论文部分内容阅读
目前无人机在部分作战场景中已经可以替代有人作战武器,承担特定的侦察和打击任务。在执行复杂环境下的作战任务时,一个真实可行的战场环境,作为任务的前提和基础,可以为之后的航迹规划算法提供真实可靠的信息,而在此基础上设计的航迹规划算法的仿真实验可以为真实无人机作战有着更好的借鉴和启发作用。本文在充分考虑威胁模型的基础上,以设定的任务为目标导向,考虑到无人机自身的性能特点,主要针对威胁参数的选取,以及多威胁下的无人机单机侦察/打击任务的航迹规划算法的优化设计进行了研究。通过对多威胁环境下的无人机航迹规划优化算法进行仿真和分析,验证了算法的有效性。本文的研究内容主要有以下方面:(1)提出基于专家组评价和威胁特性的模糊逻辑优化的威胁参数选取方法。并基于该方法,采用扩展Voronoi图的方式设计了多威胁环境下的数字威胁地图。首先是明确复杂环境中的各类要素组成,将无人机任务中面对的各类威胁进行分类讨论。然后,为了更好反映威胁源的威胁能力,提出了基于多位专家的专家组评价和威胁能力的多参数模糊优化方法,对无人机航迹规划中可能涉及的各类威胁源进行模糊优化处理,使最后得到的威胁模型更加可靠,更符合实际中的威胁能力。(2)在给定的多威胁环境的基础上,提出采用已知威胁和燃油代价形成的多目标代价约束下的基于Dijkstra的改进航迹规划算法,用来执行无人机单机侦察任务的静态规划方法。针对目前求解两点间的最优路径算法:Dijkstra算法进行深入研究,并根据设计的多威胁环境通过建立多目标约束代价函数的方式进行改进设计。仿真结果验证了采用的多约束代价函数的Dijkstra算法能够有效的为在多威胁源的复杂环境下执行侦察任务无人机规划出在多约束条件下的威胁代价最小的路径规划。(3)为弥补Dijkstra算法的收敛速率慢的缺点,提出一种基于给定的复杂环境下的Dijkstra-ACO融合改进航迹规划算法,用来执行无人机单机侦察/打击任务的静态规划方法。利用蚁群算法与Dijkstra算法进行融合改进,将Dijkstra算法由于自身易发散导致的收敛速率较低的问题,以及蚁群算法易陷入局部最优的问题通过把Dijkstra算法得到的初始航迹,并基于得到的初始航迹路线,通过改进蚁群算法的启发函数与信息素更新公式的方式进行解决。并将Dijkstra与Dijkstra-ACO融合算法进行了仿真实验对比分析,实验结果表明,在同一威胁地图的条件下,Dijkstra-ACO融合算法具有更好的收敛效率。(4)针对多威胁源下的复杂环境特点,基于提出的于Dijkstra-ACO算法,针对不完全信息条件下的复杂环境的无人机在线航迹规划算法,作为无人机在复杂环境下执行任务的补充和完善。由于存在各种主客观原因导致无人机不能在开始执行任务时就已经完全探知战场环境,因此为了进一步的提高威胁模型对真实战场环境的仿真程度,验证Dijkstra-ACO算法的有效性,针对局部信息未知的环境下的无人机在线航迹规划算法进行了设计仿真,通过仿真结果分析,证明了算法的可靠性。