CN115421508B - 一种适用于多无人机多目标航迹规划的粒子群优化方法 - Google Patents
一种适用于多无人机多目标航迹规划的粒子群优化方法 Download PDFInfo
- Publication number
- CN115421508B CN115421508B CN202210914913.9A CN202210914913A CN115421508B CN 115421508 B CN115421508 B CN 115421508B CN 202210914913 A CN202210914913 A CN 202210914913A CN 115421508 B CN115421508 B CN 115421508B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- particle swarm
- aerial vehicle
- algorithm
- formula
- 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 66
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 12
- 230000001133 acceleration Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 50
- 230000014509 gene expression Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 239000000446 fuel Substances 0.000 abstract description 22
- 230000003247 decreasing effect Effects 0.000 abstract description 6
- 238000006073 displacement reaction Methods 0.000 abstract 1
- 230000006872 improvement Effects 0.000 description 8
- 239000003921 oil Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000011597 CGF1 Diseases 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000010742 number 1 fuel oil Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000004039 social cognition Effects 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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
本发明涉及一种适用于多无人机多目标航迹规划的粒子群优化方法。首先，构建出多无人机多目标路径规划的最佳适应度函数;其次，通过将自身速度引起位置变化的目标进行置换操作，将个体极值和全局极值影响自身位置变化的粒子进行交叉操作,再引入非线性递减策略中的反正切函数来动态调整粒子群算法中的惯性权重，同时动态地调整非负的加速度系数，采用改进的Dubins算法和改进的粒子群算法，通过多次迭代得到一条最优无碰撞的平滑路径。本发明能够增强无人机的目标搜索能力同时避免无人机之间的碰撞，在保证总航程耗油量最小和航时最短的前提下，提高多无人机多目标全局和局部的搜索能力，在航迹飞行时间权重大于航迹耗油量时，能够得到最优的航迹路线。
Description
技术领域
本发明属于多无人机多目标路径规划技术领域，涉及一种适用于多无人机多目标航迹规划的粒子群优化方法。
背景技术
随着计算机技术和人工智能技术的不断提高，无人机朝着更加小型化、智能化的方向发展。多无人机协同完成任务具有效率高、速度快、安全性高等显著优势，已经成为军事作战的主要方式。常见的多无人机路径规划方法分为：①基于搜索方式的Dijkstra算法和A*算法；②基于智能的遗传算法、粒子群算法、离散粒子群算法、蜂群算法、鱼群算法和狼群算法。
Dijkstra算法和A*算法都可以计算最短路径长度，但在多无人机多目标路径规划中Dijkstra算法搜索较为发散且时间消耗较高。A*算法在计算多无人机多目标最佳适应度函数的同时，会带入大量重复数据和估价函数，增加了计算复杂度。鱼群算法在选择最优路径时能够提高路径的收敛速度，但也会降低路径求解的精确度。狼群算法在多无人机多目标路径规划中寻找最优解的速度比较快，但该算法中无人机个体和其他无人机之间的交流较少，不能够及时共享信息，所求得路径精确度不高，收敛速度较慢，同样会容易陷入局部最优。蜂群算法在路径规划中涉及的控制参数较少，鲁棒性强。但所求得路径精确度不高，收敛速度较慢，也容易陷入局部最优。遗传算法在多无人机多目标路径规划中，时间消耗过大且容易陷入局部最优。
随着无人机技术的进一步发展，单一算法难以满足所有技术需求。目前，对于多无人机多目标路径规划中均采用多阶段技术的方法。但此类方法只能突出其中某一单一算法的优势，不能提高时间效率和收敛速度，同时在无人机的最优路径规划上不可避免陷入局部最优。例如：采用多阶段技术对遗传算法进行最短路径规划，即遗传算法和Dubins算法结合，可以降低复杂度减少时间的消耗，但多阶段技术中阶段的划分并不唯一，不能保证本次阶段的划分所得出的路径就是最优路径。粒子群算法在路径规划中算法简单，收敛快，计算复杂度低，但在寻找最优解时常常会陷入局部最优，将K-means++聚类与改进的粒子群相结合的算法，可以简化问题的规模，降低目标被重复侦查的概率，节省时间，但没有考虑到无人机因为聚类目标过近导致无人机碰撞的问题。
发明内容
本发明的目的是提供一种适用于多无人机多目标航迹规划的粒子群优化方法，以克服现有技术存在的在寻找最优解时常常会陷入局部最优和因为聚类目标过近及多架飞机同时执行共同目标而导致无人机碰撞的问题。
一种适用于多无人机多目标航迹规划的粒子群优化方法，包括以下步骤：
步骤一，建立规划模型；
步骤二，粒子群优化：
(一)对Dubins算法规划出的路线通过Intersection Type方法计算相交点来检测和排除碰撞路径；
(二)在传统粒子群算法中，将自身速度引起位置变化的目标进行置换操作，将个体极值和全局极值影响自身位置变化的粒子进行交叉操作；
(三)应用非线性递减策略中的反正切函数动态调整粒子群算法中的惯性系数；
(四)动态地调整非负的加速度系数；
(五)通过改进的Dubins算法和改进的粒子群算法得到最佳适应度函数表达式经过多次迭代得到最佳飞行路径。
进一步的，上述步骤二(三)中，改进公式为：
公式(12)中将ωs的值为0.9，ωe的值为0.4，k为迭代的次数，kmax为最大的迭代次数，m是调控因子。
进一步的，上述步骤二(四)中，改进公式为：
公式(13)和(14)中k为当前迭代的次数，kmax为最大的迭代次数。
进一步的，上述公式(13)和公式(14)中，cs,ce的取值在[1,4]。
进一步的，上述公式(13)和公式(14)中，cs＝2.5，ce＝1.5。
与现有技术相比，本发明的有益效果是：
1、改进的粒子群和改进的Dubins相结合算法的收敛速度更快，局部效果更优，不仅能够增强无人机的目标搜索能力同时可以避免无人机之间的碰撞，
2、对传统粒子群算法中速度和位置更新方式进行改进，相比较于多无人机多目标下的传统粒子群算法，以及K-means++算法结合的改进的粒子群，总体适应度代价分别降低5.9％和4.4％。形成多无人机多目标航迹规划和任务分配算法。
3，在保证总航程耗油量最小和航时最短的前提下，采用Dubins算法和Intersection Type方法得到一条无碰撞的平滑路径。
4，应用非线性递减策略中的反正切函数改进惯性系数，线性递减函数改进非负的加速度系数的方法，提高多无人机多目标全局和局部的搜索能力。
5，在保证总航程耗油量最小和航时最短的前提下，提高多无人机多目标全局和局部的搜索能力。
6，在保证粒子群算法和Dubins算法都进行改进的前提下，在航迹飞行时间权重大于航迹耗油量时，能够得到最优的航迹路线。
附图说明
图1是无人机群航程耗油量权重大于航迹路径时间无人机路径改进算法示意图，进一步讲为三架无人机-六个目标适应度函数图；
图2是无人机群航程耗油量权重大于航迹路径时间无人机路径改进算法示意图，进一步讲为四架无人机-八个目标适应度函数图；
图3是无人机群航程耗油量权重大于航迹路径时间无人机路径改进算法示意图，进一步讲为五架无人机-十个目标适应度函数图；
图4是无人机群航程耗油量权重与航迹路径时间权重比例不同情况下适应度函数对比图。
图5是MIMOIPSO和其他算法之间适应度函数对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明的设计思路是：
首先，考虑到无人机群在通过Dubins算法寻找最优路径时可能发生无人机碰撞的情况，对Dubins算法规划出的路线(直线和弧)通过Intersection Type方法计算相交点来检测和排除碰撞路径，从而保证无人机群任务执行的安全性。构建出多无人机多目标路径规划的最佳适应度函数。
其次，对传统粒子群算法中速度和位置更新方式进行改进，通过将自身速度引起位置变化的目标进行置换操作，将个体极值和全局极值影响自身位置变化的粒子进行交叉操作，使改进的粒子群算法适合多无人机多目标路径规划；然后，引入非线性递减策略中的反正切函数来动态调整粒子群算法中的惯性权重，使其随着迭代次数的增加不断减小，同时动态地调整非负的加速度系数，在保证前期提高全局的搜索能力的同时，也提高了后期局部的搜索能力，避免陷入局部最优；最后，采用改进的Dubins算法和改进的粒子群算法得到最终的最佳适应度函数表达式，通过多次迭代得到一条最优无碰撞的平滑路径。
实施例：一种适用于多无人机多目标航迹规划的粒子群优化方法，包括以下步骤：
步骤一、建立规划模型：
为了准确描述任务分配和航迹规划，需要对多无人机多目标进行规划建模。假设有N架无人机，M个目标。无人机集群记作H＝{h1,h2,h3,……hN}
该模型以无人机群总体耗油量及最后一架飞机执行完任务的时间为目标函数。目标函数可表示为
F＝a*ω1+b*ω2(a+b＝1) (1)
公式(1)中：a代表耗油量的权重系数，b代表飞行时间的权重系数，ω1代表无人机平均的耗油量，ω2代表无人机执行完所有目标任务所需的时间。若只考虑使耗油量最少就会使无人机只去攻击损耗较小的目标，这就加大了目标寻找的时间，若只考虑完成时间最短，则会对距离目标较远的无人机不分配任务，浪费油耗，降低效率。因此要添加适当的权重保证目标函数的最优解。
约束条件：
ts＝ta＝te (5)
公式(2)确保每次任务都被执行一次；公式(3)确保执行任务的飞机不会大于已有的飞机数量；公式(4)确保每个飞机的燃料都可以让飞机执行完它所分配的任务；公式(5)确保不同阶段执行任务的时间是相同的。
步骤二、粒子群优化：
(一)对Dubins算法规划出的路线(直线和弧)通过Intersection Type方法计算相交点来检测和排除碰撞路径，
采用Dubins方法进行避障
Dubins无人机最短路径长度算法是在运动方向已知和转弯半径最小的情况下，从无人机的初始位置到目标点位置的最短路径，它是由直线和最小半径转向圆弧组成的。由此设置无人机执行任务时候所走的路线分为直线和弧相结合的四种方式，分别是RSL(Right Straight Left)、RSR(Right Straight Right)、LSR(Left Straight Right)和LSL(Left Straight Left)。
若两飞机沿直线飞行的表达式如下:
公式(6)和(7)中：代表第一架无人机路径规划上直线与第一个圆弧的切点，/>代表第一架无人机规划路径上直线与第二个圆弧的切点。/>代表第二架无人机规划路径上直线与第一个圆弧的切点，/>代表第二架无人机规划路径上直线与第二个圆弧的切点。通过让两个表达式建立相等关系来确定是否存在碰撞的点。
如果两架飞机一个沿直线飞行一个沿弧飞行，则判断是否会相撞的表达式如下：
y0≤R (9)
公式(8)中：x0代表无人机沿直线飞行通过确定弧的圆心横坐标位置，将该横坐标带入到直线公式(8)中计算出y0的值，判断是否大于以该弧所形成的圆的半径，若满足表达式(9)则证明碰撞。
若两架飞机都是沿弧运行的航线，那么在以该航线轨迹行走的弧所形成的两个圆在如果出现内切，外切，相交则就会出现碰撞的情况。则判断此情况的表达式是
公式(10)中：(x1，y1)，(x2，y2)分别为两个弧所形成的圆心，判断两圆心之间的距离是否满足表达式，若满足则会发生碰撞。
采用Dubins算法计算出的最短路径排除上述可能出现碰撞的情况，则可以得到安全的、高效的光滑路径。
(二)在传统粒子群算法中，将自身速度引起位置变化的目标进行置换操作，将个体极值和全局极值影响自身位置变化的粒子进行交叉操作：
传统的粒子群算法中的位置和速度计算的方法不适合多无人机多目标的情况，因此对位置和速度的表达公式进行改进。
公式(11)中：Xi(k)为粒子i在第k次迭代的时候的位置；pbesti(k)为粒子在第k次迭代的时候自身的最优极值；gbestg(k)为在整个群体中第k次粒子迭代的最优极值；E1是关于X的函数，其本质就是粒子i在第k次迭代时粒子的速度对位置变化的影响；E2是粒子对个体极值的学习；E3是对全局极值的学习。在粒子位置变换过程中，E1通过置换任务目标来进行调整，E2和E3通过交叉方式进行学习更新。
(三)应用非线性递减策略中的反正切函数动态调整粒子群算法中的惯性系数
传统粒子群算法在多无人机多目标的路径规划和任务分配中，前期全局搜索能力较强，收敛速度快，但是随着迭代的次数不断的增加，后期局部搜索能力不断地下降，降低了任务执行的总效率。这是因为传统的粒子群惯性系数ω为一个非负值，默认初始值为0.5，在迭代过程中一直保持不变。但ω较大时有利于定位全局最优解，ω较小时有利于加快算法的收敛性。因此对惯性系数的改进可以提高后期局部搜索的能力。而对于ω的改进策略一般包含线性递减策略与非线性递减策略。由于非线性递减策略的鲁棒性较好(如表1)且反正切函数比正切函数应用在简单的单峰函数、非凸病态单峰函数以及非线性多峰函数的精确度要高(如表2)。因此，本发明选择非线性递减策略和反正切函数对惯性系数进行改进如公式(12)所示。
一般默认将ωs的值为0.9，ωe的值为0.4，k为迭代的次数，kmax为最大的迭代次数，m是调控因子，控制ω与k变化曲线的光滑性，变量中的系数之所以取1.56是为了确保ω的值能够介于0.4-0.9之间。
表1线性与非线性递减策略标准差对比
表2正切与非正切函数平均值对比
(四)动态地调整非负的加速度系数，
因为传统的粒子群非加速度系数c1,c2为一个随机范围，而对于非负的加速度系数c1>c2时个体认知占优势，有利于全局搜索，但是收敛性较慢；c1＜c2时社会认知占优势，有利于局部搜索，但容易陷入局部最优。因此在整个路径规划中应该动态调整c1,c2，使迭代过程中c1的值不断减小，c2的值不断增大，在保障前期搜索能力的同时也避免后期陷入局部最优，提高整体路径规划的效率。
公式(13)和(14)中k为当前迭代的次数，kmax为最大的迭代次数，如要保证c1在迭代过程中逐渐减小，c2在迭代过程逐渐增大。随着迭代次数不断增加的值会逐渐增大。cs，ce这两个值也不是固定不变，设置的值应使其沿着线性减小的方向前进即可，减小的速度不能过快。一般cs,ce的取值在[1,4]，当cs＝ce的时候通过公式(11)可以得到gbest＝1.83201；cs＝1.5，ce＝2.5的时候gbest＝1.42428；cs＝2.5，ce＝1.5的时候gbest＝2.20854；这里取cs＝2.5，ce＝1.5。
(五)通过改进的Dubins算法和改进的粒子群算法得到最佳适应度函数表达式经过多次迭代得到最佳飞行路径,最终得到路径规划中最佳适应度函数的具体表达式如下：
F＝a*ω1+b*ω2 (17)
以下根据无人机飞行时间和无人机航行耗油量的不同权重值给出本发明方法中无人机的最佳适应度函数值。
假设有N架无人机，M个目标点。初始变量设置如表3所示。
表3实验参数设置
在航程耗油量与航迹路径时间三种不同的权重下共有12种结合方式如表4所示。
表4不同类型的算法设计
其中，a>b代表适应度函数侧重于无人机群的航程耗油量；a＝b代表适应度函数对于无人机群航程耗油量和航迹路径时间的侧重是相同的；a<b代表适应度函数侧重于无人机群航迹路径时间。设A为改进的粒子群算法，B为改进Dubins计算无人机最短路径长度算法。～A+～B代表传统的粒子群算法和未改进的Dubins算法，A+B代表改进的粒子群算法和改进的Dubins算法。
在无人机群航程耗油量权重大于、小于、等于航迹路径时间的前提下，分别设置N架无人机与2N个目标点数量进行随机分配，如表5-表7所示。假设每个目标点需要执行3次，然后进行～A+～B，A，B，A+B四种方式组合的路径规划算法实验.
表5 3架无人机/6个目标无人机任务的分配
表6 4架无人机/8个目标无人机任务的分配
表7 5架无人机/10个目标无人机任务的分配
其中，在无人机群航程耗油量权重大于航迹路径时间前提下，分别针对3、4、5架无人机和6、8、10个目标，在四种方式下适应度函数的对比。可知无人机群在执行分配任务时随着粒子群迭代次数不断地增加，最佳适应度函数的值不断地减小，对粒子群算法改进的最佳适应度函数值与对Dubins计算无人机最短路径长度算法改进的最佳适应度函数值都有所减小，且随着迭代次数的增加收敛性逐渐增强。将两者同时进行改进适应度函数值减小的更大一些，得到的适应度函数值更小。
在无人机群航程耗油量权重等于航迹路径时间前提下，分别针对3、4、5架无人机和6、8、10个目标，在四种方式下适应度函数的对比。在航程耗油量和航迹路径规划时间这两个指标相同权重情况下，在寻求最佳适应度函数时，由于要降低无人机油量消耗，同时要减短无人机航迹时间。使得某架无人机要比其他无人机执行更多的任务,甚至对距离目标较远的无人机不分配任务，对于分配较多任务的无人机不仅会增加了整体航迹路径时间时长，同时也会增加航程耗油量，降低最优适应度函数的收敛性。同无人机群航程耗油量权重大于航迹路径时间情况下，最优适应度函数整体相比适应度值偏高。
在无人机群航程耗油量权重小于航迹路径时间前提下，图1-3分别针对3、4、5架无人机和6、8、10个目标，在四种方式下适应度函数的对比。可知无论是哪种数量的无人机与目标点都要比前两种权重效果下的最佳适应度函数要好，而且每架无人机的任务分配较合理，没有出现任务分配差距过大的情况。
图4可以看出无人机飞行时间权重大于无人机航迹耗油量时，无人机的最佳适应度函数较优。图5可以看出MUMOIPSO算法比传统PSO算法适应度函数降低了5.9％，比K-means++算法结合改进的PSO算法适应度函数降低了4.4％。从收敛性角度来说，K-means++算法结合PSO算法的收敛性要比MUMOIPSO算法的收敛性要快，PSO算法的收敛性最慢。从整体来看，MUMOIPSO算法的效果最好。
综上可以看出，当无人机飞行时间与无人机航迹耗油量权重相同的时候，会出现任务分配失衡的情况。当无人机飞行时间与无人机航机耗油量权重不同的时候，可以减少无人机总飞行时间且飞行时间的权重大于航迹耗油量的时候，所得适应度函数最低。MUMOIPSO算法相比较于PSO算法、K-means++算法结合的改进的PSO算法，总体适应度代价最优。
Claims (3)
1.一种适用于多无人机多目标航迹规划的粒子群优化方法，包括以下步骤：
步骤一，建立规划模型；
步骤二，粒子群优化：
(一)对Dubins算法规划出的路线通过Intersection Type方法计算相交点来检测和排除碰撞路径；
(二)在传统粒子群算法中，将自身速度引起位置变化的目标进行置换操作，将个体极值和全局极值影响自身位置变化的粒子进行交叉操作；
(三)应用非线性递减策略中的反正切函数动态调整粒子群算法中的惯性系数；
(四)动态地调整非负的加速度系数；
(五)通过改进的Dubins算法和改进的粒子群算法得到最佳适应度函数表达式经过多次迭代得到最佳飞行路径；
所述步骤二(三)中，对位置和速度的表达公式进行改进的公式为：
公式(11)中：Xi(k)为粒子i在第k次迭代的时候的位置；pbesti(k)为粒子在第k次迭代的时候自身的最优极值；gbestg(k)为在整个群体中第k次粒子迭代的最优极值；E1是关于X的函数，其本质就是粒子i在第k次迭代时粒子的速度对位置变化的影响；E2是粒子对个体极值的学习；E3是对全局极值的学习，在粒子位置变换过程中，E1通过置换任务目标来进行调整，E2和E3通过交叉方式进行学习更新；
选择非线性递减策略和反正切函数对惯性系数进行改进如公式(12)所示：
公式中将ωs的值为0.9，ωe的值为0.4，k为迭代的次数，kmax为最大的迭代次数，m是调控因子；
所述步骤二(四)中，在整个路径规划中动态调整非负的加速度系数c1,c2，使迭代过程中c1的值不断减小，c2的值不断增大，迭代调整的公式为：
公式(13)和(14)中k为当前迭代的次数，kmax为最大的迭代次数。
2.根据权利要求1所述的一种适用于多无人机多目标航迹规划的粒子群优化方法，其特征在于：所述公式(13)和公式(14)中，cs,ce的取值在[1,4]。
3.根据权利要求1所述的一种适用于多无人机多目标航迹规划的粒子群优化方法，其特征在于：所述公式(13)和公式(14)中，cs＝2.5，ce＝1.5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210914913.9A CN115421508B (zh) | 2022-08-01 | 2022-08-01 | 一种适用于多无人机多目标航迹规划的粒子群优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210914913.9A CN115421508B (zh) | 2022-08-01 | 2022-08-01 | 一种适用于多无人机多目标航迹规划的粒子群优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115421508A CN115421508A (zh) | 2022-12-02 |
| CN115421508B true CN115421508B (zh) | 2024-06-18 |
Family
ID=84197341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210914913.9A Active CN115421508B (zh) | 2022-08-01 | 2022-08-01 | 一种适用于多无人机多目标航迹规划的粒子群优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115421508B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117109597B (zh) * | 2023-10-23 | 2023-12-29 | 北京卓翼智能科技有限公司 | 基于改进a星算法的无人机路径规划方法和装置 |
| CN118113068A (zh) * | 2024-03-01 | 2024-05-31 | 中国人民解放军海军工程大学 | 一种基于改进粒子群算法的无人集群航路规划方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109343569A (zh) * | 2018-11-19 | 2019-02-15 | 南京航空航天大学 | 多无人机集群自组织协同察打任务规划方法 |
| CN110413005A (zh) * | 2019-08-25 | 2019-11-05 | 西北工业大学 | 一种基于逆推法的多无人机协同航迹规划方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766254A (zh) * | 2018-07-27 | 2020-02-07 | 深圳市白麓嵩天科技有限责任公司 | 一种基于改进遗传算法的多无人机协同任务分配方法 |
| CN110442135B (zh) * | 2019-08-06 | 2020-08-21 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
| CN112230678B (zh) * | 2020-10-29 | 2023-07-14 | 皖江工学院 | 基于粒子群算法的三维无人机路径规划方法及规划系统 |
-
2022
- 2022-08-01 CN CN202210914913.9A patent/CN115421508B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109343569A (zh) * | 2018-11-19 | 2019-02-15 | 南京航空航天大学 | 多无人机集群自组织协同察打任务规划方法 |
| CN110413005A (zh) * | 2019-08-25 | 2019-11-05 | 西北工业大学 | 一种基于逆推法的多无人机协同航迹规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115421508A (zh) | 2022-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115421508B (zh) | 一种适用于多无人机多目标航迹规划的粒子群优化方法 | |
| CN103744290B (zh) | 一种多无人机编队分层目标分配方法 | |
| CN109871032A (zh) | 一种基于模型预测控制的多无人机编队协同控制方法 | |
| CN114413906A (zh) | 一种基于改进粒子群优化算法的三维轨迹规划方法 | |
| CN113724534B (zh) | 一种航班飞行轨迹多目标动态规划方法 | |
| CN110347181B (zh) | 基于能耗的无人机分布式编队控制方法 | |
| CN111506114B (zh) | 一种飞行器编队控制方法 | |
| CN113281993B (zh) | 一种贪心k-均值自组织神经网络多机器人路径规划方法 | |
| CN116859728A (zh) | 一种基于改进多目标粒子群算法的船舶动力定位系统推力分配方法 | |
| CN111882047A (zh) | 一种基于强化学习与线性规划的快速空管防冲突方法 | |
| CN113741199A (zh) | 一种基于智能网联信息的整车经济性速度规划方法 | |
| CN110928314B (zh) | 一种基于轨迹预测的纯跟踪模型改进算法 | |
| CN108255062A (zh) | 基于改进差分进化机理的动力定位节能推力分配方法 | |
| CN108763779A (zh) | 一种应用改进的粒子群算法对四旋翼无人机控制的方法 | |
| CN110716585B (zh) | 基于分布式一致性与自组网的自主协同控制方法及系统 | |
| CN116301028B (zh) | 基于吸气式高超声速平台的多约束在线飞行轨迹规划中段导引方法 | |
| 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 | |
| CN116880186A (zh) | 一种数据驱动的自适应动态规划空战决策方法 | |
| CN113997925B (zh) | 一种插电式混合动力系统能量管理方法 | |
| CN113721620B (zh) | 基于粒子群-遗传混合算法的车辆横向pid控制方法 | |
| CN112464557B (zh) | 基于改进型混合多目标pso的飞翼无人机冗余舵面控制方法 | |
| CN115657479A (zh) | 一种基于改进型动态mopso的飞翼无人机操纵面故障容错方法 | |
| CN112698666B (zh) | 一种基于气象栅格的飞行器航路优化方法 | |
| CN112487552B (zh) | 基于模糊聚类的飞翼无人机的包线划分以及增益调度方法 | |
| CN118363400B (zh) | 一种无人机有限时间编队集群协同决策与控制方法 |
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 |