针对动态不确定战场环境下多无人机对多区域、多目标的协同察打任务规划过程中存在的信息不确定、任务多约束及航迹强耦合的多目标优化与决策问题,结合Dubins航迹规划算法,提出了一种融合多种改进策略的灰狼优化算法(grey wolf optimiza...针对动态不确定战场环境下多无人机对多区域、多目标的协同察打任务规划过程中存在的信息不确定、任务多约束及航迹强耦合的多目标优化与决策问题,结合Dubins航迹规划算法,提出了一种融合多种改进策略的灰狼优化算法(grey wolf optimization algorithm incorporating multiple improvement strategies,IMISGWO).首先,针对动态环境带来的无人机巡航速度及察打任务消失时间的不确定性,基于可信性理论建立了以最大化任务收益为指标的任务规划数学模型;其次,为实现该问题的快速求解,设计了初始解均匀分布、个体通信机制调整、动态权重更新和跳出局部最优等策略,提升算法解搜索能力;最后,构建了多无人机察打一体典型任务仿真场景,通过数字仿真以及虚实结合半实物仿真试验验证了算法的可行性和有效性.仿真结果表明:算法在求解不确定环境下耦合航迹的多无人机察打一体任务规划问题时,能够生成多机高效的任务执行序列和满足无人机飞行性能约束的飞行轨迹,且能够适用于无人机数量增加导致问题复杂度增加情形下此类问题的求解.展开更多
针对多目标狼群算法存在的搜索不充分、收敛性不足和多样性欠缺的问题,以及缺少对约束进行处理的问题,提出环境选择的双种群约束多目标狼群算法(multi-objective wolf pack algorithm for dual population constraints with environment...针对多目标狼群算法存在的搜索不充分、收敛性不足和多样性欠缺的问题,以及缺少对约束进行处理的问题,提出环境选择的双种群约束多目标狼群算法(multi-objective wolf pack algorithm for dual population constraints with environment selection,DCMOWPA-ES)。引入双种群约束处理方法给种群设置不同的搜索偏好,主种群运用可行性准则优先保留可行解,次种群通过ε约束探索不可行区域并将搜索结果传递给主种群,让算法能较好应对复杂的不可行区域,保障算法的可行性;提出维度选择的随机游走策略,使人工狼可自主选择游走方向,提高种群的全局搜索能力;设计精英学习的步长调整机制,人工狼通过向头狼学习的方式提升种群的局部搜索能力,确保算法的收敛性;采用环境选择的狼群更新策略,根据人工狼被支配的情况和所处位置的密度信息对其赋值,选择被支配数少且密度信息小的人工狼作为优秀个体,改善算法的多样性。为验证算法性能,将DCMOWPA-ES与六种新兴约束多目标优化算法在两组约束多目标测试集和汽车侧面碰撞设计问题上进行对比实验。实验结果表明,DCMOWPA-ES算法具备较好的可行性、收敛性和多样性。展开更多
针对复杂城市环境下无人机目标打击问题,引入一种基于电鳗觅食优化算法的无人机目标打击方法。该方法首先设置稀疏环境无敌防守和密集环境有敌防守2种场景并设计相应的约束条件和航迹优化代价函数以符合城市环境飞行需求,然后通过电鳗...针对复杂城市环境下无人机目标打击问题,引入一种基于电鳗觅食优化算法的无人机目标打击方法。该方法首先设置稀疏环境无敌防守和密集环境有敌防守2种场景并设计相应的约束条件和航迹优化代价函数以符合城市环境飞行需求,然后通过电鳗觅食优化算法(electric eel foraging optimization,EEFO)为无人机规划出一条合理的目标打击轨迹,最后得到其飞行轨迹和适应度值,并与SO,SCA,WOA,MFO,HHO 5种算法进行对比。实验结果表明,在稀疏环境无敌防守场景下EEFO算法比其他五种算法具有更高的轨迹规划效率和稳定性,消耗的航迹代价最小且收敛更快;在密集环境有敌防守场景下EEFO算法与其他5种算法相比,所规划出的目标打击轨迹最优且消耗的航迹代价收敛趋势更好,任务完成度最高,具有更好的表现。展开更多
文摘针对多目标狼群算法存在的搜索不充分、收敛性不足和多样性欠缺的问题,以及缺少对约束进行处理的问题,提出环境选择的双种群约束多目标狼群算法(multi-objective wolf pack algorithm for dual population constraints with environment selection,DCMOWPA-ES)。引入双种群约束处理方法给种群设置不同的搜索偏好,主种群运用可行性准则优先保留可行解,次种群通过ε约束探索不可行区域并将搜索结果传递给主种群,让算法能较好应对复杂的不可行区域,保障算法的可行性;提出维度选择的随机游走策略,使人工狼可自主选择游走方向,提高种群的全局搜索能力;设计精英学习的步长调整机制,人工狼通过向头狼学习的方式提升种群的局部搜索能力,确保算法的收敛性;采用环境选择的狼群更新策略,根据人工狼被支配的情况和所处位置的密度信息对其赋值,选择被支配数少且密度信息小的人工狼作为优秀个体,改善算法的多样性。为验证算法性能,将DCMOWPA-ES与六种新兴约束多目标优化算法在两组约束多目标测试集和汽车侧面碰撞设计问题上进行对比实验。实验结果表明,DCMOWPA-ES算法具备较好的可行性、收敛性和多样性。
文摘针对复杂城市环境下无人机目标打击问题,引入一种基于电鳗觅食优化算法的无人机目标打击方法。该方法首先设置稀疏环境无敌防守和密集环境有敌防守2种场景并设计相应的约束条件和航迹优化代价函数以符合城市环境飞行需求,然后通过电鳗觅食优化算法(electric eel foraging optimization,EEFO)为无人机规划出一条合理的目标打击轨迹,最后得到其飞行轨迹和适应度值,并与SO,SCA,WOA,MFO,HHO 5种算法进行对比。实验结果表明,在稀疏环境无敌防守场景下EEFO算法比其他五种算法具有更高的轨迹规划效率和稳定性,消耗的航迹代价最小且收敛更快;在密集环境有敌防守场景下EEFO算法与其他5种算法相比,所规划出的目标打击轨迹最优且消耗的航迹代价收敛趋势更好,任务完成度最高,具有更好的表现。
