论文部分内容阅读
随着科学技术的发展,无人机以其灵活、轻便、隐蔽性强的特点在现代战场发挥越来越重要的作用。完善的任务规划系统是无人机完成任务的前提保障,而航迹规划是其任务规划系统的核心部分。群体智能算法以良好的鲁棒性和灵活性等优势,成为航迹规划问题目前最广泛研究的算法。利用群智算法进行航迹规划存在收敛速度较慢,容易陷入局部最优等问题。针对以上问题,利用群体智能算法进行航迹规划是非常有意义的。首先对无人机的航行空间进行数字地图建模,将现实世界的环境信息转化为可表达的数学模型,分析了无人机自身约束条件以及完成航迹规划的目标函数。针对基于人工蜂群算法(Artificial Bee Colony,ABC)的无人机三维航迹规划容易陷入局部最优,全局搜索性能不强,收敛性较差的问题,对人工蜂群算进行分析,提出一种基于蒙特卡洛准则的人工蜂群算法(Metropolis Artificial Bee Colony,M-ABC),引入更具有关联性的种群初始化方法和蜂群领域按步长的搜索策略,利用轮盘赌与反轮盘赌的并行选择机制进行蜜源选择,通过蒙特卡洛(Metropolis)准则开发蜜源潜力。增强算法在航迹规划时航迹点间的关联性,保证了算法活力的持续性,避免了忽略潜力蜜源过度关注优秀蜜源导致的开发性能较差。通过仿真实验分析,与ABC算法相比,可以实现收敛更快、综合代价更小的航迹路线。其次,针对无人机航迹规划领域的传统人工智能算法稀疏A*算法(Sparse A*Search,SAS)进行改进研究,提出了一种双向搜索稀疏A*算法(Bi-directional Sparse A*Search,Bi-SAS)算法。针对SAS算法在进行航迹规划时存在的维数爆炸问题与搜索空间冗余问题进行分析研究,在SAS算法基础上提出一种带权重的新的代价函数,并采用从起始点到目标点正反两个方向的双向搜索策略。与SAS算法相比,简化了OPEN集,缩短了规划时间,很大程度提高了算法的执行效率。最后,针对多无人机协同航迹规划问题,提出了基于M-ABC与Bi-SAS算法融合的算法。并建立一种双层规划机制,首先利用提出的融合算法进行单机航迹规划获得多条备选航迹,再根据建立的时空约束条件扩展到多机协同航迹规划。仿真表明该算法不仅解决了SAS算法的避障性能不强的问题,也改善了ABC算法的过早收敛问题,证明两种算法结合的有效性和可行性。并在建立的时间约束下完成了多机的同时到达和间隔到达的任务。