针对传统蜉蝣算法在求解无人机航迹规划存在稳定性差、精度低、收敛速度慢, 且容易陷于局部最优等问题, 提出了一种应用于无人机航迹规划的多策略改进蜉蝣算法。首先, 建立代价函数模型和环境模型, 将无人机航迹规划问题转变为满足无人机可行航路要求和航路安全约束的优化问题;其次, 基于莱维(Lévy)飞行原理对粒子种群(PSO)初始化, 通过采用自适应t分布和基于Pareto原理的精英保留策略对传统蜉蝣算法进行改进;最后, 通过仿真实验验证了所提算法。结果表明: 改进的蜉蝣算法的性能优于传统蜉蝣算法和粒子群算法, 且规划出的航迹质量较高。

针对无人机传统的航迹规划方法存在求解效率低、适用范围窄的问题, 提出一种考虑全局和局部规划相耦合的航迹规划方法。首先, 提出几何航迹碰撞检测法以改进跳点搜索(JPS)算法, 提升无人机在全局环境中航迹规划能力; 其次, 提出一种耦合策略的航迹规划框架, 通过将无人机全局航迹信息与动态窗口局部航迹信息进行耦合, 扩展动态窗口法的评价子函数, 确保无人机在动态环境中具备灵活的避障能力; 最后, 通过仿真实验论证了所提改进JPS算法在全局搜索时间、航迹距离和航迹转折点数目等方面较现有方法的优势, 验证了耦合算法在动态环境中的稳定避障能力。

针对标准蝗虫优化算法(GOA)搜索精度低、容易得到局部最优解和稳定性差的不足, 提出一种基于互利共生与混合变异策略的改进GOA。首先, 引入一种针对收敛因子的非线性重构方法, 均匀算法全局搜索与局部开发, 设计一种基于高斯-柯西分布的个体混合变异机制, 有效避免局部最优解;再引入一种互利共生策略, 增强个体多样性, 提升算法全局寻优能力; 然后, 建立了UAV路径规划的代价模型, 并将路径规划转化为多维函数优化问题, 利用改进GOA求解路径规划问题, 以综合考虑威胁代价和能耗代价的目标函数评估个体位置的适应度, 迭代求解最优路径, 并引入B样条曲线对最终散点串连路径作平滑处理。实验结果表明, 改进算法具有更高的搜索精度, 求解路径可以成功规避所有威胁区域, 对车联网(IOV)中的路径规划问题具有较好的参考意义。

在战时无人机多目的地物资运输任务中, 因其复杂的环境和多变的物资需求, 存在目的地决策困难和航迹规划实时性要求高的问题。为了解决这一问题, 提出一种基于蚁群决策与滚动控制的多目的地航迹规划方法。该方法借助蚁群算法中的寻优机制, 建立以最小损耗为目标的多目的地决策函数; 此外, 采用基于扩充解的滚动时域控制(RHC_eS)法, 采取边走边决策的策略, 进行多目的地航迹规划; 最后, 为了验证该方法的有效性, 在带有障碍物的多目的地环境下进行实验。结果表明, 与其他方法相比, 所提方法具有规划航路短、产生损耗小的优越性能。

针对无人机在三维空间里的航迹规划问题, 从加快收敛速度和保证收敛效果的角度, 对标准人工鱼群算法进行改进。首先, 引入自适应视野和自适应步长的改善因子α, 加快算法的收敛速度; 然后, 设定最小视野和最小步长, 保证算法的搜索能力; 最后, 增加跳跃行为, 确保算法在后期可以跳出局部最优。通过软件进行算法的仿真和对比验证, 仿真实验结果表明, 算法在搜索初期具有较快的搜索速度和较好的收敛效果, 搜索后期可以跳出局部最优, 算法的有效性得到验证; 对比实验结果表明, 算法在搜索后期, 最佳适应度有所改善, 算法的优越性得到验证。

针对当前无人机集群协同侦察目标规模小、易重复侦察、不考虑能量约束而导致侦察效能低等问题, 提出了一种基于能量约束的集群协同侦察多目标航迹规划算法。首先, 对无人机任务过程中所需的各种能量进行建模, 定量分析了飞行能量、悬停能量和数据传输能量的消耗; 然后, 借鉴图论思想对集群的侦察区域和侦察目标进行建模, 在能量约束条件下构建了一种新的航迹规划算法模型, 旨在对无人机集群航迹进行协同优化, 降低集群整体能量消耗。仿真结果表明, 该算法在能量消耗和侦察时间等方面都明显优于典型的轨迹距离算法, 在10架无人机侦察100个目标情况下, 能量消耗降低了48%, 其侦察效率较高, 收敛速度更快。

针对快速搜索随机树(RRT)算法在航迹规划过程中存在采样点扩展随机性强、航迹曲折不平滑等问题, 提出了一种基于约束随机采样点的RRT(Constrained Random Sampling-based RRT, CRS-RRT)算法。该算法引入人工势场法中的引力场势能函数约束随机采样点在目标点附近采样, 引导随机树朝着目标点生长, 提高算法的规划速度,并结合去除冗余节点策略和Minimum Snap航迹平滑方法, 在复杂三维环境中可快速生成一条安全、平滑且满足无人机动力学约束的航迹。仿真结果表明, 该算法有效提高航迹规划速度并缩短航迹长度。

近几十年, 渐近最优快速搜索随机树(RRT*)算法受到广泛关注。为了解决其收敛速度慢、生成路径代价高的问题, 提出一种改进APF(Artificial Potential Field)-Informed-RRT*融合算法进行无人机航迹规划。该算法结合Informed采样策略, 将随机点约束在椭圆空间内, 提高搜索效率。当新算法找到最近节点后, 引入改进APF生成高质量的新节点。目标点及随机采样点对生长树的最近节点产生吸引力, 障碍物对其产生排斥力, 然后将合力方向作为随机树生长方向, 解决局部最小值的问题, 大大缩短了收敛时间。将该算法与RRT*, Informed-RRT*算法进行比较, 结果表明了新算法的优越性和有效性。

针对三维复杂环境下高时效规划无人机航迹问题, 提出一种改进的双向A*算法。设计扇面搜索域, 减少计算开销; 动态调整启发函数权重, 优化代价函数, 提高搜索效率; 引入关键节点筛选策略, 消除航迹中的冗余点, 生成全局最优静态航迹。就飞行航迹中出现的动态避障问题, 设计动态避障航迹最短优化目标函数, 提出基于变分法的动态避障算法, 考虑航迹容忍度, 实现局部航迹在线调整和优化。仿真结果表明, 设计的航迹规划算法不仅能在复杂环境下高时效规划出一条期望航迹, 还能对突发威胁动态避障。

针对无人机在复杂环境下受到多种威胁时的航迹规划问题, 提出一种改进的基于球面向量的粒子群优化算法(ISPSO)。利用融合压缩因子和异步变化学习因子的ISPSO算法, 通过粒子位置和速度同无人机转角和爬升角的对应关系, 高效地搜索无人机的构形空间, 找到成本函数最小的最优路径。为了评估ISPSO的性能, 从真实的数字高程模型地图中生成2个基准场景, 仿真结果表明, 该算法优于基于球面向量的粒子群算法。