CN114578845A - 一种基于改进蚁群算法的无人机航迹规划方法 - Google Patents

一种基于改进蚁群算法的无人机航迹规划方法 Download PDF

Info

Publication number
CN114578845A
CN114578845A CN202111031276.2A CN202111031276A CN114578845A CN 114578845 A CN114578845 A CN 114578845A CN 202111031276 A CN202111031276 A CN 202111031276A CN 114578845 A CN114578845 A CN 114578845A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
state
track
algorithm
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
Application number
CN202111031276.2A
Other languages
English (en)
Other versions
CN114578845B (zh
Inventor
宋宇
顾海蛟
张�浩
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.)
Changchun University of Technology
Original Assignee
Changchun University of 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 Changchun University of Technology filed Critical Changchun University of Technology
Priority to CN202111031276.2A priority Critical patent/CN114578845B/zh
Publication of CN114578845A publication Critical patent/CN114578845A/zh
Application granted granted Critical
Publication of CN114578845B publication Critical patent/CN114578845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones

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

本发明提出使用基于改进蚁群算法的无人机航迹规划算法对无人机运动轨迹进行规划，通过在算法中加入状态参数方程，并设置状态方程的阈值，通过比较求解值与阈值的大小等操作来减少实际运动轨迹长度，达到减少航迹长度的目的。具体步骤如下：首先是生成无人机要执行任务的环境模拟地图；然后是确定无人机执行任务的起始状态点与目标状态点，以及随机生成的障碍物区域；接下来在算法中加入状态参数方程以及阈值；其次进行相应的特征值比较，确定状态点与周围相邻两个状态点之间到目标状态点的轨迹长度值，得到规划的航迹状态点；最后通过连接已确定的航迹轨迹点，得到改进后的无人机航迹线路图。

Description

一种基于改进蚁群算法的无人机航迹规划方法
技术领域
本发明提出一种基于改进蚁群算法的无人机航迹规划算法研究，在保证无人机飞行中安全避障的前提下，提出借鉴“卒”的走法规则，引入状态参数方程阈值，进行航迹点的选择，最后通过连接备选的航迹点确定航迹，从而进一步缩短实际运动轨迹长度的目的。
背景技术
近年来，随着相关技术的不断发展，无人机越来越广泛的应用于各行各业。其中，绝大部分应用场所都要求无人机有自主导航能力，并且在完成任务的同时能够安全的规避障碍物。无人机能够自主正常运行主要由两部分组成：一是飞控系统，二是航迹规划系统。飞控系统用来给无人机提供动力输出，使无人机在运行中有充足的动力，而航迹规划系统用来规划无人机可执行任务需求的路径，规划路径的优劣直接影响到无人机的工作效率。
航迹规划算法有A*算法，D*算法，模拟退火算法，遗传算法等。其中蚁群算法具有信息正反馈的优点，但在搜索航迹路径时容易陷入局部最优的特点，因此，近年来被许多学者通过改进应用到航迹规划问题上，其中提出的“零威胁-单因子”方法不仅提高了算法的收敛速度，还降低了优化时的难度；引入偏航角对启发函数进行调整改进，建立优先搜索集，加快了搜索到最优航迹的时间；通过引入去交叉禁忌搜索策略，解决在收敛后期陷入局部最优的问题；通过利用自适应调节参数方法提高蚁群搜索能力与个体之间交互能力，解决局部陷入最优的情况。
发明内容
本发明的目的是为了解决无人机在航迹规划过程中使用蚁群算法易陷入局部最优而导致不能得到全局的最短航迹的问题，通过在算法中加入状态参数方程，并设置状态方程的阈值，通过比较求解值与阈值的大小等操作来减少实际运动轨迹长度，为了实现上述目的，本发明的步骤如下：
步骤一：生成环境模拟地图，根据无人机要执行任务的环境信息进行建模，生成可执行区域的环境地图。
步骤二：确定已知条件中的无人机要执行任务的起始状态点与目标状态点，以及随机生成的随机障碍物在模拟地图中的体现。
步骤三：引入状态参数方程以及阈值，并进行状态点与周围状态点一起的三个状态点的参数方程特征值进行比较，确定可供选择的航迹状态点作为备选状态点。
步骤四：顺次连接备选状态点，得到规划的航迹线路，得到改进后的无人机轨迹线路图，并进行圆滑处理。
所述步骤一中的具体情况如下：
根据无人机的活动任务建立合适的位置参考系，将模拟的地图在二维平面上满足无人机可到达的最远航行位置，并且在二维平面内用有效的坐标组
Figure 370388DEST_PATH_IMAGE001
确定无人机各个状态的位置，保证模拟的环境地图能够满足无人机执行算法的可操作空间。
所述步骤二中的具体情况如下：
（1）确定无人机可执行任务的运动状态起点与状态终点：模拟地图环境中要尽可能的将无人机的轨迹布满整个环境地图，可将运动状态起始点(xstart，ystart)与运动状态目标点(xgoal，ygoal)选择在地图的上下对角线上；
（2）在随机障碍生成的过程中，可设置生成random函数，使障碍物在模拟地图的环境中要保持相对独立且不相关，而且在环境地图上无规律的显示出来。
所述步骤三中的具体情况如下：
（1）选择路径概率，每个蚂蚁都会随机的选择下一状态点，并且存储已经走过的路径状态点。蚂蚁在构建路径时的每一步中，都会按照一定的概率选择下一个到达的状态点，其中概率
Figure DEST_PATH_DEST_PATH_FDA0003360805910000011
的计算公式为：
Figure DEST_PATH_DEST_PATH_FDA0003360805910000021
其中表示节点i到节点j上信息素的积累量；是节点i，j之间的导数距离，也是蚁群算法中的启发因子ηij(t)为：
ηij(t)＝1/dij
表示从节点i到节点j的期望程度，Pij k(t)表示第k只蚂蚁在时刻t通过两个相邻节点i到节点j的概率；表示蚂蚁未走过的节点集合；α为信息素启发因子，在算法中表征所释放信息的重要程度；β为期望启发因子，其表征能见度的重要程度；
（2）信息素更新函数,其中蚁群算法中的信息素更新函数为：
τij(t+n)＝(1-ρ)τij(t)+Δτij(t)
Figure 363402DEST_PATH_IMAGE014
为蚂蚁个数，
Figure 605027DEST_PATH_IMAGE015
为信息素的蒸发系率，
Figure 817834DEST_PATH_IMAGE016
表示信息素残留率，Δτij(t)代表时刻信息素的增量，其中：
Figure 796471DEST_PATH_IMAGE018
Figure DEST_PATH_DEST_PATH_FDA0003360805910000022
而
Figure DEST_PATH_DEST_PATH_FDA0003360805910000031
表示表示第只蚂蚁在路径上释放的信息素量，取值范围为：
Figure DEST_PATH_DEST_PATH_FDA0003360805910000032
其中是
Figure 749198DEST_PATH_IMAGE022
增强系数，是一个非零且为正数的的常量，表示第只蚂蚁走过的路径长度；
（3）迭代与停止,算法中的每一次迭代表示的是每次迭代的只蚂蚁在完成自己的路径规程，回到原点后的整个过程。迭代停止的条件是选择合适的迭代次数停止，输出寻找的最佳路径，或者是满足算法要求的迭代次数;在迭代结束后找到规划的路径，看是否是最佳路径；
（4）改进算法局部最佳,针对蚁群算法易陷入局部最佳路径，借鉴象棋中“卒”的走法，设置状态参数方程进行阈值比较，假设蚂蚁的下一状态点可供选择的节点A(xa，ya)，与B(xb，yb)，设状态起始点为Q(xq，yq)，当前状态点为S(xs，ys)与目标状态点为G(xg，yg)，就可确定阈值的大小为：
Figure DEST_PATH_DEST_PATH_FDA0003360805910000033
可供选择的下一状态节点到目标节点的的距离为：
Figure DEST_PATH_DEST_PATH_FDA0003360805910000034
Figure DEST_PATH_DEST_PATH_FDA0003360805910000035
只要通过比较参数方程得到的LAG、LBG特征值与阈值Lyu之间进行比较，就可得到航迹规划的选用节点。
所述步骤四中的具体情况如下：
（1）检查无人机可选择的航迹状态节点，首先确定起始状态点与目标状态点的合理性，然后依次顺着起始节点根据改进机制进行选择节点的连接，得到航迹线路图；
（2）将改进后的轨迹线路图进行满足实际运动规律的平滑处理，处理后得到新的轨迹LQG。
本发明还包括这样一些特征：
相比较传统的蚁群算法在进行航迹规划时，易于早期陷入局部最优从而在得到完整的航迹段时不能保持良好的规划特性轨迹，本发明针对蚁群算法易陷入局部最优问题进行了算法上的改进，改进后的轨迹长度相较于传统的路径长度减少，从而间接的减少了无人机的实际运动时间。
相比较其它的关于改进蚁群算法上，本发明所提出的基于改进蚁群算法的无人机航迹规划方法上，将生活中的常识应用到算法中，得到的轨迹长度相较于传统轨迹长度更短，更有助于仿真应用与实际工程需求。
附图说明
图1为本发明的方法流程图；
图2为状态节点选择图。
具体实施方式
对于本领域技术人员来说，附图说明中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实现步骤对本发明作进一步的描述。
本发明提出基于改进蚁群算法的无人机航迹规划算法对运动轨迹进行优化，通过引入状态参数方程阈值，进行航迹点的选择，最后通过连接备选的航迹点确定航迹，从而进一步缩短实际运动轨迹长度的目的。
图1为本发明的方法流程图，首先是生成无人机要执行任务的环境模拟地图；然后是确定无人机执行任务的起始状态点与目标状态点，以及随机生成的障碍物区域；接下来在算法中加入状态参数方程以及阈值，进行相应的特征值比较，确定状态点与周围相邻两个状态点之间到目标状态点的轨迹长度值，得到规划的航迹状态点；最后通过连接已确定的航迹轨迹点，得到改进后的无人机航迹线路图。
具体的实现步骤为：
Step1 根据无人机的活动任务建立合适的位置参考系，将模拟的地图在二维平面上满足无人机可到达的最远航行位置，并且在二维平面内用有效的坐标组
Figure 915344DEST_PATH_IMAGE001
确定无人机各个状态的位置，保证模拟的环境地图能够满足无人机执行算法的可操作空间。
Step2.1 确定无人机可执行任务的运动状态起点与状态终点：模拟地图环境中要尽可能的将无人机的轨迹布满整个环境地图，可将运动状态起始点(xstart，ystart)与运动状态目标点(xgoal，ygoal)选择在地图的上下对角线上；
Step2.2 在随机障碍生成的过程中，可设置生成random函数，使障碍物在模拟地图的环境中要保持相对独立且不相关，而且在环境地图上无规律的显示出来。
Step3.1 选择路径概率，每个蚂蚁都会随机的选择下一状态点，并且存储已经走过的路径状态点。蚂蚁在构建路径时的每一步中，都会按照一定的概率选择下一个到达的状态点，其中概率
Figure 878475DEST_PATH_DEST_PATH_FDA0003360805910000011
的计算公式为：
Figure 795616DEST_PATH_DEST_PATH_FDA0003360805910000021
其中表示节点i到节点j上信息素的积累量；是节点i，j之间的导数距离，也是蚁群算法中的启发因子ηij(t)为：
ηij(t)＝1/dij
表示从节点
Figure 700394DEST_PATH_IMAGE009
到节点
Figure 246913DEST_PATH_IMAGE010
的期望程度，Pij k(t)表示第k只蚂蚁在时刻
Figure 431087DEST_PATH_IMAGE037
通过两个相邻节点
Figure 336726DEST_PATH_IMAGE038
到节点
Figure 432858DEST_PATH_IMAGE010
的概率；表示蚂蚁未走过的节点集合；
Figure 144462DEST_PATH_IMAGE011
为信息素启发因子，在算法中表征所释放信息的重要程度；
Figure 947333DEST_PATH_IMAGE012
为期望启发因子，其表征能见度的重要程度；
Step3.2 信息素更新函数。其中蚁群算法中的信息素更新函数为：
τij(t+n)＝(1-ρ)τij(t)+Δτij(t)
Figure 669618DEST_PATH_IMAGE014
为蚂蚁个数，
Figure 871665DEST_PATH_IMAGE015
为信息素的蒸发系率，
Figure 856939DEST_PATH_IMAGE016
表示信息素残留率，
Figure 575353DEST_PATH_DEST_PATH_FDA0003360805910000031
代表时刻信息素的增量，其中：
Figure 175105DEST_PATH_IMAGE018
Figure 236141DEST_PATH_DEST_PATH_FDA0003360805910000022
而
Figure 50514DEST_PATH_DEST_PATH_FDA0003360805910000031
表示表示第只蚂蚁在路径上释放的信息素量，取值范围为：
Figure 872976DEST_PATH_DEST_PATH_FDA0003360805910000032
其中是
Figure 779076DEST_PATH_IMAGE022
增强系数，是一个非零且为正数的的常量，表示第只蚂蚁走过的路径长度；
Step3.3 迭代与停止。算法中的每一次迭代表示的是每次迭代的只蚂蚁在完成自己的路径规程，回到原点后的整个过程。迭代停止的条件是选择合适的迭代次数停止，输出寻找的最佳路径，或者是满足算法要求的迭代次数。在迭代结束后找到规划的路径，看是否是最佳路径；
Step3.4 改进算法局部最佳。针对蚁群算法易陷入局部最佳路径，借鉴象棋中“卒”的走法，设置状态参数方程进行阈值比较，假设蚂蚁的下一状态点可供选择的节点A(xa，ya)，与B(xb，yb)，设状态起始点为Q(xq，yq)，当前状态点为S(xs，ys)与目标状态点为G(xg，yg)，就可确定阈值的大小为：
Figure 140009DEST_PATH_DEST_PATH_FDA0003360805910000033
可供选择的下一状态节点到目标节点的的距离为：
Figure 338910DEST_PATH_DEST_PATH_FDA0003360805910000034
Figure 7788DEST_PATH_DEST_PATH_FDA0003360805910000035
只要通过比较参数方程得到的LAG、LBG特征值与阈值Lyu之间进行比较，就可得到航迹规划的选用节点。
Step4.1 检查无人机可选择的航迹状态节点，首先确定起始状态点与目标状态点的合理性，然后依次顺着起始节点根据改进机制进行选择节点的连接，得到航迹线路图；
Step4.2 将改进后的轨迹线路图进行满足实际运动规律的平滑处理，处理后得到新的轨迹LQG。
图2为状态节点选择图。蚁群算法在进行航迹规划时是仿照蚂蚁进行觅食所释放的激素寻找路径的，会导致在某些节点出现激素积累高而失去选择最优路径的机会，通过引入状态参数方程与阈值，进行特征值比较，选择合理的状态节点，能够很好的克服局部最优解问题，从而得到实际运动距离更短的轨迹线路。

Claims (5)

1.一种基于改进蚁群算法的无人机航迹规划方法，其特征在于，包括以下步骤：
Step1：生成环境模拟地图，根据无人机要执行任务的环境信息进行建模，生成可执行区域的环境地图；
Step2：确定已知条件中的无人机要执行任务的起始状态点与目标状态点，以及随机生成的随机障碍物在模拟地图中的体现；
Step3：引入状态参数方程以及阈值，并进行状态点与周围状态点一起的三个状态点的参数方程特征值进行比较，确定可供选择的航迹状态点作为备选状态点；
Step4：顺次连接备选状态点，得到规划的航迹线路，得到改进后的无人机轨迹线路图，并进行圆滑处理。
2.根据权利要求1所述的一种基于改进蚁群算法的无人机航迹规划方法，其特征在于，所述Step1中的具体过程如下：
Step1根据无人机的活动任务建立合适的位置参考系，将模拟的地图在二维平面上满足无人机可到达的最远航行位置，并且在二维平面内用有效的坐标组(x，y)确定无人机各个状态的位置，保证模拟的环境地图能够满足无人机执行算法的可操作空间。
3.根据权利要求1所述的一种基于改进蚁群算法的无人机航迹规划方法，其特征在于，所述Step2中的具体过程如下：
Step2.1确定无人机可执行任务的运动状态起点与状态终点：模拟地图环境中要尽可能的将无人机的轨迹布满整个环境地图，可将运动状态起始点(xstart，ystart)与运动状态目标点(xgoal，ygoal)选择在地图的上下对角线上；
Step2.2在随机障碍生成的过程中，可设置生成random函数，使障碍物在模拟地图的环境中要保持相对独立且不相关，而且在环境地图上无规律的显示出来。
4.根据权利要求1所述的一种基于改进蚁群算法的无人机航迹规划方法，其特征在于，所述Step3中的具体过程如下：
Step3.1选择路径概率，每个蚂蚁都会随机的选择下一状态点，并且存储已经走过的路径状态点，蚂蚁在构建路径时的每一步中，都会按照一定的概率选择下一个到达的状态点，其中概率
Figure DEST_PATH_FDA0003360805910000011
的计算公式为：
Figure DEST_PATH_FDA0003360805910000021
其中表示节点i到节点j上信息素的积累量；是节点i，j之间的导数距离，也是蚁群算法中的启发因子ηij(t)为：
ηij(t)＝1/dij
表示从节点i到节点j的期望程度，Pij k(t)表示第k只蚂蚁在时刻t通过两个相邻节点i到节点j的概率；表示蚂蚁未走过的节点集合；α为信息素启发因子，在算法中表征所释放信息的重要程度；β为期望启发因子，其表征能见度的重要程度；
Step3.2信息素更新函数，
其中蚁群算法中的信息素更新函数为：
τij(t+n)＝(1-ρ)τij(t)+Δτij(t)
m为蚂蚁个数，ρ为信息素的蒸发系率，(1-ρ)表示信息素残留率，Δτij(t)代表时刻信息素的增量，其中：
0＜ρ＜1
Figure DEST_PATH_FDA0003360805910000022
而
Figure DEST_PATH_FDA0003360805910000031
表示表示第只蚂蚁在路径上释放的信息素量，取值范围为：
Figure DEST_PATH_FDA0003360805910000032
其中是Q增强系数，是一个非零且为正数的的常量，表示第只蚂蚁走过的路径长度；
Step3.3迭代与停止，
算法中的每一次迭代表示的是每次迭代的只蚂蚁在完成自己的路径规程，回到原点后的整个过程；迭代停止的条件是选择合适的迭代次数停止，输出寻找的最佳路径，或者是满足算法要求的迭代次数；
在迭代结束后找到规划的路径，看是否是最佳路径；
Step3.4 改进算法局部最佳，
针对蚁群算法易陷入局部最佳路径，借鉴象棋中“卒”的走法，设置状态参数方程进行阈值比较，假设蚂蚁的下一状态点可供选择的节点A(xa，ya)，与B(xb，yb)，设状态起始点为Q(xq，yq)，当前状态点为S(xs，ys)与目标状态点为G(xg，yg)，就可确定阈值的大小为：
Figure DEST_PATH_FDA0003360805910000033
可供选择的下一状态节点到目标节点的的距离为：
Figure DEST_PATH_FDA0003360805910000034
Figure DEST_PATH_FDA0003360805910000035
只要通过比较参数方程得到的LAG、LBG特征值与阈值Lyu之间进行比较，就可得到航迹规划的选用节点。
5.根据权利要求1所述的一种基于改进蚁群算法的无人机航迹规划方法，其特征在于，所述Step4中的具体过程如下：
Step4.1 检查无人机可选择的航迹状态节点，首先确定起始状态点与目标状态点的合理性，然后依次顺着起始节点根据改进机制进行选择节点的连接，得到航迹线路图；
Step4.2 将改进后的轨迹线路图进行满足实际运动规律的平滑处理，处理后得到新的轨迹LQG。
CN202111031276.2A 2021-09-03 2021-09-03 一种基于改进蚁群算法的无人机航迹规划方法 Active CN114578845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111031276.2A CN114578845B (zh) 2021-09-03 2021-09-03 一种基于改进蚁群算法的无人机航迹规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111031276.2A CN114578845B (zh) 2021-09-03 2021-09-03 一种基于改进蚁群算法的无人机航迹规划方法

Publications (2)

Publication Number Publication Date
CN114578845A true CN114578845A (zh) 2022-06-03
CN114578845B CN114578845B (zh) 2024-05-17

Family

ID=81768376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111031276.2A Active CN114578845B (zh) 2021-09-03 2021-09-03 一种基于改进蚁群算法的无人机航迹规划方法

Country Status (1)

Country Link
CN (1) CN114578845B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117452583A (zh) * 2023-12-25 2024-01-26 国网浙江省电力有限公司宁波供电公司 一种光缆线路规划方法、系统、存储介质及计算设备

Citations (6)

* Cited by examiner, † Cited by third party
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
CN108459503A (zh) * 2018-02-28 2018-08-28 哈尔滨工程大学 一种基于量子蚁群算法的无人水面艇航迹规划方法
CN108563239A (zh) * 2018-06-29 2018-09-21 电子科技大学 一种基于势场蚁群算法的无人机航迹规划方法
WO2018176595A1 (zh) * 2017-03-31 2018-10-04 深圳市靖洲科技有限公司 基于蚁群算法和极坐标变换的无人自行车路径规划方法
CN111998858A (zh) * 2020-09-15 2020-11-27 长春工业大学 一种基于改进a*算法的无人机航路规划方法
CN112462805A (zh) * 2020-11-19 2021-03-09 西安理工大学 基于改进蚁群算法的5g网联无人机航迹规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
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
WO2018176595A1 (zh) * 2017-03-31 2018-10-04 深圳市靖洲科技有限公司 基于蚁群算法和极坐标变换的无人自行车路径规划方法
CN108459503A (zh) * 2018-02-28 2018-08-28 哈尔滨工程大学 一种基于量子蚁群算法的无人水面艇航迹规划方法
CN108563239A (zh) * 2018-06-29 2018-09-21 电子科技大学 一种基于势场蚁群算法的无人机航迹规划方法
CN111998858A (zh) * 2020-09-15 2020-11-27 长春工业大学 一种基于改进a*算法的无人机航路规划方法
CN112462805A (zh) * 2020-11-19 2021-03-09 西安理工大学 基于改进蚁群算法的5g网联无人机航迹规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宋宇;顾海蛟: "基于改进A*算法的无人机航路规划", 长春工业大学学报, vol. 41, no. 006, 31 December 2020 (2020-12-31) *
张浩森;高东阳;白羽;王恒友;: "基于蚁群算法的多无人机协同任务规划研究", 北京建筑大学学报, no. 02, 30 June 2017 (2017-06-30) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117452583A (zh) * 2023-12-25 2024-01-26 国网浙江省电力有限公司宁波供电公司 一种光缆线路规划方法、系统、存储介质及计算设备
CN117452583B (zh) * 2023-12-25 2024-04-16 国网浙江省电力有限公司宁波供电公司 一种光缆线路规划方法、系统、存储介质及计算设备

Also Published As

Publication number Publication date
CN114578845B (zh) 2024-05-17

Similar Documents

Publication Publication Date Title
CN113589842B (zh) 一种基于多智能体强化学习的无人集群任务协同方法
CN107272679B (zh) 基于改进的蚁群算法的路径规划方法
CN110308740B (zh) 一种面向移动目标追踪的无人机群动态任务分配方法
Xia et al. Cooperative task assignment and track planning for multi-UAV attack mobile targets
CN109357678B (zh) 一种基于异质化鸽群优化算法的多无人机路径规划方法
CN110196061A (zh) 基于改进蚁群算法的移动机器人全局路径规划方法
CN109597425B (zh) 基于强化学习的无人机导航和避障方法
CN109489667A (zh) 一种基于权值矩阵的改进蚁群路径规划方法
CN110703766A (zh) 一种基于迁移学习策略深度q网络的无人机路径规划方法
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
CN112985408A (zh) 一种路径规划优化方法及系统
CN112462805B (zh) 基于改进蚁群算法的5g网联无人机航迹规划方法
CN111880561A (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
CN114020045A (zh) 一种基于改进蚁群算法的无人机航迹规划方法
CN110954124A (zh) 一种基于a*-pso算法的自适应路径规划方法及系统
WO2023197092A1 (zh) 一种基于改进rrt算法的无人机路径规划方法
CN114578845A (zh) 一种基于改进蚁群算法的无人机航迹规划方法
CN116301014A (zh) 一种无人直升机贴地飞行轨迹优化方法
CN115454067A (zh) 一种基于融合算法的路径规划方法
CN115933671A (zh) 基于mbesp优化的agv路径规划与自主避障方法
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
CN114089776A (zh) 一种基于深度强化学习的无人机避障方法
CN112486185A (zh) 在未知环境下基于蚁群和vo算法的路径规划方法
Panda et al. Autonomous mobile robot path planning using hybridization of particle swarm optimization and Tabu search
CN110849385A (zh) 基于双层启发搜索共轭梯度下降的轨迹规划方法及系统

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