CN113220024A - 一种高性能无人机集群搜索路径优化方法 - Google Patents
一种高性能无人机集群搜索路径优化方法 Download PDFInfo
- Publication number
- CN113220024A CN113220024A CN202110493472.5A CN202110493472A CN113220024A CN 113220024 A CN113220024 A CN 113220024A CN 202110493472 A CN202110493472 A CN 202110493472A CN 113220024 A CN113220024 A CN 113220024A
- Authority
- CN
- China
- Prior art keywords
- path
- ant
- unmanned aerial
- aerial vehicle
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000002922 simulated annealing Methods 0.000 claims abstract description 14
- 239000003016 pheromone Substances 0.000 claims description 55
- 241000257303 Hymenoptera Species 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高性能无人机集群搜索路径优化方法,该方法基于蚁群系统‑模拟退火(Ant Colony System‑Simulated Annealing)算法对无人机搜索路径进行优化,首先使用蚁群系统行全局优化,然后对优化结果中的每个无人机的路径再进行局部优化。在优化过程中,将穿过禁飞区的路径的长度设置为无穷大,实现了对禁飞区的有效规避。本发明公开的方法解决了针对有禁飞区的无人机集群搜索路径优化问题,相对于现有技术,该方法优化时间较短,对于不同数量的无人机和搜索节点都具有良好的优化性能。
Description
技术领域
本发明属于控制领域,尤其涉及一种高性能无人机集群搜索路径优化方法。
背景技术
近年来无人机集群技术在军事和民用方面都取得了广泛的应用,比如灾难救援、地形绘制等。搭载相应传感器的无人机可以在复杂环境下完成搜索任务,其关键在于无人机集群搜索路径的优化技术。无人机集群搜索路径优化的目的是为每个无人机优化出一条合适的路径,使得集群完成任务的时间最短,集群完成任务的时间是指所有无人机都完成任务的最长时间。无人机集群要对该区域内的某些位置进行搜索,这是一个多旅行商问题(Multi Traveling Salesmen Problem,MTSP),假设集群中有N架无人机,需要搜索的子区域的个数为M,且M和N满足M>N,那么路径优化问题的解空间的规模,即所有可能的搜索路径的数量为(M+1)N-1M!,因此解空间的规模随着M和N的增大而迅速增加,比如当N=6,M=10时,解空间的规模高达2.9×1010,这将导致使用遍历的方法来求解上述无人机集群搜索路径最优的问题几乎是不可能的。
目前针对MTSP问题的优化方法主要两种:(1)基于确定性算法的优化方法,如A*算法、D*算法等,这种方法的主要依据是图搜索理论,即每个无人机从起点出发,根据确定的规则在未搜索的子区域中选择出下一个要搜索的子区域,直至所有子区域都被搜索,这类方法的缺点是其运行效率低,尤其是当图的规模较大时,其运行时间很长,很难应用于真实的任务环境中;(2)基于随机性算法的优化方法,该方法主要利用一些启发式算法,如遗传算法(Genetic Algorithm)、蚁群系统(Ant Colony System)等,基于当前的部分解,根据一定的规则产生新解,并根据其适应度选择是否接受新解,通过不断的迭代,最终收敛到该问题的某个次优解,因此优化结果具有一定的随机性,相比较而言,随机性算法的运行时间相对较短,具有应用潜力,但是优化结果相对较差。
传统的基于随机性算法的优化方法可以进一步分为两类:(1)第一类是将多旅行商问题分解成多个旅行商(Traveling Salesmen Problem,TSP)问题,即通过一些方法(如聚类)将目标子区域分成和无人机数量相等的几组,每个无人机去搜索其中的一组子区域,使用TSP问题优化求解出每个无人机的路径,这种方法相对简单直接,但是考虑到该路径优化问题的优化目标是让所有无人机中最长的搜索时间最短,因此在对目标子区域进行分割时,无法直接考虑到每个无人机的搜索时间,可能会造成集群中每个无人机完成任务的时间的差别比较大,进而完成任务时间最长的无人机所用的时间较长,优化结果较差;(2)第二类是通过一些优化算法,如蚁群系统,直接对该MTSP问题进行优化,得到每个无人机的搜索路径,但是该类算法优化出的每个无人机的路径可能不是最优的,还可以进一步优化。当无人机集群的规模增大或者搜索区域节点增多时,上述传统的路径优化算法无法在有限时间内得到较好的优化结果,因此难以满足实际的应用需求。
因此,亟需一种高性能无人机集群搜索路径优化方法,该方法能够用较短的时间完成无人机最优搜索路径的优化。
发明内容
有鉴于此,本发明提出一种高性能无人机集群搜索路径优化方法,该方法基于蚁群系统-模拟退火(Ant Colony System-Simulated Annealing)算法对无人机搜索路径进行优化,首先使用蚁群系统行全局优化,然后再对优化结果中的每个无人机的路径再进行局部优化。在优化过程中,通过改变穿越禁飞区的路径权重,实现了对禁飞区的有效规避。
为达此目的,本发明采用以下技术方案:一种高性能无人机集群搜索路径优化方法,所述方法包括以下步骤:
1.1建立无人机搜索区域的坐标系,确定无人机搜索路径的边界,并确定无人机搜索区域的禁飞区域;
1.2基于蚁群系统算法建立无人机集群的搜索路径;
1.3基于模拟退火算法对步骤1.2中建立的所有路径中的最优路径进行局部优化,得到无人机最优路径。
优选的,所述步骤1.2包括:
1.2.1初始化蚂蚁种群规模Na,算法迭代次数Nt,初始化每条路径上的信息素为0,并将所有蚂蚁置于起始节点。计算任意两个节点之间的距离,设置连线穿过禁飞区的两个节点之间的距离为无穷大;
1.2.2建立路径,从蚂蚁种群中随机选择一只蚂蚁,假设蚂蚁当前处于节点r,蚂蚁按如下规则选择下一个搜索节点s:
其中,Jk(r)表示位于节点r的第k只蚂蚁当前可以访问的节点的集合,τru表示节点r、u之间的信息素浓度,ηru表示r、u两个节点之间的权值的倒数,即无人机从节点r到u的所用时间的倒数,p是在每次迭代时随机产生的0到1之间均匀分布的随机数,p0是一个介于0到1之间的常数,γ是一个常数,用来平衡蚂蚁在选择下一个节点时信息素和两个节点之间的距离所占的比重,S是一个按照如下概率分布给出的一个随机变量:
1.2.3.重复步骤1.2.2,直至搜索区域中的所有节点都被访问,即建立了一个蚂蚁种群的路径;让所有蚂蚁种群进行上述步骤,即可建立所有蚂蚁种群的路径;
1.2.4.信息素局部更新,当处于节点r的蚂蚁选择的下一个路径节点s时,将(r,s)两个节点之间的信息素浓度更新为其中,0<α<1,该参数用来平衡历史信息素和该蚂蚁留下的信息素浓度所占的比重,为该蚂蚁种群中最长路径长度的倒数;
1.2.5.搜索路径建立完成后,对全局最优的蚂蚁种群的路径上的信息素进行全局更新;假设路径为(r,s)在全局最优的蚂蚁种群路径上,则节点r、s之间的信息素更新为如果(r,s)不在最优路径上,那么其之间的信息素更新为(1-ρ)·τrs,其中,LG表示全局最优蚂蚁种群中最长路径长度,0<ρ<1,是一个常数,用来平衡更新时当前信息素和历史信息素所占的比重;
1.2.6重复步骤1.2.2至1.2.5,直到达到最大迭代次数,算法终止,得到全局优化的无人机集群的路径。
优选的,所述步骤1.3包括:
1.3.1确定化模拟退火算法的初始温度T0,终止温度Tf和温度衰减系数η;
1.3.2交换全局最优的蚂蚁种群中任意蚂蚁路径上的随机两个节点,或者两段路径,产生新路径;
1.3.3对比新路径与原始路径的长度,如果新路径的长度小于原始路径,则接受新路径,否则,以概率exp(-(f(Xnew)-f(Xold))/T)接受新路径,其中f(X)表示某个路径X的长度,Xnew表示新路径,Xold表示原始路径,T为模拟退火算法中的当前温度;
1.3.4更新当前温度T←ηT,其中0<η<1;
1.3.4判断是否T<Tf,若是则终止算法,并确定路径;若不是,则执行步骤1.3.2。
本发明的有益之处在于:本发明公开的高性能无人机集群搜索路径优化方法解决了针对有禁飞区的无人机集群搜索路径优化问题,相对于现有技术,该方法优化时间较短,对于不同数量的无人机和搜索节点都具有良好的优化性能。
附图说明
图1为本发明的高性能无人机集群搜索路径优化方法的部分步骤流程图。
图2为实施例1中无人机集群搜索区域示意图;
图3为采用本发明公开的优化方法进行无人机搜索路径优化的具体实施例优化结果示意图;
图4为采用K means-greedy方法优化方法进行无人机搜索路径优化的具体实施例优化结果示意图;
图5为采用K means-Simulated Annealing方法优化方法进行无人机搜索路径优化的具体实施例优化结果示意图;
图6为采用Ant Colony System方法优化方法进行无人机搜索路径优化的具体实施例优化结果示意图;
图7为采用Average Separation-Greed方法优化方法进行无人机搜索路径优化的具体实施例优化结果示意图;
图8为不同优化方法下集群搜索时间随无人机数量的变化曲线。
具体实施方式
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
下面结合附图及实施例对本发明进行详细说明。
一种高性能无人机集群搜索路径优化方法,该方法包括以下步骤:
1.1.建立无人机搜索区域的坐标系,确定无人机搜索路径的边界,并确定无人机搜索区域的禁飞区域;
1.2.基于蚁群系统算法建立无人机集群的搜索路径,如图1所示,步骤1.2又分为以下几步执行:
1.2.1初始化蚂蚁种群规模Na,算法迭代次数Nt,初始化每条路径上的信息素为0,并将所有蚂蚁置于起始节点。计算任意两个节点之间的距离,设置连线穿过禁飞区的两个节点之间的距离为无穷大
上述种群规模Na过小时,会导致在建立路径时,只有极少部分路径上的信息素会被更新,导致最优路径上的信息素可能没有增加,从而使算法陷入局部最优,但是当种群规模过大时,算法运行的时间又会不断增加,因此需根据搜索区域的大小确定一个合适的种群规模。
1.2.2.建立路径,从任意一个蚂蚁种群中随机选择一只蚂蚁,假设蚂蚁当前处于节点r,蚂蚁按如下规则选择下一个搜索节点s:
其中,Jk(r)表示位于节点r的第k只蚂蚁当前可以访问的节点的集合,τru表示节点r、u之间的信息素浓度,ηru表示r、u两个节点之间的权值的倒数,即无人机从节点r到u的所用时间的倒数,p是在每次迭代时随机产生的0到1之间均匀分布的随机数,p0是一个介于0到1之间的常数,γ是一个常数,用来平衡无人机在选择下一个节点时信息素和权值所占的比重,S是一个按照如下概率分布给出的一个随机变量:
上式中γ表示处于当前节点的蚂蚁选择下一个节点时,信息素和两个节点之间的距离所占的比重,当γ过小时,信息素所占的比重过低,导致优化结果快速收敛,当γ=0时,蚁群系统算法退化为贪婪算法,当γ过大时,相当于两个节点之间的距离所占的比重太小,导致在选择下一个节点时,过于盲目,比如当γ→∞时,无人机路径优化算法退化为完全随机的算法,因此,γ一般选择[1.0,4.0]之间;
p0表示建立无人机路径时,使用贪婪算法的次数所占的比重,当p0过小时,算法使用随机方法进行状态更新的概率比较大,导致算法收敛的速度变慢,当p0=0时,算法退化为蚁群算法,但是当p0过大时,会导致算法优化时已知贪婪地进行状态转移,从而导致算法快速收敛到局部最优解,全局寻优能力减弱;
1.2.3.重复步骤1.2.2,直至所有节点都被访问,即建立该蚂蚁种群的路径;对所有蚂蚁种群重复上述步骤,即可建立所有蚂蚁种群的路径。
1.2.4.信息素局部更新,当处于节点r的蚂蚁选择的下一个路径节点s时,将(r,s)两个节点之间的信息素浓度更新为其中,0<α<1,该参数用来平衡历史信息素和该蚂蚁留下的信息素浓度所占的比重,为该蚂蚁种群中最长路径长度的倒数;
1.2.5.搜索路径建立完成后,对全局最优的蚂蚁种群的路径上的信息素进行全局更新;假设路径为(r,s)在全局最优的蚂蚁种群路径上,则节点r、s之间的信息素更新为如果(r,s)不在最优路径上,那么其之间的信息素更新为(1-ρ)·τrs,其中,LG表示全局最优蚂蚁种群中最长路径长度,0<ρ<1,是一个常数,用来平衡更新时当前信息素和历史信息素所占的比重;
1.2.6重复步骤1.2.2至1.2.5,直到达到最大迭代次数,算法终止,得到全局优化的无人机集群的路径。
上述α、ρ分别表示全局更新和局部更新时新增加的信息素所占的权重,当α、ρ的值过小时,信息素的更新过慢,这将导致某些路径上的信息素更新速度比不上信息素的挥发程度,进而导致算法全局寻优的能力较差,比如当α=0或者ρ=0时,信息素不更新,从而导致信息素一直不变,即无法发挥信息素的作用,导致优化结果只跟节点之间的距离相关;但是当其值过大时,历史信息素所占的比重为零,相当于在下一次选择路径时,只与上次的路径有关,从而导致算法局部收敛到比较差的结果。
信息素全局更新的目的在于,使最优路径上的信息素浓度更高,从而其他无人机在选择路径时,更加偏重于选择最优路径,从而使得算法以更快的速度收敛。重复以上三个步骤,更好的路径上就会留下更多的信息素,从而使得更多的蚂蚁选择用时更短的路径,进而得到最优的优化结果。
1.3.基于模拟退火算法对步骤1.2中建立的所有路径中的最优路径进行局部优化,得到无人机最优路径。
1.3.1确定化模拟退火算法的初始温度T0,终止温度Tf和温度衰减系数η;
1.3.2交换全局最优的蚂蚁种群中任意蚂蚁路径上的随机两个节点,或者两段路径,产生新路径;
1.3.3对比新路径与原始路径的长度,如果新路径的长度小于原始路径,则接受新路径,否则,以概率exp(-(f(Xnew)-f(Xold))/T)接受新路径,其中f(X)表示某个路径X的长度,Xnew表示新路径,Xold表示原始路径,T为模拟退火算法中的当前温度;
1.3.4更新当前温度T←ηT,其中0<η<1,表示温度衰减系数;
1.3.5判断是否T<Tf,若是,则终止算法,确定每个无人机的路径;若不是,则执行步骤1.3.2。
实施例1
给定一个边长为70km的正方形目标区域,无人机集群需要对该区域中49个节点区域进行过搜索,并且该区域内存在一个以(22km,50km)为圆心,7.5km为半径的禁飞区,如图2所示。
假设集群中有6架无人机,每个无人机的飞行速度均为80km/h,且保持匀速运动,本实施例中使用的无人机集群规模为25,并确定路径优化运行参数设置如下表所示:
参数 | 定义 | 值 |
N<sub>ants</sub> | 蚁群系统中蚂蚁种群的数目 | 25 |
γ | 选择下一个节点时信息素所占的比重 | 2.0 |
α | 信息素局部更新时原始信息素所占的比重 | 1.0 |
ρ | 信息素全局更新时原始信息素所占的比重 | 0.5 |
q<sub>0</sub> | 蚂蚁选择下一个节点的概率 | 0.9 |
K | 蚁群系统迭代次数 | 2200 |
T<sub>0</sub> | 初始温度 | 100 |
η | 温度衰减系数 | 0.95 |
T<sub>f</sub> | 终止温度 | 0.01 |
基于上表中参数采用本发明公开的方法进行路径优化的结果如图3所示,为证明本发明的优越性,在相同条件下对四类典型的优化方法进行仿真,仿真结果分别如图4~图7所示。
其中图4表示K means-Greedy路径优化方法的仿真结果,其基本思路是首先利用K-means对目标区域中的搜索节点进行聚类,然后每个无人机执行聚类结果中的某一类节点,使用贪婪算法,即无人机总是选择距离当前节点最近的未访问过的节点作为下一个要访问的节点,产生每个无人机的路径;
图5表示K means-Simulated Annealing路径优化方法的仿真结果,该方法同样利用K means对目标区域中的节点进行聚类,然后使用模拟退火算法对每个无人机的路径进行优化;
图6表示Ant Colony System路径优化方法的仿真结果,该方法直接用蚁群系统对所有无人机的路径进行全局优化;
图7表示Average Separation-Greedy路径优化方法的仿真结果,该方法将目标区域按照等面积的原则均分成6个区域,每个无人机去搜索每个子区域内的节点,之后使用贪婪算法对每个无人机的路径进行优化。
下表对以上各种路径优化方法优化结果进行了比较,可以看出本发明所提出的优化方法可以有效规避禁飞区,且实现了搜索时间最小化。
图8给出了不同优化方法下集群搜索时间随无人机数量的变化曲线,可以看出,随着无人机数量的增加,集群完成任务的时间逐渐减小,但是受限于无人机的出发点以及目标节点的位置,当无人机的规模到达一定程度时,完成任务的时间不再随着无人机数量的增加而减小,而且从图中可以毫无疑义看出,无论在任何无人机集群规模的条件下,本发明所提出的优化方法对应的搜索时间均保持最小。
Claims (3)
1.一种高性能无人机集群搜索路径优化方法,其特征在于,所述方法包括以下步骤:
1.1建立无人机搜索区域的坐标系,确定无人机搜索路径的边界,并确定无人机搜索区域的禁飞区域;
1.2基于蚁群系统算法建立无人机集群的搜索路径;
1.3基于模拟退火算法对步骤1.2中建立的所有路径中的最优路径进行局部优化,得到无人机最优路径。
2.根据权利要求1所述的高性能无人机集群搜索路径优化方法,其特征在于,所述步骤1.2包括:
1.2.1初始化蚂蚁种群规模Na,算法迭代次数Nt,初始化每条路径上的信息素为0,并将所有蚂蚁置于起始节点。计算任意两个节点之间的距离,设置穿过无人机禁飞区的两个节点之间的距离为无穷大;为了初始化信息素矩阵,需要获得一条路径,所述路径按以下方式产生:
初始时将所有蚂蚁至于起始节点,并按照如下方式产生一条初始路径:每次随机选择一只蚂蚁,将距离该蚂蚁当前节最近的下一个节点设置为该蚂蚁的下一个访问节点,直到所有节点都被访问。任意两个节点之间的信息素浓度τ0都被初始化为初始路径产生的路径的代价,即无人机集群按照初始路径完成搜索任务的时间的倒数。
1.2.2从其中一个蚂蚁种群中随机选择一只蚂蚁建立路径,具体建立路径的方法是:假设该蚂蚁当前处于节点r,该蚂蚁按如下规则选择下一个搜索节点s:
其中,Jk(r)表示位于节点r的第k只蚂蚁当前可以访问的节点的集合,τru表示节点r、u之间的信息素浓度,ηru表示r、u两个节点之间的权值的倒数,即无人机从节点r到u的所用时间的倒数,p是在每次迭代时随机产生的0到1之间均匀分布的随机数,p0是一个介于0到1之间的常数,γ是一个常数,用来平衡蚂蚁在选择下一个节点时信息素和两个节点之间的距离所占的比重,S是一个按照如下概率分布给出的一个随机变量:
1.2.3.信息素局部更新,当处于节点r的蚂蚁选择的下一个路径节点s时,将(r,s)两个节点之间的信息素浓度更新为τrs←(1-ρ)·τrs+ρ·τ0,其中,0≤ρ≤1,该参数用来平衡历史信息素和该蚂蚁留下的信息素浓度所占的比重,τ0为初始信息素浓度;
1.2.4.重复执行步骤1.2.2中建立路径的方法,直至一个蚂蚁种群中所有蚂蚁都建立路径,即建立了一个蚂蚁种群的路径;
1.2.5.重复步骤1.2.2~1.2.4,建立所有蚂蚁种群的路径;
1.2.6.搜索路径建立完成后,对全局最优的蚂蚁种群的路径上的信息素进行全局更新;假设路径为(r,s)在全局最优的蚂蚁种群路径上,则节点r、s之间的信息素更新为如果(r,s)不在最优路径上,那么其上的信息素更新为(1-ρ)·τrs,其中,LG表示全局最优蚂蚁种群的代价,即按照当前发现的最优路径执行搜索任务所需要的时间;
1.2.7重复步骤1.2.2至1.2.6,直到达到最大迭代次数,算法终止,得到全局优化蚂蚁种群路径,即全局最优的无人机集群的路径。
3.根据权利要求1所述的高性能无人机集群搜索路径优化方法,其特征在于,所述步骤1.3包括:
1.3.1确定化模拟退火算法的初始温度T0,终止温度Tf和温度衰减系数η;
1.3.2交换全局最优的蚂蚁种群中任意蚂蚁路径上的随机两个节点,或者两段路径,产生新路径;
1.3.3对比新路径与原始路径的长度,如果新路径的长度小于原始路径,则接受新路径,否则,以概率exp(-(f(Xnew)-f(Xold))/T)接受新路径,其中f(X)表示某个路径X的长度,Xnew表示新路径,Xold表示原始路径,T为模拟退火算法中的当前温度;
1.3.4更新当前温度T←ηT,其中0<η<1;
1.3.4判断是否T<Tf,若是则终止算法,并确定路径;若不是,则执行步骤1.3.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110493472.5A CN113220024A (zh) | 2021-05-07 | 2021-05-07 | 一种高性能无人机集群搜索路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110493472.5A CN113220024A (zh) | 2021-05-07 | 2021-05-07 | 一种高性能无人机集群搜索路径优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113220024A true CN113220024A (zh) | 2021-08-06 |
Family
ID=77091210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110493472.5A Pending CN113220024A (zh) | 2021-05-07 | 2021-05-07 | 一种高性能无人机集群搜索路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113220024A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985891A (zh) * | 2021-11-15 | 2022-01-28 | 北京信息科技大学 | 一种地震后生命探寻过程中的自适应集群路径规划方法 |
CN114296444A (zh) * | 2021-11-24 | 2022-04-08 | 西安工业大学 | 基于蚁群算法的栅格路径规划方法、系统、设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650991A (zh) * | 2016-09-27 | 2017-05-10 | 中国矿业大学(北京) | 基于模拟退火蚁群算法的路径规划 |
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 |
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 |
CN110045732A (zh) * | 2019-03-28 | 2019-07-23 | 暨南大学 | 一种启发式路径规划方法 |
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 |
CN110389595A (zh) * | 2019-06-17 | 2019-10-29 | 中国工程物理研究院电子工程研究所 | 双属性概率图优化的无人机集群协同目标搜索方法 |
CN112666957A (zh) * | 2020-12-24 | 2021-04-16 | 苏州市职业大学 | 一种基于改进蚁群算法的水下机器人路径规划方法 |
-
2021
- 2021-05-07 CN CN202110493472.5A patent/CN113220024A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650991A (zh) * | 2016-09-27 | 2017-05-10 | 中国矿业大学(北京) | 基于模拟退火蚁群算法的路径规划 |
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 |
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 |
CN110045732A (zh) * | 2019-03-28 | 2019-07-23 | 暨南大学 | 一种启发式路径规划方法 |
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 |
CN110389595A (zh) * | 2019-06-17 | 2019-10-29 | 中国工程物理研究院电子工程研究所 | 双属性概率图优化的无人机集群协同目标搜索方法 |
CN112666957A (zh) * | 2020-12-24 | 2021-04-16 | 苏州市职业大学 | 一种基于改进蚁群算法的水下机器人路径规划方法 |
Non-Patent Citations (3)
Title |
---|
HASSAN DARYANAVARD等: "UAV Path Planning for Data Gathering of IoT Nodes: Ant Colony or Simulated Annealing Optimization", 《2019 3RD INTERNATIONAL CONFERENCE ON INTERNET OF THINGS AND APPLICATIONS (IOT)》 * |
JUNTAO CHENG等: "An improved ACO algorithm for mobile robot path planning", 《2016 IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION (ICIA)》 * |
袁佳泉,等: "基于模拟退火蚁群算法的机器人路径规划方法", 《计算仿真》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985891A (zh) * | 2021-11-15 | 2022-01-28 | 北京信息科技大学 | 一种地震后生命探寻过程中的自适应集群路径规划方法 |
CN113985891B (zh) * | 2021-11-15 | 2023-09-22 | 北京信息科技大学 | 一种地震后生命探寻过程中的自适应集群路径规划方法 |
CN114296444A (zh) * | 2021-11-24 | 2022-04-08 | 西安工业大学 | 基于蚁群算法的栅格路径规划方法、系统、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113220024A (zh) | 一种高性能无人机集群搜索路径优化方法 | |
CN108594645B (zh) | 单场站多无人机分配与飞行路线的规划方法及系统 | |
CN109186619B (zh) | 一种基于实时路况的智能导航算法 | |
CN104914835A (zh) | 一种柔性作业车间调度多目标的方法 | |
CN107148064B (zh) | 一种基于粒子群的车载网络路由路径优化方法 | |
CN114167865B (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 | |
CN113325875B (zh) | 一种实现无人机数目最小化的无人机路径规划方法 | |
CN115134242B (zh) | 一种基于深度强化学习策略的车载计算任务卸载方法 | |
CN108416421A (zh) | 基于dde改进蝙蝠算法的动态火力分配方法 | |
CN114040358A (zh) | 一种无人机集群网络高稳定分簇方法 | |
Yan | Research on path planning of auv based on improved ant colony algorithm | |
CN110380906B (zh) | 一种大规模多维融合的虚拟网络映射方法 | |
Wang et al. | Fault diagnosis of fuel system based on improved extreme learning machine | |
CN116050540A (zh) | 一种基于联合双维度用户调度的自适应联邦边缘学习方法 | |
Gupta et al. | Multi-UAV deployment for NOMA-enabled wireless networks based on IMOGWO algorithm | |
CN114662638A (zh) | 基于改进人工蜂群算法的移动机器人路径规划方法 | |
CN113609677A (zh) | 一种基于多路径的机器学习辅助天线设计方法 | |
CN113516163B (zh) | 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质 | |
CN116088492A (zh) | 一种基于sma-aco算法的机器人路径规划方法 | |
CN108921354A (zh) | 一种基于粒子群优化的蚁群算法求解tsp问题的方法 | |
CN111382896B (zh) | 一种自适应混沌并行克隆选择算法的wta目标优化方法 | |
Huang et al. | Path planning for UAV reconnoitring in complex environment based on improved visibility graph and genetic algorithm | |
CN117114079B (zh) | 一种单交叉口信号控制模型迁移至目标环境的方法 | |
CN117007057B (zh) | 无人机航迹优化方法及装置 | |
CN116757243B (zh) | 基于混沌Levy多目标烟花算法的多任务分配方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210806 |
|
RJ01 | Rejection of invention patent application after publication |