CN114638332B - 一种基于多子群粒子群算法的侦察机器人任务分配方法 - Google Patents
一种基于多子群粒子群算法的侦察机器人任务分配方法 Download PDFInfo
- Publication number
- CN114638332B CN114638332B CN202111630071.6A CN202111630071A CN114638332B CN 114638332 B CN114638332 B CN 114638332B CN 202111630071 A CN202111630071 A CN 202111630071A CN 114638332 B CN114638332 B CN 114638332B
- Authority
- CN
- China
- Prior art keywords
- particles
- particle
- robot
- particle swarm
- subgroup
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 114
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
Classifications
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于多子群粒子群算法的侦察机器人任务分配方法,首先初始化粒子群最大迭代次数、粒子个数、粒子位置和粒子速度;将粒子分成不同的子群;计算粒子适应度;粒子速度更新,位置更新;迭代计算,重复步骤2)‑4),直至计算达到指定迭代次数退出,其最优粒子位置即为最终结果。解决了传统方法没有综合考虑复杂的环境以及机器人的安全性等因素,在真实的战场环境中容易导致机器人被发现甚至作战任务失败的问题,提升了机器人的任务完成效果。将机器人任务分配问题转换成优化问题,可以直接用智能算法求解;通过将粒子分群,参数自适应调节等手段解决了传统粒子群算法易陷入局部极值的问题,改善了迭代寻优的收敛性,提升了算法的收敛速度。
Description
技术领域
本发明属于机器人任务分配领域,涉及一种基于多子群粒子群算法的侦察机器人任务分配方法。
背景技术
随着机器人技术的快速发展,越来越多的侦察机器人被应用到城市作战任务中。侦察机器人是一种可以深入敌方内部,为己方提供态势感知信息的作战武器,具有隐 蔽性、低成本、高效率等优点。针对单机器人探测能力受限的问题,需要综合考虑建 筑内复杂的内部环境、机器人的探测能力以及目标可能出现的区域等条件,将多个机 器人分布在建筑物内的不同位置,实现对目标区域的协同感知。
传统的机器人任务分配问题通常只考虑了机器人与目标任务之间的距离和完成任 务带来的收益,没有综合考虑障碍物等复杂环境以及机器人的安全性等因素,在真实的战场环境中容易导致机器人被发现甚至作战任务的失败。此外,求解该问题的方法 还存在易陷入局部最优等问题。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于多子群粒子群算法的侦察机器人任务分配方法,要解决的技术问题是如何提供一种基于多子群粒子群算法的侦察 机器人任务分配方法,以解决传统任务分配问题中考虑因素单一以及求解方法存在易 陷入局部最优的问题,使得侦察机器人在复杂的作战环境中保证自身安全性的同时高 质量的完成态势感知任务。
技术方案
一种基于多子群粒子群算法的侦察机器人任务分配方法,其特征在于步骤如下:
步骤1、初始化粒子群最大迭代次数、粒子个数、粒子位置和粒子速度:
初始化粒子位置时,每个粒子的位置以一个向量表示,向量中的一个元素表示一个侦察机器人所选侦察点的编号和探测器在世界坐标系下的朝向角,一个向量即粒子 表示所有侦察机器人所选侦察点的编号和探测器在世界坐标系下的朝向角;
其中,向量中元素的整数部分表示所选侦察点的编号,小数部分代表机器人探测器在世界坐标系下的朝向角,若规定小数部分表示为xdec∈[0,1),朝向角表示为 θ=[-π,π),则二者的转换关系如下:
θ=(2xdec-1)·π
粒子位置和速度的初始化通过随机方式即rand获取;
步骤2、将粒子分成不同的子群:根据粒子选择的机器人侦察点将粒子分群,若 任意两个粒子选择的机器人侦察点相同,只是侦察点上机器人的航向角不同,则它们 归为一个子群;
步骤3、计算粒子适应度:包括计算a)机器人的覆盖范围,b)侦察点的隐蔽程度,c)重点区域的多重覆盖率,计算公式为:
f=λ1f1+λ2f2+λ3f3
其中,f1、f2、f3分别对应a)、b)、c),λ1、λ2、λ3是对应的权重系数;
所述:
式中:表示每个机器人的可见栅格集合,S1∩S2∩…∩SN表示所有机器人的可见栅格集合,Stask表示任务区域的栅格集合;Ji,hide∈[0,1]表示机器人所选侦察点的隐蔽程度,其中0表示隐蔽性最差,1表示隐蔽性最好;nC表示重点 区域个数,nCRi表示单个重点区域的覆盖重数,/>表示单个重点区域的最大覆盖重 数;
比较各粒子的适应度值的大小,得到粒子群个体最优解xmax,i,fmaxi,、子群最优解xmax1,fmax1和全局最优解xmax,fmax;
步骤4、粒子速度更新,位置更新:
粒子的更新公式为:
式中,i=1,2,…M表示粒子编号,t表示迭代次数,r1,r2∈[0,1]是呈均匀分布的随机 数;
步骤5:迭代计算,重复步骤2~步骤4,直至计算达到指定迭代次数退出,其最 优粒子位置即为最终结果:
式中,ωmax,ωmin分别时ω的最大值和最小值,fave1为粒子所属子群的适应度均值, fave为所有粒子的适应度均值,α为控制系数。
所述探测器选择双目相机。
有益效果
本发明提出的一种基于多子群粒子群算法的侦察机器人任务分配方法,首先初始化粒子群最大迭代次数、粒子个数、粒子位置和粒子速度;将粒子分成不同的子群; 计算粒子适应度;粒子速度更新,位置更新;迭代计算,重复步骤2)-4),直至计算 达到指定迭代次数退出,其最优粒子位置即为最终结果。
本发明提出一种基于多子群粒子群算法的侦察机器人任务分配方法,与现有技术相比,本发明所具有的有益效果为:
1)通过综合考虑机器人的覆盖范围、侦察点的隐蔽程度和重点区域的多重覆盖率, 解决了传统方法没有综合考虑复杂的环境以及机器人的安全性等因素,在真实的战场环境中容易导致机器人被发现甚至作战任务失败的问题,提升了机器人的任务完成效 果。
2)通过巧妙设计变量,将机器人任务分配问题转换成优化问题,可以直接用智能算法求解;通过将粒子分群,参数自适应调节等手段解决了传统粒子群算法易陷入局 部极值的问题,改善了迭代寻优的收敛性,提升了算法的收敛速度。
附图说明
图1为本发明一种基于多子群粒子群算法的侦察机器人任务分配方法的流程图。
图2为本发明的仿真实验中任务分配结果图。
图3为本发明的仿真实验中粒子最优适应度函数迭代示意图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
为使本发明的目的、内容和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
考虑到复杂的室内环境和探测器的性能约束,侦察机器人在任务分配时需要确定机器人分配的位置和携带的双目相机的朝向角θ。
侦察机器人任务分配时主要考虑的影响因素有:
(1)机器人的覆盖范围。由于单个机器人覆盖范围有限,需要多个机器人尽可能地覆盖更大的任务区域,以获得更多地侦察信息。
(2)侦察点的隐蔽程度。考虑到机器人的安全性以及敌方可能采取的反制措施,需要将机器人分配在尽可能隐蔽的位置,以防止被敌方发现。
(3)重点区域的多重覆盖率。任务区域可能存在重点可疑目标聚集区,需要机器人重点关注。而由于单个机器人识别能力有限,如存在识别虚警率、瞬时目标识别的 个数限制等,需要多个机器人对该区域进行多重覆盖。
根据上述要求,本发明设计了侦察机器人任务分配优化的目标函数。
max f=λ1f1+λ2f2+λ3f3 (1)
式中,λ1、λ2、λ3是对应的权重系数,可根据任务实际情况调节,f1、f2、f3表示子 目标函数,分别对应(1)机器人的覆盖范围,(2)侦察点的隐蔽程度,(3)重点区域 的多重覆盖率。
评价机器人的覆盖范围时,首先基于建立的栅格地图判断栅格是否在机器人的探测范围内,若满足i)栅格与机器人侦察点距离小于ddetmax,ii)栅格与机器人侦察点连线 和机器人朝向的夹角小于θdetmax/2,iii)栅格和机器人侦察点之间无障碍物遮挡,则可认 为栅格在机器人的探测范围内。假设每个机器人的可见栅格集合为则所有机器人的可见栅格集合为S1∩S2∩…∩SN,假设任 务区域的栅格集合用Stask表示,则机器人覆盖范围对应的指标函数可表示为
f1=S1∩S2∩…∩SN/Stask (2)
评价侦察点的隐蔽程度时,假设在机器人任务分配之前根据情报信息已经得到并评估出侦察点的隐蔽程度Ji,hide∈[0,1],其中0表示隐蔽性最差,1表示隐蔽性最好,则 与侦察点隐蔽程度对应的指标函数可表示为
评价重点区域的多重覆盖率时,假设有nC个重点区域,重点区域的覆盖重数为nCRi, 每个重点区域的最大覆盖重数为则与重点区域多重覆盖率对应指标函数表示为:
侦察机器人任务分配时主要考虑的约束条件是
(1)一个侦察点最多只能容纳一个机器人。
(2)每个机器人只能分配一个侦察点。
本发明采用多子群粒子群算法进行优化求解。粒子群优化算法是模拟鸟群寻找食物的一种方法,其原理是通过更新惯性系数、社会系数和认知系数,通过适应度函数 评估局部最优和全局最优等操作,实现集群最优搜索,具有原理简单、易于实现和搜 索速度快等优点。但是作为一种随机搜索算法,传统的粒子群算法存在易陷入局部极 值的缺陷,针对这一缺陷,本发明提出一种多子群粒子群算法,通过将粒子分群和参 数自适应调节等手段提升粒子群算法的性能。其流程如下:
(1)初始化粒子群最大迭代次数、粒子个数、粒子位置和粒子速度;
在初始化粒子位置时,首先需要对粒子进行编码,在侦察机器人任务分配问题中,由于隐蔽性的要求,机器人只能部署在沙发、桌子、椅子等物体下面,以防止被敌方 发现,因此部署位置的可行域是离散的,但是双目相机朝向角的可行域是连续的,因 此本发明基于粒子群算法巧妙地设计了粒子的编码形式,具体如下:
每个粒子用一个向量表示,向量中的一个元素表示一个侦察机器人所选侦察点的编号和探测器(双目相机)在世界坐标系下的朝向角,一个向量表示所有侦察机器人 所选侦察点的编号和探测器(双目相机)在世界坐标系下的朝向角。其中,向量中元 素的整数部分表示所选侦察点的编号,小数部分代表机器人探测器(双目相机)在世 界坐标系下的朝向角,规定小数部分表示为xdec∈[0,1),朝向角表示为θ=[-π,π),二 者的转换关系如下:
θ=(2xdec-1)·π (5)
粒子的位置和速度通过随机方式(rand)获取。
(2)将粒子分成不同的子群;
当所有机器人的侦察位置点确定后,双目相机的朝向角则成了影响目标函数的唯一因素。为了提升粒子群算法的收敛速度,根据粒子选择的机器人侦察点将粒子分群, 若任意两个粒子选择的机器人侦察点相同,只是侦察点上机器人双目相机的航向角不 同,则它们归为一个子群,对应到粒子中,若任意两个粒子所有元素的整数部分相同, 则把它们归为一个子群,例如:若有如下3个粒子:
则x1,x2可归为同一个子群,x3属于另一个子群。
(3)计算粒子适应度;
粒子的适应度计算方法如式(2)-(3)所示。通过比较各粒子的适应度值的大小,得到粒 子群个体最优解xmax,i,fmax,i、子群最优解xmax1,fmax1和全局最优解xmax,fmax。
(4)粒子速度更新,位置更新;
粒子的更新公式为
式中,i=1,2,…M表示粒子编号,t表示迭代次数,r1,r2∈[0,1]是呈均匀分布的随机 数;传统粒子群算法的速度更新公式中,除了全局最优解向其他粒子发布信息外,再 无其他的信息共享,以至于粒子多样性降低,易过早地陷入局部极值点(参考文献: 魏法,杨明磊,何小静,周鼎森,陈伯孝.基于改进粒子群算法的平面阵同时多波束赋形方 法[J/OL].系统工程与电子技 术:1-10.http://kns.cnki.net/kcms/detail/11.2422.TN.20210903.1650.002.html.)。本发明通 过一种自适应调整加速系数的方法,使得在进化初期和后期认知部分和社会部分对粒 子速度更新有不同影响,能避免粒子群算法易陷入局部极值点的缺点,提高算法后期 的收敛速度和精度。参数自适应调节方法如下:
式中,ωmax=0.95,ωmin=0.4,fave1为粒子所属子群的适应度均值,fave为所有粒子 的适应度均值,α=10为控制系数。
(5)迭代计算,重复步骤(2)-(4),直至计算达到指定迭代次数退出,其最优 粒子位置即为最终结果。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进 和变形也应视为本发明的保护范围。
Claims (2)
1.一种基于多子群粒子群算法的侦察机器人任务分配方法,其特征在于步骤如下:
步骤1、初始化粒子群最大迭代次数、粒子个数、粒子位置和粒子速度:
初始化粒子位置时,每个粒子的位置以一个向量表示,向量中的一个元素表示一个侦察机器人所选侦察点的编号和探测器在世界坐标系下的朝向角,一个向量即粒子表示所有侦察机器人所选侦察点的编号和探测器在世界坐标系下的朝向角;
其中,向量中元素的整数部分表示所选侦察点的编号,小数部分代表机器人探测器在世界坐标系下的朝向角,若规定小数部分表示为xdec∈[0,1),朝向角表示为θ=[-π,π),则二者的转换关系如下:
θ=(2xdec-1)·π
粒子位置和速度的初始化通过随机方式即rand获取;
步骤2、将粒子分成不同的子群:根据粒子选择的机器人侦察点将粒子分群,若任意两个粒子选择的机器人侦察点相同,只是侦察点上机器人的航向角不同,则它们归为一个子群;
步骤3、计算粒子适应度:包括计算a)机器人的覆盖范围,b)侦察点的隐蔽程度,c)重点区域的多重覆盖率,计算公式为:
f=λ1f1+λ2f2+λ3f3
其中,f1、f2、f3分别对应a)、b)、c),λ1、λ2、λ3是对应的权重系数;
所述:
式中:表示每个机器人的可见栅格集合,S1∩S2∩…∩SN表示所有机器人的可见栅格集合,Stask表示任务区域的栅格集合;Ji,hide∈[0,1]表示机器人所选侦察点的隐蔽程度,其中0表示隐蔽性最差,1表示隐蔽性最好;nC表示重点区域个数,nCRi表示单个重点区域的覆盖重数,/>表示单个重点区域的最大覆盖重数;
比较各粒子的适应度值的大小,得到粒子群个体最优解xmax,i,fmaxi,、子群最优解xmax1,fmax1和全局最优解xmax,fmax;
步骤4、粒子速度更新,位置更新:
粒子的更新公式为:
式中,i=1,2,…M表示粒子编号,t表示迭代次数,r1,r2∈[0,1]是呈均匀分布的随机数;
步骤5:迭代计算,重复步骤2~步骤4,直至计算达到指定迭代次数退出,其最优粒子位置即为最终结果:
式中,ωmax,ωmin分别时ω的最大值和最小值,fave1为粒子所属子群的适应度均值,fave为所有粒子的适应度均值,α为控制系数。
2.根据权利要求1所述基于多子群粒子群算法的侦察机器人任务分配方法,其特征在于:所述探测器选择双目相机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111630071.6A CN114638332B (zh) | 2021-12-28 | 2021-12-28 | 一种基于多子群粒子群算法的侦察机器人任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111630071.6A CN114638332B (zh) | 2021-12-28 | 2021-12-28 | 一种基于多子群粒子群算法的侦察机器人任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114638332A CN114638332A (zh) | 2022-06-17 |
CN114638332B true CN114638332B (zh) | 2024-03-01 |
Family
ID=81946405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111630071.6A Active CN114638332B (zh) | 2021-12-28 | 2021-12-28 | 一种基于多子群粒子群算法的侦察机器人任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638332B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942612A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 基于自适应粒子群优化算法的梯级水库优化调度方法 |
CN107589663A (zh) * | 2017-08-16 | 2018-01-16 | 西安电子科技大学 | 基于多步粒子群算法的无人机协同侦察覆盖方法 |
WO2018036282A1 (zh) * | 2016-08-24 | 2018-03-01 | 深圳市中兴微电子技术有限公司 | 一种任务调度方法、装置及计算机存储介质 |
CN113807591A (zh) * | 2021-09-22 | 2021-12-17 | 电子科技大学 | 一种通信距离受限的无人机集群站点协同优化部署方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506956B (zh) * | 2017-06-12 | 2018-06-15 | 合肥工业大学 | 基于改进粒子群算法供应链生产运输协同调度方法及系统 |
-
2021
- 2021-12-28 CN CN202111630071.6A patent/CN114638332B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942612A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 基于自适应粒子群优化算法的梯级水库优化调度方法 |
WO2018036282A1 (zh) * | 2016-08-24 | 2018-03-01 | 深圳市中兴微电子技术有限公司 | 一种任务调度方法、装置及计算机存储介质 |
CN107589663A (zh) * | 2017-08-16 | 2018-01-16 | 西安电子科技大学 | 基于多步粒子群算法的无人机协同侦察覆盖方法 |
CN113807591A (zh) * | 2021-09-22 | 2021-12-17 | 电子科技大学 | 一种通信距离受限的无人机集群站点协同优化部署方法 |
Non-Patent Citations (2)
Title |
---|
基于改进量子粒子群算法的多无人机任务分配;邓可;连振江;周德云;李枭扬;;指挥控制与仿真;20181015(05);全文 * |
基于粒子群遗传优化算法的多机器人任务分配研究;李济泽;;机械与电子;20071024(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114638332A (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329934A (zh) | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 | |
CN110608743A (zh) | 基于多种群混沌灰狼算法的多无人机协同航路规划方法 | |
CN108388250B (zh) | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 | |
CN110554709A (zh) | 一种分布式的仿生的多智能体自主集群控制方法 | |
CN110490422B (zh) | 一种基于博弈云模型的目标作战效能态势评估方法 | |
CN115567353B (zh) | 一种面向雷达组网系统的干扰多波束调度和干扰功率联合优化方法 | |
CN113031650B (zh) | 一种不确定环境下的无人机集群协同目标分配设计方法 | |
CN112066992B (zh) | 一种基于视场约束的反辐射无人机搜索航迹规划方法 | |
CN111797966B (zh) | 一种基于改进羊群算法的多机协同全局目标分配方法 | |
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 | |
Hong et al. | UAV search-and-rescue planning using an adaptive memetic algorithm | |
CN116225049A (zh) | 一种多无人机狼群协同作战攻防决策算法 | |
CN114638332B (zh) | 一种基于多子群粒子群算法的侦察机器人任务分配方法 | |
CN106712825A (zh) | 一种基于粒子群的自适应波束成型干扰抑制方法 | |
CN114740883B (zh) | 一种协同点侦察任务规划跨层联合优化方法 | |
CN116128095A (zh) | 一种地空无人平台作战效能评估方法 | |
CN115237151A (zh) | 一种基于信息素启发的群无人机多运动目标搜索方法 | |
Wang et al. | An efficient clonal selection algorithm to solve dynamicweapon-target assignment game model in UAV cooperative aerial combat | |
Zhicai et al. | A cooperative search algorithm based on improved particle swarm optimization decision for UAV swarm | |
CN116698032A (zh) | 基于多目标自组织松鼠觅食机制的无人机航迹规划方法 | |
CN111553601B (zh) | 一种城市环境下协同探测系统的目标分配优化方法 | |
Pan et al. | Radar jamming strategy allocation algorithm based on improved chaos genetic algorithm | |
CN114200960B (zh) | 基于禁忌表改进麻雀算法的无人机集群搜索控制优化方法 | |
CN116359858A (zh) | 基于改进麻雀搜索算法的协同干扰资源调度方法 | |
CN112925345B (zh) | 一种仿狼群狩猎行为的无人作战飞机集群合围控制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |