进行路径搜索;
步骤2.3,使蚂蚁的数目逐渐自增,让每个蚂蚁按照步骤2.2的方式进行路径搜索,完成一轮迭代,选出本次迭代的最短路径,最短路径对应的蚂蚁为最优蚂蚁;
步骤2.4,当Nc<Ncmax,进行下一轮迭代Nc+1,对信息素进行更新,然后按照步骤2.2-2.3的方式进行下一轮迭代,当Nc≥Ncmax,比较各次迭代的最短路径,然后取最小,作为最优路径;
步骤2.5,判断否陷入局部最优,如果陷入局部最优,执行步骤2.6,否则按照步骤2.4进行下一轮迭代;
步骤2.6,根据Dijkstra算法调整挥发因子的值,然后返回步骤2.4。
步骤2.2中添加引导因子后的状态专利概率公式具体为:
设某节点i的牵引粒子为:
其中,m为蚂蚁总数,mk为当前参与迭代的蚂蚁数量,Ncmax为最大搜索次数,Nc为当前搜索次数,diD为节点i到目标节点D的距离,dij为节点i到下一节点j的距离;
其中,τij(t)和τiD(t)分别是t时刻蚂蚁从当前节点i到下一节点j和到目标节点D的信息素;ηij(t)和ηiD(t)是启发函数,分别表示t时刻蚂蚁从当前节点i转移到下一节点j和到目标节点D的期望程度;λi(t)和λj(t)分别是当前节点i和下一节点j的牵引粒子。
步骤2.4中对信息素进行更新具体为:
信息素更新公式为:
τij(t+n)=(1-ρ)τij(t)+Δτij(t,t+n)
其中,信息素增量Δτij(t,t+n)为:
其中τij(t+n)为第n次迭代路径(i,j)上信息素浓度,ρ是信息素挥发因子,τij(t)是t时刻蚂蚁从当前节点i到下一节点j的信息素,设置τij(0)为常数,Δτij(0)为零;Lk为当前k蚂蚁完成上一次搜寻后的路径长度,Q是信息素更新常量,为完成上一次路径搜寻后残留下的信息素总和。
步骤2.6中根据Dijkstra算法调整挥发因子的值具体为:
调整挥发因子ρ计算公式为:
其中,
其中,k为当前蚂蚁的序号,σ为完成当前迭代后,所有其他蚂蚁与最优蚂蚁k信息素浓度的方差,μ为所有最优蚂蚁k完成当前次的迭代后的期望,τk为当前蚂蚁k的信息素浓度,τij(t)为蚂蚁从城市i转移到城市j的信息素浓度。
本发明的有益效果是:
本发明首先通过规则网络模型建立模拟环境网状栅格模型,然后通过改进传统蚁群算法,在起点和目标点之间建立最优路径,在飞行过程中,通过5G通信协议对无人机的信息收集协调,实现实时动态避碰并重新选择最优路径,本发明使用插值法改良传统的环境建模方法,增大了特殊地形的建模精度,降低了建模算法的复杂度,本发明改进蚁群算法:在算法初期设置牵引粒子使搜寻定向,对信息素进行实时动态更新选出最优路径,动态调整挥发因子的值避免算法陷入局部最优,本发明收敛速度较慢、搜索时间短,能实现较短时间搜索出最优路经。
附图说明
图1是本发明基于改进蚁群算法的5G网联无人机航迹规划方法中划分的三维栅格图;
图2是本发明基于改进蚁群算法的5G网联无人机航迹规划方法中改进蚁群算法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于改进蚁群算法的5G网联无人机航迹规划方法,具体按照如下步骤实施:
传统的使用规则网络建立模拟环境网状栅格模型是指对需要规划的三维立体空间进行网格划分,将空间划分为大小相等、彼此相邻的立方体,以各立方体的顶点为节点,搜寻方式为从起始点开始,搜寻下一个相邻节点,直至搜寻到目标节点结束搜索,最终形成连接起始节点和目标节点的航迹。但直接建立环境模型会造成航迹精度过大或算法过于复杂,为了改善这种情况,考虑到三维空域中无人机自身的性能约束,本次研究提出了反距离加权算法对环境网状栅格模型进行插值处理。
反距离加权算法是一种将不规则分布的节点变成规则分布节点的网格化方法。该方法的基本思想是在设置一个标准的网状栅格,然后根据其他节点与标准栅格的比例对其他栅格进行扩展或缩小,具体步骤如下:
步骤1,在无人机上安装一个GPS导航模块接收无人机的位置信号,然后让无人机在待规划的环境中试飞,使用GPS定位对环境进行采样,基于采集的飞行环境建立三维栅格单元,其中,基于采集的飞行环境建立三维栅格单元具体为:将纬度作为横坐标,经度作为纵坐标,以地面物体的高度作为竖坐标,垂直于地面划分三维栅格单元,划分三维栅格单元时,三维栅格单元的栅格节点按照如下方法确定:
以当前无人机所处的位置栅格的顶点为一个节点(A,B),A、B分别为无人机所处栅格节点的横坐标和纵坐标,在二维平面空间内,求取节点(A,B)与其周围若干个离散点(xi,yj)的距离Di为:
然后根据距离找出距离节点(A,B)最近的N个离散点,则下一个节点(x,y)的栅格坐标为:
其中,Zi是第i个离散点的横坐标值,Zx为下一个节点(x,y)的横坐标值,Zj是第j个离散点的纵坐标值,Zy为下一个节点(x,y)的纵坐标值,Di是第i个离散点到节点(A,B)的距离,Dj是第j个离散点到节点(A,B)的距离,由于横向位置和纵向位置得到确定,则竖向位置z由GPS定位直接得到,即可确定下一节点的三维坐标(x,y,z),进而得到三维空间的栅格单元;
由于GPS定位时,纬度上每变化0.001'约为1.837m,经度上每变化0.001'约为1.281m,所以本次研究将一个标准栅格的值设置为横向1.837m,纵向1.281m,竖向也为1.281m,利用上述公式计算下一栅格节点的值,将新栅格与标准栅格的三个坐标进行对比,根据比例对下一栅格的值进行展缩,得到一个新的栅格节点,进而可以根据不同的地形得到不同精度的网状栅格。
本次研究得到的模拟地形栅格如图1所示。此方法提高了三维空间中各个方向的精度,得到的网状模型能够更好的模拟真实的地形,补偿了无人机由于自身性能约束带来的算法复杂度,也提高了传统模拟算法的效率。下一步将采用改进的蚁群算法对无人机进行航迹规划,无人机以各栅格的顶点组成的路线为待选航迹规划路线进行改进规划。
步骤2,然后根据GPS判断待规划无人机当前在三维栅格单元所处的位置,以三维栅格单元的各个顶点组成的路线为待选航迹规划路线采用改进蚁群算法对无人机进行航迹规划,选出最优路径,如图2所示,具体为:
步骤2.1,以待规划无人机当前在三维栅格单元所处的栅格的顶点为起始节点,然后进行参数初始化,具体为:设定蚁群的搜索次数Nc=0,设定蚂蚁总数为m;
步骤2.2,算法初期,蚂蚁在路径选择上是随机的,所有路径上的信息量基本相同,信息素和启发因子对路径选择作用较小,导致蚂蚁在转移过程中易陷入盲目选择,浪费时间和资源,因此算法初期在蚂蚁的状态转移中添加一个牵引粒子,并使牵引粒子随目标点和迭代次数的增大产生动态变化,具体为:将第一只蚂蚁置于起始节点的栅格上,让蚂蚁按照添加引导因子后的状态专利概率公式选择路径,进行路径搜索;其中,添加引导因子后的状态专利概率公式具体为:
设某节点i的牵引粒子为:
其中,m为蚂蚁总数,mk为当前参与迭代的蚂蚁数量,Ncmax为最大搜索次数,Nc为当前搜索次数,diD为节点i到目标节点D的距离,dij为节点i到下一节点j的距离;
其中,τij(t)和τiD(t)分别是t时刻蚂蚁从当前节点i到下一节点j和到目标节点D的信息素;ηij(t)和ηiD(t)是启发函数,分别表示t时刻蚂蚁从当前节点i转移到下一节点j和到目标节点D的期望程度;λi(t)和λj(t)分别是当前节点i和下一节点j的牵引粒子;
在迭代初期由于各路径上的信息素差别较小,在状态转移中会对路径进行随机选择,导致到达目标节点的时间较长。随着蚂蚁离目标节点的距离越近,迭代次数逐渐增大,同一条路径上蚂蚁数量增多,导致牵引粒子增大,进而使状态转移概率也增大。即增加牵引粒子后,蚂蚁对下一目标栅格的搜索更为精确。
步骤2.3,使蚂蚁的数目逐渐自增,让每个蚂蚁按照步骤2.2的方式进行路径搜索,完成一轮迭代,选出本次迭代的最短路径,最短路径对应的蚂蚁为最优蚂蚁;
蚂蚁对路径搜索的依据是每条路径上的信息素浓度,在完成全部路径搜索后要对信息素进行更新,所以信息素初始值的设定和更新对算法能否成功搜索到最优路径非常重要。本次研究对信息素的更新方式改进为:当所有蚂蚁完成一次搜索后,按照所走路径的长短进行排序(L1≤L2≤...≤Lmax),根据排名的顺序对信息素进行加权更新,提高最优解路径的选择概率;
步骤2.4,当Nc<Ncmax,进行下一轮迭代Nc+1,对信息素进行更新,然后按照步骤2.2-2.3的方式进行下一轮迭代,当Nc≥Ncmax,比较各次迭代的最短路径,然后取最小,作为最优路径;其中,对信息素进行更新具体为:
信息素更新公式为:
τij(t+n)=(1-ρ)τij(t)+Δτij(t,t+n)
其中,信息素增量Δτij(t,t+n)为:
其中τij(t+n)为第n次迭代路径(i,j)上信息素浓度,ρ是信息素挥发因子,τij(t)是t时刻蚂蚁从当前节点i到下一节点j的信息素,设置τij(0)为常数,Δτij(0)为零;Lk为当前k蚂蚁完成上一次搜寻后的路径长度,Q是信息素更新常量,为完成上一次路径搜寻后残留下的信息素总和;
步骤2.5,判断否陷入局部最优,如果陷入局部最优,执行步骤2.6,否则按照步骤2.4进行下一轮迭代;
若算法中信息素挥发因子固定,即信息素数量没有差异时,由于缺少随机性,蚂蚁对路径的选择会出现局部循环,我们称此时的蚁群算法陷入了局部最优。本次研究对挥发因子采用仿照Dijkstra算法的调整方式,动态调整挥发因子的范围,防止算法陷入局部最优。由于各条路径上信息量的大小是由信息素挥发系数决定的,我们通常将挥发因子通常设置为常数。挥发因子设置过大会使禁忌表以外路径的信息素飞快减小,设置过小又会使算法容易陷入局部最优,导致收敛速度过快,保持不变则会降低搜索效率。
通过改进挥发因子ρ,在路径搜索前期为了提高算法的搜索能力,要将信息素挥发因子ρ的值设置为较小常数;在路径搜索中期为了增加解的搜索空间,要将信息素挥发因子ρ的值设置为较大常数;在路径搜索后期为了增加信息素的导向作用,且由于在后期蚂蚁对路径的选择较少,因此需要减小ρ的值。
步骤2.6,根据Dijkstra算法调整挥发因子的值,然后返回步骤2.4,其中,根据Dijkstra算法调整挥发因子的值具体为:
调整挥发因子ρ计算公式为:
其中,
其中,k为当前蚂蚁的序号,σ为完成当前迭代后,所有其他蚂蚁与最优蚂蚁k信息素浓度的方差,μ为所有最优蚂蚁k完成当前次的迭代后的期望,τk为当前蚂蚁k的信息素浓度,τij(t)为蚂蚁从城市i转移到城市j的信息素浓度。
本发明本次研究针对传统蚁群算法的不足进行了如下三点改进:
(1)在起始节点的状态转移概率中加入牵引粒子,使无人机在算法初期可以定向搜索,确定前进的方向后再令无人机出发。
(2)在航迹上对信息素进行实时动态更新,将每次迭代算法得到的时间复杂度排序,选择优质的路径增加其信息素,对劣质的路径减少其信息素,根据贡献程度对路径加权,经过数次累计可以筛选出优质的路径。
(3)仿照Dijkstra算法,对挥发因子的值进行调整,取最优路径库中所有大于当前挥发因子值中的最小值,防止禁忌表漏掉最优信息素挥发速率。算法中期逐渐增大挥发因子,可扩大搜索范围,便于找到最优路径。算法后期减小挥发因子,利用算法初期的牵引粒子增大信息素的导向作用。
Claims (7)
1.基于改进蚁群算法的5G网联无人机航迹规划方法,其特征在于,具体按照如下步骤实施:
步骤1,在无人机上安装一个GPS导航模块接收无人机的位置信号,然后让无人机在待规划的环境中试飞,使用GPS定位对环境进行采样,基于采集的飞行环境建立三维栅格单元;
步骤2,然后根据GPS判断待规划无人机当前在三维栅格单元所处的位置,以三维栅格单元的各个顶点组成的路线为待选航迹规划路线采用改进蚁群算法对无人机进行航迹规划,选出最优路径。
2.根据权利要求1所述的基于改进蚁群算法的5G网联无人机航迹规划方法,其特征在于,所述步骤1中基于采集的飞行环境建立三维栅格单元具体为:将纬度作为横坐标,经度作为纵坐标,以地面物体的高度作为竖坐标,垂直于地面划分三维栅格单元。
3.根据权利要求2所述的基于改进蚁群算法的5G网联无人机航迹规划方法,其特征在于,划分三维栅格单元时,所述三维栅格单元的栅格节点按照如下方法确定:
以当前无人机所处的位置栅格的顶点为一个节点(A,B),A、B分别为无人机所处栅格节点的横坐标和纵坐标,在二维平面空间内,求取节点(A,B)与其周围若干个离散点(xi,yj)的距离Di为:
然后根据距离找出距离节点(A,B)最近的N个离散点,则下一个节点(x,y)的栅格坐标为:
其中,Zi是第i个离散点的横坐标值,Zx为下一个节点(x,y)的横坐标值,Zj是第j个离散点的纵坐标值,Zy为下一个节点(x,y)的纵坐标值,Di是第i个离散点到节点(A,B)的距离,Dj是第j个离散点到节点(A,B)的距离,由于横向位置和纵向位置得到确定,则竖向位置z由GPS定位直接得到,即可确定下一节点的三维坐标(x,y,z),进而得到三维空间的栅格单元。
4.根据权利要求1所述的基于改进蚁群算法的5G网联无人机航迹规划方法,其特征在于,所述步骤2具体为:
步骤2.1,以待规划无人机当前在三维栅格单元所处的栅格的顶点为起始节点,然后进行参数初始化,具体为:设定蚁群的搜索次数Nc=0,设定蚂蚁总数为m;
步骤2.2,将第一只蚂蚁置于起始节点的栅格上,让蚂蚁按照添加引导因子后的状态专利概率公式选择路径,进行路径搜索;
步骤2.3,使蚂蚁的数目逐渐自增,让每个蚂蚁按照步骤2.2的方式进行路径搜索,完成一轮迭代,选出本次迭代的最短路径,最短路径对应的蚂蚁为最优蚂蚁;
步骤2.4,当Nc<Ncmax,进行下一轮迭代Nc+1,对信息素进行更新,然后按照步骤2.2-2.3的方式进行下一轮迭代,当Nc≥Ncmax,比较各次迭代的最短路径,然后取最小,作为最优路径;
步骤2.5,判断否陷入局部最优,如果陷入局部最优,执行步骤2.6,否则按照步骤2.4进行下一轮迭代;
步骤2.6,根据Dijkstra算法调整挥发因子的值,然后返回步骤2.4。
5.根据权利要求4述的基于改进蚁群算法的5G网联无人机航迹规划方法,其特征在于,所述步骤2.2中添加引导因子后的状态专利概率公式具体为:
设某节点i的牵引粒子为:
其中,m为蚂蚁总数,mk为当前参与迭代的蚂蚁数量,Ncmax为最大搜索次数,Nc为当前搜索次数,diD为节点i到目标节点D的距离,dij为节点i到下一节点j的距离;
其中,τij(t)和τiD(t)分别是t时刻蚂蚁从当前节点i到下一节点j和到目标节点D的信息素;ηij(t)和ηiD(t)是启发函数,分别表示t时刻蚂蚁从当前节点i转移到下一节点j和到目标节点D的期望程度;λi(t)和λj(t)分别是当前节点i和下一节点j的牵引粒子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011302949.9A CN112462805B (zh) | 2020-11-19 | 2020-11-19 | 基于改进蚁群算法的5g网联无人机航迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011302949.9A CN112462805B (zh) | 2020-11-19 | 2020-11-19 | 基于改进蚁群算法的5g网联无人机航迹规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112462805A true CN112462805A (zh) | 2021-03-09 |
CN112462805B CN112462805B (zh) | 2022-11-29 |
Family
ID=74836830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011302949.9A Active CN112462805B (zh) | 2020-11-19 | 2020-11-19 | 基于改进蚁群算法的5g网联无人机航迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112462805B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112947594A (zh) * | 2021-04-07 | 2021-06-11 | 东北大学 | 一种面向无人机的航迹规划方法 |
CN113625767A (zh) * | 2021-09-02 | 2021-11-09 | 大连海事大学 | 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 |
CN114578845A (zh) * | 2021-09-03 | 2022-06-03 | 长春工业大学 | 一种基于改进蚁群算法的无人机航迹规划方法 |
CN115118724A (zh) * | 2022-06-23 | 2022-09-27 | 福州大学 | 基于蚁群算法的多无人机辅助边缘计算系统部署优化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372766A (zh) * | 2016-12-06 | 2017-02-01 | 国网四川省电力公司检修公司 | 用于电磁干扰环境中的无人机路径规划方法 |
CN107622327A (zh) * | 2017-09-15 | 2018-01-23 | 哈尔滨工程大学 | 基于文化蚁群搜索机制的多无人机航迹规划方法 |
CN107677273A (zh) * | 2017-09-11 | 2018-02-09 | 哈尔滨工程大学 | 一种基于二维栅格划分的集群无人机多航迹规划方法 |
CN107806877A (zh) * | 2017-10-11 | 2018-03-16 | 湖北工业大学 | 一种基于蚁群算法的四旋翼无人机的航迹规划优化方法 |
CN109670656A (zh) * | 2019-02-27 | 2019-04-23 | 重庆邮电大学 | 一种基于4g网络的无人机最优通信路线规划方法 |
WO2019098082A1 (ja) * | 2017-11-20 | 2019-05-23 | ソニー株式会社 | 制御装置、および制御方法、プログラム、並びに移動体 |
US20190196467A1 (en) * | 2017-12-21 | 2019-06-27 | Intel Corporation | Drone path planning |
WO2020164834A1 (de) * | 2019-02-14 | 2020-08-20 | Zf Friedrichshafen Ag | Trajektoriebestimmung für landmaschinen unter verwendung von rasterkarten |
-
2020
- 2020-11-19 CN CN202011302949.9A patent/CN112462805B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372766A (zh) * | 2016-12-06 | 2017-02-01 | 国网四川省电力公司检修公司 | 用于电磁干扰环境中的无人机路径规划方法 |
CN107677273A (zh) * | 2017-09-11 | 2018-02-09 | 哈尔滨工程大学 | 一种基于二维栅格划分的集群无人机多航迹规划方法 |
CN107622327A (zh) * | 2017-09-15 | 2018-01-23 | 哈尔滨工程大学 | 基于文化蚁群搜索机制的多无人机航迹规划方法 |
CN107806877A (zh) * | 2017-10-11 | 2018-03-16 | 湖北工业大学 | 一种基于蚁群算法的四旋翼无人机的航迹规划优化方法 |
WO2019098082A1 (ja) * | 2017-11-20 | 2019-05-23 | ソニー株式会社 | 制御装置、および制御方法、プログラム、並びに移動体 |
US20190196467A1 (en) * | 2017-12-21 | 2019-06-27 | Intel Corporation | Drone path planning |
WO2020164834A1 (de) * | 2019-02-14 | 2020-08-20 | Zf Friedrichshafen Ag | Trajektoriebestimmung für landmaschinen unter verwendung von rasterkarten |
CN109670656A (zh) * | 2019-02-27 | 2019-04-23 | 重庆邮电大学 | 一种基于4g网络的无人机最优通信路线规划方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112947594A (zh) * | 2021-04-07 | 2021-06-11 | 东北大学 | 一种面向无人机的航迹规划方法 |
CN112947594B (zh) * | 2021-04-07 | 2023-08-04 | 东北大学 | 一种面向无人机的航迹规划方法 |
CN113625767A (zh) * | 2021-09-02 | 2021-11-09 | 大连海事大学 | 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 |
CN114578845A (zh) * | 2021-09-03 | 2022-06-03 | 长春工业大学 | 一种基于改进蚁群算法的无人机航迹规划方法 |
CN114578845B (zh) * | 2021-09-03 | 2024-05-17 | 长春工业大学 | 一种基于改进蚁群算法的无人机航迹规划方法 |
CN115118724A (zh) * | 2022-06-23 | 2022-09-27 | 福州大学 | 基于蚁群算法的多无人机辅助边缘计算系统部署优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112462805B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112462805B (zh) | 基于改进蚁群算法的5g网联无人机航迹规划方法 | |
CN112000131B (zh) | 基于人工势场法的无人机集群路径规划方法及系统 | |
CN113299085A (zh) | 一种交通信号灯控制方法、设备及存储介质 | |
CN109272170B (zh) | 一种基于Louvain算法的交通小区划分系统 | |
CN109215355A (zh) | 一种基于深度强化学习的单点交叉口信号配时优化方法 | |
CN112902969B (zh) | 一种无人机在数据收集过程中的路径规划方法 | |
CN107113764A (zh) | 提高人工神经网络定位性能的方法和装置 | |
CN110544296A (zh) | 一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法 | |
CN108762296B (zh) | 一种基于蚁群算法的无人机欺骗路线规划方法 | |
CN110345960B (zh) | 一种规避交通障碍的路线规划智能优化方法 | |
Li et al. | Adaptive traffic signal control model on intersections based on deep reinforcement learning | |
CN107293115A (zh) | 一种用于微观仿真的交通流量预测方法 | |
CN103295080A (zh) | 基于高程图和蚁群寻食的三维路径规划方法 | |
CN113268087A (zh) | 多约束复杂环境下基于改进蚁群算法的多无人机协同工作的航迹规划方法 | |
CN115202394A (zh) | 一种基于改进遗传算法的无人机全覆盖路径规划方法 | |
CN112556686A (zh) | 可预测动态时空环境的最短时间路径规划方法 | |
CN115355922A (zh) | 一种基于改进蚁群算法的出行路径规划方法及系统 | |
CN114167865A (zh) | 一种基于对抗生成网络与蚁群算法的机器人路径规划方法 | |
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 | |
CN113409576B (zh) | 一种基于贝叶斯网络的交通路网动态预测方法及系统 | |
Zhao et al. | Indoor localization algorithm based on hybrid annealing particle swarm optimization | |
CN115472023B (zh) | 一种基于深度强化学习的智能交通灯控制方法及装置 | |
CN112595333B (zh) | 道路导航数据的处理方法、装置、电子设备及存储介质 | |
CN113138609B (zh) | 一种反低慢小目标的多无人机协同目标搜索方法 | |
Sun et al. | Study on safe evacuation routes based on crowd density map of shopping mall |
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 |