毕业论文网
本文关于无人机论文范文,可以做为相关论文参考文献,与写作提纲思路参考。
群体智能算法在无人机路径规划的应用
孙浩磊 沈阳理工大学
在无人机技术研究中路径规划是十分重要的一部分,进行无人机路径规划首先需要去建立一个模拟真实环境的数字地图.
由于无人机实际飞行的环境十分复杂,因此需要将各种自然环境因素以及战场威胁因素融入数字地图当中,本文研究的第二个问题是依据建立的数字地图进行无人机快速高效路径规划.
群体智能算法通过研究生物群体协作关系对相关问题进行求解数值.在无人机路径规划中,通过使用这些智能算法,可以简化问题复杂度,实现所需效果.
一、数字地图的建立
在无人机进行路径规划之前,我们需要对地形信息进行模拟,可以通过数字地图的方式进行环境构建.在二维空间的数字地图当中,我们首先设定起始终止位置,通过栅格法进行空间划分,将问题域作为九宫格处理,通过选择当前节点的相邻八个路径点进行无人机路径规划,将飞行环境内的威胁以及其他信息采用数字融合方式构建综合信息地形图.
在整个飞行路径规划当中,需要通过算法将综合代价调至最低,油耗随着航程的增加而增加.
无人机的航迹总代价可以表示为：
min W 等于min.
其中 W 为优化的目标函数 , L 为路径长度；
∑ [δw(s)]ds等于δ 0 w 0 (s)+ δ M w M (s)+ δ A w A (s)+ δ C w C (s)+ δ T w T (s)+ δ Hw H (s),
在上式中的各项 w 前系数是人为定义的各威胁权重.通过改变不同威胁代价的系数,不仅实现将仿真数字地图信息趋于真实环境,并且将数字地图的威胁等级进行划分.
二、 群体智能算法
2.1 人工鱼群算法
人工鱼群算法主要是用来模拟鱼群的寻找食物行为,通常我们可以发现往往营养丰富的地方会有大量的鱼类聚集,此算法正是通过集群行为进行寻优计算.
通过鱼群的三大基本行为,觅食、聚群以及追尾对问题优劣比较以及局部个体极值寻优计算,进行快速收敛,从而计算出全局最优值.
2.2 PSO 算法
通过观察鸟类捕食行为获得启发,粒子群算法基于此类行为,进行问题解空间最优位置搜索.在计算过程中,不断对各个粒子的个体最优位置与粒子群全局最优位置进行比较,以此为依据,不断动态调整粒子位置与速度,最终获取最优位置.
在航迹规划问题中,每条可能的航迹被初始化为一个粒子,在搜索空间中移动,粒子携带参数较多,搜索速度较慢,但航迹精度高.
算法分析：
确定问题维度 n,粒子群个数为 m, 种群中的第 i 个粒子位置可以表示为 X等于{ x i 1 ,… x i 2 ,…, x in }T ,对应有每个粒子的速度是 v i 等于{ v i 1 ,… v i 2 ,…, v in }T .粒子的个体极值记为p i ,种群的整体极值记为 p g ,依据下式对粒子的位置和速度进行计算：
v id 等于 v id ( t ) + c 1 r 1 ( v id ( t ) - x id ( t ) )+ c 2 r 2 ( p gd ( t ) - x gd ( t ) ),
x id ( t +1) 等于 x id ( t ) + v id ( t +1) ,
其中, d 等于1,2,…, n,i 等于1,2,…, m ,其中 t 表示迭代的当前次数, r 1 与 r 2 的取值为 0 到 1 之间. c 1 , c 2 被称为加速度常数,正常取值为 2.
虽然利用传统粒子群算法可以进行无人机航迹规划,但是由于粒子群算法在路径规划问题上容易陷入局部最优,导致无法找到最终目标点即目的地.人工鱼群算法是一种较好的全局优化算法,在这里我们将两种算法进行结合,算法中引入一个惯性权重 ω 到速度更新公式,更新后公式如下：
v id ( t +1) 等于 wv id ( t ) + c 1 r 1 ( p id ( t ) - x id ( t ) )+ c 2 r 2 ( p gd ( t ) - x gd ( t ) ).
在算法初期人工鱼群分布随机,视野范围比较大,w 值的设置也比较大,能够实现快速收敛,随着算法的逐步迭代,鱼群分布相对集中, w 值随之减少,此策略有利于降低算法执行时间以及提高准确性.
三、结语
本文使用人工鱼群和粒子群混合算法,通过人工鱼群算法不断更新粒子位置和速度, 对算法全局搜索能力进行提高、加快最优路径规划速度.
无人机论文范文结:
关于对写作无人机论文范文与课题研究的大学硕士、相关本科毕业论文无人机论文开题报告范文和相关文献综述及职称论文参考文献资料下载有帮助。