论文部分内容阅读
无人机任务规划是在一定的约束条件下,为无人机规划出最优航迹,并对无人机进行任务载荷的配置,以及测控链路的具体规划等。现代复杂战场环境中,无人机执行的任务趋于多样化,作战目标往往不止一个。而单架无人机往往能力有限,且毁伤率高,为此利用多架无人机针对多个目标执行任务成为必然趋势。多无人机协同任务规划需要额外考虑多无人机之间的协同约束条件,建立多架无人机与任务目标之间的对应关系,并规划出每架无人机从起飞点到目标点的航迹,并实现协同航迹最优。多无人机协同任务规划实质是在满足多约束条件下,建立最优化模型,并利用最优化求解算法求目标函数的最优解,即从所有可选方案中选择最优方案。多无人机多目标分配与多无人机协同航迹规划是多无人机任务规划的两个主要方面。另外,直接通过航迹规划算法得到的三维航迹往往无法满足无人机机动性能要求,必须进行航迹优化后才能得到可行的航迹。本文围绕三维多无人机协同任务规划问题,从多无人机多目标分配、三维多无人机协同航迹规划、以及三维航迹优化三方面展开研究,主要工作包括:1.建立了多无人机多目标分配问题最优化模型,提出一种求解该模型的的改进遗传算法。针对多无人机多目标分配建模中构造目标函数时考虑因素较单一的问题,以无人机飞行距离、飞行时间和目标执行次序为约束,综合考虑航程代价、时间代价和战场环境威胁代价构建目标函数。考虑多无人机与多目标之间分配的复杂情况,建立了多目标分配的最优化模型。通过对遗传算法的改进来求解目标分配问题。通过对初始种群构造和更新策略的改进,以及罚函数的引入,提高了算法的求解性能。最后通过仿真实验验证了该优化模型的通用性以及改进遗传算法算法在效率、性能方面的优势。2.建立了三维多无人机协同航迹规划问题最优化模型,提出一种混合遗传蚁群算法。考虑航迹规划中飞行条件、飞行时间等约束条件,对三维多无人机协同航迹规划问题进行最优化建模。在遗传算法以及蚁群算法的基础上,提出了一种混合遗传蚁群算法。通过算法混合、环路去除操作、状态转移反向选择等策略,提高了算法的效率,扩大了搜索范围,有效避免陷入局部最优。仿真实验对比了混合遗传蚁群算法与遗传算法和蚁群算法的性能,证明混合遗传蚁群算法具有更好的效果,适用于三维空间中的多架无人机协同进行航迹规划的问题。3.提出了基于三次B样条曲线的航迹优化方法。针对三维航迹规划得到的初始航迹无法满足无人机机动性能要求的问题,提出了基于三次B样条曲线的航迹优化方法。从实际出发,考虑无人机飞行最小转弯半径和最大爬升角两项约束条件,利用三次B样条曲线拟合来进行航迹优化。通过仿真实验对航迹优化效果进行了验证,证明该方法能够有效地对三维航迹进行优化。