下载文档原格式
DOI: 10.11991/yykj.202011008面向无人机路径规划的多目标粒子群优化算法苏子美，董红斌哈尔滨工程大学 计算机科学与技术学院，黑龙江 哈尔滨 150001摘 要：针对无人机路径规划中方案单一的问题，本文提出一种基于集分解的多目标综合学习粒子群优化算法框架(MOCS-PSO/D)，该算法使用基于分解的多目标优化框架(MOEA/D)，结合基于集的粒子群优化(S-PSO)和综合学习粒子群优化(CLPSO)，对CLPSO 和PSO 的速度更新公式进行改进，直接获得更多样的路径规划方案，同时可以降低调用无人机数量。
该算法将通过仿真实验与最近邻随机混合算法、遗传算法和基于集的综合学习粒子群优化算法(CS-PSO)对比，且在算法的收敛性、多样性上进行分析。
关键词：智能系统；无人机；路径规划；贪心策略；多目标优化；粒子群优化；进化算法；自适应中图分类号：U675.79 文献标志码：A 文章编号：1009−671X(2021)03−0012−10Multi-objective particle swarm optimization algorithmfor UAV path planningSU Zimei, DONG HongbinCollege of Information and Communication Engineering Harbin Engineering University, Harbin 150001, ChinaAbstract : Aiming at the problem of single scheme in UAV (Unmanned Aerial Vehicle) path planning, this paper proposes a multi-objective comprehensive learning particle swarm optimization algorithm framework based on set decomposition (MOCS-PSO/D). The algorithm uses the decomposition based multi-objective optimization framework (MOEA/D),combines set based particle swarm optimization (S-PSO) and comprehensive learning particle swarm optimization (CLPSO), so as to directly obtain more diverse path planning schemes, at the same time, in order to reduce the number of UAVs, the local search strategy is improved. The algorithm will be compared with the nearest neighbor random mixed hybridalgorithm, genetic algorithm and set based comprehensive learning particle swarm optimization (CS-PSO) through simulation experiments, and will be carried out in terms of convergence and diversity of solutions analysis.Keywords: intelligent system; UAV; path planning; greedy strategy; multi-objective optimization; particle swarm optimization; evolutionary algorithm; adaptive无人机路径规划的应用领域正变得越来越广。
1040 引言为了满足无人机航路规划问题的多重需求,避免锯齿形航迹,本文提出一种基于粒子群优化算法(PSO)的新方法,该算法具有粒子群搜索算法优良的搜索和更新能力,以及粒子群算法的适用性,实时动态规划。
由于PSO算法的最优解始终是离散的,因此易导致出现次优解。
PSO离散解决方案的额外随机性会导致计划的路径曲折,这些曲折的飞行速度很高,无法被遵循[1]。
为了提高PSO算法的性能,采用了Rauch-Tung-Striebel (RTS)滤波器与粒子群算法相结合的算法,相比于传统算法和粒子群优化算法,本文提出的算法具有更好的准确性和鲁棒性,并且在离散结果平滑中具有很大的实用性。
此外,RTS可以消除PSO算法计划的路径的额外随机性。
这样,通过RTS滤波器改进的PSO算法具有比PSO算法更好的性能, 并且可以为固定翼无人机提供平滑合理的飞行路径。
基于以上所述,基于改进粒子群优化算法,与其他现有算法相比,该方法获得了更好的解决方案。
本文的其余部分安排如下:第1节介绍了该方法的详细说明,第2节给出了实验结果,以及和其他算法的比较,最后,通过对结果的总结说明了结论。
1 方法介绍本节介绍了本文中使用的算法。
我们首先介绍了PSO算法,然后基于此,提出了一种改进的PSO算法。
1.1 粒子群优化算法(PSO)粒子群优化算法是人们通过鸟群捕食行为的研究演化而来。
其基本思想是通过群体中个体之间的协作和信息共享来寻找最优解[2]。
PSO算法假设鸟群中的鸟是一种无质量的粒子,该粒子具有位置和速度两个属性,其中位置代表移动的方向,速度代表移动的快慢。
单个粒子在自身的搜索空间中寻找最优解,并将其记为当前个体最优值。
将个体最优值与整个粒子群里的所有粒子共享,找到最优的那个个体最优值作为整个粒子群的当前全局最优解,所有粒子均根据当前自身最优值和其他粒子共享的当前全局最优值来调整自己的位置和速度。
1.2 改进粒子群优化算法与TSP问题的离散性不同,路径规划问题是在2维或3维空间中搜索最优连续路径。
基于粒子群优化算法的机器人路径规划1. 引言1.1 背景介绍随着工业自动化和智能化的发展，机器人技术在各个领域得到了广泛应用。
机器人路径规划作为机器人运动控制中的重要问题，对于提高机器人的运动效率和安全性具有关键作用。
传统的路径规划方法存在着计算复杂度高、收敛速度慢等问题，因此需要一种快速且高效的路径规划算法来解决这些挑战。
粒子群优化算法是一种基于群体智能的优化算法，模拟了鸟类觅食的过程，通过不断地调整粒子的位置和速度，最终找到全局最优解。
该算法具有并行搜索、全局寻优等特点，能够有效地解决复杂优化问题。
本文将探讨基于粒子群优化算法的机器人路径规划方法，在机器人运动控制领域具有重要的研究意义。
通过结合粒子群算法和路径规划技术，可以提高机器人在复杂环境下的路径规划精度和速度，为机器人的实际应用提供更加有效的支持。
1.2 问题提出在机器人路径规划领域，如何有效地设计算法以实现高效的路径规划是一个重要问题。
传统的路径规划算法往往存在局部最优解问题，导致路径规划结果不尽人意。
路径规划过程中可能会受到环境变化、障碍物等外界因素的影响，增加了路径规划的困难度。
本研究将探讨基于粒子群优化算法的机器人路径规划方法，在解决路径规划问题的也将探讨该方法在实际应用中的潜力和局限性。
希望通过本研究的探讨，为机器人路径规划领域的进一步发展提供有益的参考和启示。
1.3 研究意义机器人路径规划是机器人领域中的一个重要问题，也是一个具有挑战性的研究方向。
传统的路径规划算法在复杂环境下的效果并不理想，容易陷入局部最优解，导致路径规划的效率和准确度下降。
研究如何提高机器人路径规划的效果具有重要的意义。
研究基于粒子群优化算法的机器人路径规划具有重要的研究意义。
通过深入探究粒子群优化算法原理和机器人路径规划的基本概念，并结合实验设计和结果分析，可以更好地理解该方法在路径规划中的应用效果，为机器人路径规划领域的进一步发展提供有益的参考。
在未来的研究中，基于粒子群优化算法的机器人路径规划方法有望在实际应用中取得更多的成功，并为相关领域的研究和实践提供重要的支持和帮助。
无人机航迹规划群智能优化算法综述无人机在现代社会中的应用越来越广泛，其中无人机的航迹规划是其中非常重要的一部分。
为了优化无人机的航迹规划，群智能优化算法在无人机航迹规划中得到了广泛的应用。
本文将对无人机航迹规划群智能优化算法进行综述，分析其优势和不足，并展望其未来发展方向。
一、无人机航迹规划的意义无人机航迹规划是指无人机在飞行过程中根据其任务目标和环境条件确定其飞行路径和飞行高度的过程。
良好的航迹规划可以保证无人机飞行的安全性和效率性，并且能够有效地完成任务。
无人机航迹规划对于无人机系统的性能和实际应用具有重要的意义。
群智能优化算法是一类基于群体智能的优化算法，包括蚁群算法、遗传算法、粒子群算法等。
这些算法模拟了群体智能在自然界中的行为，通过群体智能的协同合作来寻找最优解。
在无人机航迹规划中，群智能优化算法能够帮助无人机寻找最优的飞行路径和飞行高度，从而提高飞行效率和任务完成质量。
1. 全局搜索能力强：群智能优化算法具有较强的全局搜索能力，能够在整个搜索空间中找到全局最优解，保证无人机航迹规划的全局最优性。
2. 鲁棒性好：群智能优化算法对于环境变化和噪声干扰具有一定的鲁棒性，能够保持较好的优化性能。
3. 易于并行化：群智能优化算法易于并行化，可以利用计算资源进行并行计算，提高计算效率。
4. 对于复杂问题适用性广：无人机航迹规划通常涉及到大量的约束条件和多个优化目标，群智能优化算法能够有效地处理这些复杂问题。
1. 算法参数选择困难：群智能优化算法中的参数设置对算法的性能有着重要的影响，但是对于不同的问题和环境，参数的选择并不是一件容易的事情。
2. 算法收敛速度较慢：在一些情况下，群智能优化算法的收敛速度较慢，不能够在有限的时间内找到满意的解。
3. 对初始解敏感：群智能优化算法对初始解非常敏感，初始解的选择可能会对最终结果产生较大的影响。
五、未来发展方向在未来，无人机航迹规划群智能优化算法的发展方向主要包括以下几个方面：1. 针对无人机航迹规划问题的特点，设计针对性的群智能优化算法，提高算法的适用性和性能。
基于粒子群优化算法的无人战斗机路径规划方法
张雷;王道波;段海滨
【期刊名称】《系统工程与电子技术》
【年(卷),期】2008(30)3
【摘要】对于无人机的路径规划问题,从和机器人路径规划问题的差别入手,通过粒子群优化算法对有限数目的采样航点的优化,使用高次B样条曲线拟合出满足路径最短且威胁最小的无人战斗机的飞行路径.研究了路径规划约束的数学模型、粒子构造方式和粒子的评价适应度函数.通过仿真对目前出现的基于粒子群优化算法的无人机路径的多项式拟合方法和所提出的基于B样条拟合的方法进行了比较.仿真结果表明,使用粒子群算法优化出来的B样条曲线比多项式拟合法和几何方法更加合理有效.
【总页数】5页(P506-510)
【作者】张雷;王道波;段海滨
【作者单位】南京航空航天大学自动化学院,江苏,南京,210016;空军装备研究院通信导航与指挥自动化研究所,北京,100085;南京航空航天大学自动化学院,江苏,南京,210016;北京航空航天大学自动化科学与电气工程学院,北京,100083
【正文语种】中文
【中图分类】V279;V37;TP301
【相关文献】
1.基于改进粒子群优化算法的路径规划方法研究 [J], 祖伟;李刚;齐正霞
2.基于混合遗传粒子群优化算法的层次路径规划方法 [J], 欧阳海滨;全永彬;高立群;邹徳旋
3.基于改进粒子群优化算法的牙齿正畸路径规划方法 [J], 徐晓强;秦品乐;曾建朝
4.基于改进混沌蜂群算法的无人战斗机路径规划 [J], 伍鹏飞;李涛;曹广旭;宋公飞
5.基于遗传-粒子群优化算法的USV路径规划方法 [J], 宫月红;张少君;王明雨;孟雄飞
因版权原因，仅展示原文概要，查看原文内容请购买。
２０１０年第４期（总第１３９期）ＣｈｉｎａＨｉ－ＴｅｃｈＥｎｔｅｒｐｒｉｓｅｓNO.4.2010（CumulativetyNO.139）在选择初级线径或者次级铜片厚度时。
图５是很有价值的。
这里的电流密度不是先前的５００圆密耳有效值安培。
因为先前的值通常会导致高频时，ｈ／Δ值很大，从图５可以看出，即Ｒａｃ／Ｒｄｃ很大。
经常选择直径较小的绕线或厚度较小的铜片，以使ｈＦ１姨／Δ不超过预定范围。
这样会增加Ｒｄｃ值，但由于Ｒａｃ／Ｒｄｃ减小了，Ｒａｃ也会减小，从而减小了铜损。
值得注意的是，在反激电路中，初级电流和次级电流不是同步的。
因此，将初／次级级绕组交错排列时不会产生邻近效应，只需根据“５００圆密耳每有效值安培”规则采用更少的层数并应用质量更好的绕线就可以了。
因为虽然此时直流阻抗增加了，但从图５可见，Ｒａｃ／Ｒｄｃ减小了。
参考文献[1]P.Dowell，Effects of Eddy Currentsin Transformer Wind－ings[J]．Proceedings IEE（U.K.），1966，（8）．[2]AbrahamI．Pressman Switching Power Supply Design （Second Edition）[M]．China，2006．[3]赵修科．开关电源中的磁性元件[M]．辽宁科学技术出版社，2002．摘要：文章首先将无人机航迹问题转换为多目标的TSP问题数学模型，建立了航迹规划问题的数学模型。
然后将轨迹规划问题转换成一个求最短路径的单目标的有约束的优化问题，针对这类问题的求解，采用了一种新的粒子群算法并利用软件编程求解。
最后验证了结果的可行性，同时讨论了结果的稳定性和收敛性。
关键词：多目标TSP问题；粒子群算法；航迹规划；无人机中图分类号：TP309文献标识码：A文章编号：1009-2374（2010）04-0011-02粒子群算法是一种基于生物种群中的个体生物对种群和个体本身的不同依赖程度而设计的智能优化算法，又简称ＰＳＯ。
基于改进的粒子群优化算法的无人作战飞机航路规划
王国栋;李明;陈希成;范彦铭
【期刊名称】《航空计算技术》
【年(卷),期】2007(037)004
【摘要】事先针对敌方防御区内的威胁部署和目标的分布情况,对无人作战飞机的飞行航路进行整体规划设计,可以综合减小被敌方发现和反击的可能性、降低耗油量,从而显著提高UCAV执行对地攻击(或侦察)任务的成功率.在对粒子群优化技术研究的基础上,将一种用于解决TSP的PSO算法加以改进,引入模拟退火的策略思想,借以克服PSO算法易陷局部最优的早熟现象,并在UCAV航路规划中加以运用.仿真实验表明,该算法简易而有效,用其优化出的航路能够满足UCAV飞行任务规划的需要.
【总页数】5页(P9-13)
【作者】王国栋;李明;陈希成;范彦铭
【作者单位】沈阳飞机设计研究所,辽宁,沈阳,110035;沈阳飞机设计研究所,辽宁,沈阳,110035;沈阳飞机设计研究所,辽宁,沈阳,110035;沈阳飞机设计研究所,辽宁,沈阳,110035
【正文语种】中文
【中图分类】TP18
【相关文献】
1.无人作战飞机在线航路规划算法 [J], 高瑞周;陈哨东;邹庆元
2.动态环境中无人作战飞机的滚动航路规划 [J], 杨遵;雷虎民
3.一种可用于AUV航路规划的改进粒子群优化算法 [J], 刘鲲
4.基于改进 ACO 算法的无人作战飞机航路规划设计 [J], 庄夏;戴敏;贺元骅
5.一种改进的粒子群优化算法及其在无人机航路规划中的应用 [J], 李鹏; 李兵舰; 亓亮; 陈凯翔; 李迪
因版权原因，仅展示原文概要，查看原文内容请购买。
