论文部分内容阅读
伴随着固定翼无人飞行器(Unmanned Aerial Vehicle,UAV)技术的不断发展、革新和应用,UAV对能源、通信和保障系统的依赖性越来越强,且其任务空间变得更加复杂,因此需要更加高效的飞行航迹以适应复杂多变的任务空间。UAV的飞行航迹决定了能量消耗、编队协同、威胁规避和对保障系统的依赖性,是UAV顺利完成任务的有效保障。在此背景下,本文对UAV航迹规划算法展开调研,并针对UAV的飞行航迹规划、编队飞行队形保持和多任务分配问题,分别提出了基于改进PSO算法的航迹规划算法、基于改进APF算法的编队航迹规划算法和基于改进蚁群算法的多任务分配算法等,主要包含括了以下几个方面:针对复杂任务空间下UAV航迹规划问题展开了调研与分析,提出了一种基于Metropolis准则和RTS平滑算法改进的PSO算法的航迹规划算法。首先针对UAV航迹规划问题,构建了任务空间数字地图,引入了航迹规划模型及航迹表示模型,设计了航迹约束模型,提出了新的适应度函数,并提出了基于改进PSO算法的航迹规划算法。由于PSO算法形式简单、搜索速度快,将PSO算法用于航迹规划算法的基础算法,并引入Metropolis准则作为新的接受策略,以保证PSO算法的全局收敛性,避免PSO算法陷入局部最优问题;并引入RTS平滑算法对所规划航迹予以平滑处理,以期为UAV提供切实可行的平滑航迹,避免规划出曲折难行的航迹。除此之外,针对复杂任务空间突发威胁情况,提出了基于航迹规划算法的实时在线航迹规划算法(LPSO)。最后经过仿真分别证明了所提出的航迹规划算法的有效性和相对于其他算法的优异性,并对实时在线航迹规划算法在面对突发威胁的情况时的有效性进行了验证。针对UAV编队航迹规划问题,设计了基于Leader-Follower结构和改进APF算法的编队航迹规划算法。首先针对UAV编队飞行问题,引入了编队队形数学模型,其中Leader-Follower结构中主机(Leader)航迹采用本文所提出的航迹规划算法规划;针对僚机的航迹规划则主要基于改进APF算法,算法引入变步长设计,促使僚机能够实现对主机的队形保持,并能够有效避免航迹交叉和重叠。在对4机编队和16机编队分别进行航迹仿真后,验证了所提出的面向UAV编队的编队航迹规划算法的有效性和合理性。针对UAV在复杂任务空间中所面临的多任务分配问题,提出了基于改进蚁群算法的多任务分配算法。首先针对适用于UAV的多任务分配问题展开调研与分析,构建了相应的编队数学模型及综合态势评估函数,并引入AHP算法以实现对评估权值的定性、定量分析;针对多任务分配问题离散型的特点,采用蚁群(Ant Colony Optimization,ACO)算法作为多任务分配算法的基础算法,针对ACO算法在局部搜索能力的欠缺,采用2-Opt算法改善了ACO算法的局部搜索能力,设计了基于改进ACO算法的多任务分配算法。最后设计了两个算例验证了本文所提出的多任务分配算法的有效性和合理性。