导读:本文包含了多机协同规划论文开题报告文献综述及选题提纲参考文献，主要关键词:蚁群算法,无人机,任务协同,传感器
多机协同规划论文文献综述
鲁丰玲[1]（2019）在《基于蚁群算法的无人机舰机协同任务规划》一文中研究指出随着近年来计算机与无人控制技术的不断发展,无人机逐渐成为军事作战领域中不可缺少的战略力量,舰载无人机技术已经成为打击、侦察等任务的重要手段。本文研究的重点是无人机舰机任务的协同与控制技术,充分结合蚁群算法和传感器技术等,实现了舰载无人机与舰船的任务协同控制。后期的大量试验数据表明,基于蚁群算法的无人机舰机协同具有良好的效果。(本文来源于《舰船科学技术》期刊2019年18期）
曹如月,李世超,季宇寒,徐弘祯,张漫[2]（2019）在《基于蚁群算法的多机协同作业任务规划》一文中研究指出为了实现对农田动态环境中多机协同导航作业的调度管理,开展了基于蚁群算法的多机协同作业任务规划研究。将多机协同作业任务规划分为2个环节:任务分配和任务序列规划。首先,采用全局与局部相结合的方法,综合考虑路径代价和任务执行能力,建立了多机协同作业任务分配模型;然后,通过对比分析任务序列规划问题和旅行商问题,利用蚁群算法建立了农机作业的任务序列规划模型;最后,利用Matlab平台对基于蚁群算法的任务序列规划进行了仿真试验,根据涿州试验农场的实际地块信息,设置多组不同的任务集合,分析蚁群算法优化路径、各代最佳路径长度和平均长度以及适应度进化曲线。仿真结果表明,基于蚁群算法进行任务序列优化可以有效地降低路径代价,提高作业效率,算法运行时间均小于1 s,满足多机协同作业的实时性需求。(本文来源于《农业机械学报》期刊2019年S1期）
庞强伟,胡永江,李文广,赵月飞,褚丽娜[3]（2019）在《多无人机协同侦察任务规划方法研究综述》一文中研究指出由于军事侦察任务的复杂性不断提高,且侦察方式逐渐向多无人机协同的方向发展,而任务规划是无人机执行侦察任务的关键技术,因此研究多无人机协同侦察任务规划方法具有重要意义。根据侦察对象的不同将其分为"点对点"协同侦察和"点对面"协同侦察两种任务模式。对于"点对点"协同侦察,对其目标分配算法与航迹规划算法的原理、优势与不足及改进方法进行了分析,介绍了航迹平滑的常用方法。对于"点对面"协同侦察,从环境信息是否可知的角度对当前的侦察方法进行了分析并总结。最后指出了未来多无人机协同侦察的发展趋势为多无人机携带多种载荷对环境未知的区域进行多角度覆盖侦察。(本文来源于《电讯技术》期刊2019年06期）
杜健健[4]（2019）在《多无人机协同侦察任务规划器的设计与实现》一文中研究指出在现代战争中,无人机由于其作战时间长、可靠性高等优点,在战场侦察中发挥着越来越重要的作用。而单无人机由于多种限制往往难以实现对所有目标进行侦察,因此,通常采用多无人机进行协同侦察。在军事领域,规划器是验证军事规划方案的重要工具,无人机侦察目标前通常采用规划器进行模拟验证,而如何设计实现合理的多无人机协同侦察任务规划器是当前急需解决的问题。本文首先对多无人机协同侦察任务规划问题进行描述,然后对遗传算法、蚁群算法以及蝙蝠算法进行了深入分析。通过对传统蝙蝠算法增加惯性权重以进行改进,同时对解的形式采用2N维编码方式来表示。分别对遗传算法、蚁群算法和蝙蝠算法进行实验验证,并对实验结果进行了比较分析,证明了改进后的蝙蝠算法在求解多无人机协同侦察任务规划问题上的优越性,为多无人机协同侦察任务规划器提供了合理的任务规划技术。考虑到多无人机协同侦察任务规划是一种初始的理想规划,模拟实体不具备智能性,本文利用Agent技术,采用混合型Agent模型结构,对多无人机协同侦察模拟实体进行模拟实体建立,并对模拟实体增加规则描述和处理,使其具有智能性。同时,为保证计算机对规则的读取,利用XML对规则进行存储,并设计AgentMain类,所有模拟实体均对AgentMain类进行继承和修改,提高了系统的可重用性,为多无人机协同侦察任务规划器设计了智能模拟实体。最后,本文针对传统的规划器结构存在的问题,利用改进的B/S架构对多无人机协同侦察任务规划器进行设计与实现,提高了系统的安全性、可靠性,降低了系统耦合性,并提升了系统性能。同时,结合多无人机协同侦察想定的模拟场景进行模拟实验,通过实验过程和结果分析,证实本文多无人机协同侦察任务规划算法的正确性、规则的合理性以及任务规划器的可靠性。(本文来源于《南京航空航天大学》期刊2019-06-01）
樊龙涛[5]（2019）在《基于强化学习的多无人机协同任务规划算法研究》一文中研究指出随着无人机技术的蓬勃发展,无人机的应用范围得到了极大地拓展。多无人机协同作战作为未来无人机主要的作战方式,得到了众多学者的广泛关注。一个良好的多无人机协同任务规划方法,能够显着地提升多无人机之间的资源利用效率,提升多无人机的生存概率,对多无人机完成任务具有重要的意义。然而多无人机协同任务规划问题是一个复杂问题,仅仅依靠设计者的经验和知识,很难获得多无人机在复杂环境下的良好适应性。强化学习算法作为实现多无人机复杂坏境下良好适应性的一条可行技术路线,已经在游戏、围棋、机器人控制领域等人工较难掌握任务的学习中取得了良好的成效。针对多无人机协同侦察以及协同作战的任务规划问题,本文分别以自顶向下、自底向上的方式,并结合强化学习方法为主要优化工具,对问题进行了求解。首先从自顶向下的方式研究了多无人机协同侦察任务规划问题,通过对协同侦察问题进行深入分析,将影响协同侦察任务的关键因素如环境信息、无人机续航约束、生存概率等归纳总结,结合协同任务目标,建立协同侦察任务规划优化模型。并通过建立序列神经网络,对模型进行求解。通过将模型的优化目标与强化学习的奖励函数相结合,提高序列神经网络的性能,对序列神经网络不断地进行优化,并在仿真实验中与传统的群体智能的方法相对比,验证了强化学习序列神经网络的方法在时间消耗以及泛化能力的优势。然后从自底向上的方式研究了多无人机协同作战规划问题,将多无人机当作具有独立性的智能体,为多智能体建立强化学习神经网络,使多智能体之间可以通信与合作,自发调整个体的行为。并提出了一种基于异环境重要性采样的增强深度分布式循环Q网络(EDDRQN),使无人机可以利用经验回放机制提高学习效率,减少多无人机之间的干扰。同时塑造协同作战的强化学习奖励函数,引导多无人机完成总体的作战任务。仿真实验结果表示,对比基于独立Q网络(IQL)和深度分布式循环Q网络(DDRQN)的强化学习网络,EDDRQN在稳定性以及学习效率上具有显着提升。最后,针对多无人机协同侦察问题,在AirSim叁维仿真平台环境进行了仿真验证,验证了基于序列神经网络的算法的有效性。(本文来源于《河南科技大学》期刊2019-05-01）
罗维尔,魏瑞轩[6]（2019）在《有人/无人机协同打击航路智能规划》一文中研究指出随着航空技术的发展,战机朝着高速化、隐身化、无人化、智能化发展,有人/无人机协同是当前的发展方向.如何在满足协同约束的条件下,对有人机和无人机的航路进行规划与控制,并体现二者鲜明的职能分工还没有有效的方法.本文阐述了一种基于聚类再分配,得到待优化航路点的航路点预处理方法.首先简要的对K-means++算法的基本流程,然后针对战地环境中目标的不规则分布特点,建立了战地各要素模型,提出将自适应增类的聚类思想和二次聚类模型应用到航路规划的航路点预处理中,并使用匈牙利算法和遗传算法对航路点进行规划.通过仿真验证,本文提出的方法能够很好的避免传统算法的局限,能够在满足协同条件的同时,减小航路代价,简化规划复杂度.(本文来源于《控制理论与应用》期刊2019年07期）
牛俊财,王忠庆,张鹏军[7]（2019）在《基于优化型蚁群算法在多机协同作战下的路径规划》一文中研究指出针对地面无人平台协同作战时路径规划问题,提出了一种优化型的蚁群算法以寻求战时最佳进攻路线.通过优化传统蚁群算法,模拟了单平台的路径规划并获得各参数的稳定值,进而将其结果拓展到多机协同作战模式下,以获得各平台由起始点到目标点的最优路径.为更加真实地体现出战场环境,在路径规划中提出了战术规避的策略并在2种不同环境模型下验证了算法的实用性.结果表明,优化型蚁群算法相比于传统蚁群算法在迭代次数方面提高了64.2%,搜索路径长度方面提高了57.5%.(本文来源于《中北大学学报(自然科学版)》期刊2019年02期）
杜健健,万晓冬[8]（2019）在《基于蝙蝠算法的多无人机协同侦察任务规划》一文中研究指出多无人机协同侦察规划问题是指多架无人机对多目标进行侦察,以最小化无人机数量和总行驶路径最短为目标构建数学模型进行求解的问题。蝙蝠算法是新兴的群体智能算法,前景广阔,在多领域应用具有显着的效果。针对多无人机协同侦察规划问题,对场景进行编码,利用蝙蝠算法进行求解,并将所得结果与遗传算法和粒子群算法求得的结果进行对比。实验结果表明,在求解多无人机协同侦察任务规划问题时,蝙蝠算法相比遗传算法、粒子群算法,具有更好的稳定性和更快的处理速度。(本文来源于《电子测量技术》期刊2019年07期）
高春庆,寇英信,李战武,徐安,李游[9]（2019）在《小型无人机协同覆盖侦察路径规划》一文中研究指出针对多架小型无人机对含有障碍的区域覆盖侦察最佳路径规划问题,首先用方形单元格将待侦察区域离散化,利用基于初始位置的划分方法划分出与无人机对应的子区域,把问题转化为单无人机优化问题以降低计算复杂度;然后在最小生成树的基础上提出节点交换法,对各子区域的形状和最小生成树进行调整优化;最后依据优化后的最小生成树为每个子区域构建侦察路径。仿真验证了该方法产生的规划路径能够完全覆盖指定区域且无重迭,路径长度和转弯数最小。(本文来源于《系统工程与电子技术》期刊2019年06期）
侯捷,李博威,念诚,周浩,赵越飞[10]（2019）在《多架无人机协同航迹规划研究综述》一文中研究指出多架无人机协同执行任务已经成为未来无人机发展的重要趋势,多无人机协同航迹规划是保障多无人机协同完成任务的重要手段之一。文章系统梳理了多无人机协同航迹规划研究现状,归纳现有多无人机协同航迹规划方法,从搭建航迹规划仿真地图、明确多机协同评价指标和选择规划算法叁个方面阐述多无人机协同航迹规划实现方法,最后对协同航迹规划技术的发展进行了展望:提高无人机群的自主性、协同性和规划算法性能是多无人机协同航迹规划的发展趋势,最终有望实现无人机群在任何情况下都能够快速自主规划最优航迹并同时保持多无人机空间和时间上的协同。研究高精度的无人机航迹规划仿真地图、合理的多机协同结构对提高多无人机协同航迹规划技术也具有较大的实践意义。(本文来源于《金属世界》期刊2019年02期）
多机协同规划论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了实现对农田动态环境中多机协同导航作业的调度管理,开展了基于蚁群算法的多机协同作业任务规划研究。将多机协同作业任务规划分为2个环节:任务分配和任务序列规划。首先,采用全局与局部相结合的方法,综合考虑路径代价和任务执行能力,建立了多机协同作业任务分配模型;然后,通过对比分析任务序列规划问题和旅行商问题,利用蚁群算法建立了农机作业的任务序列规划模型;最后,利用Matlab平台对基于蚁群算法的任务序列规划进行了仿真试验,根据涿州试验农场的实际地块信息,设置多组不同的任务集合,分析蚁群算法优化路径、各代最佳路径长度和平均长度以及适应度进化曲线。仿真结果表明,基于蚁群算法进行任务序列优化可以有效地降低路径代价,提高作业效率,算法运行时间均小于1 s,满足多机协同作业的实时性需求。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多机协同规划论文参考文献
[1].鲁丰玲.基于蚁群算法的无人机舰机协同任务规划[J].舰船科学技术.2019
[2].曹如月,李世超,季宇寒,徐弘祯,张漫.基于蚁群算法的多机协同作业任务规划[J].农业机械学报.2019
[3].庞强伟,胡永江,李文广,赵月飞,褚丽娜.多无人机协同侦察任务规划方法研究综述[J].电讯技术.2019
[4].杜健健.多无人机协同侦察任务规划器的设计与实现[D].南京航空航天大学.2019
[5].樊龙涛.基于强化学习的多无人机协同任务规划算法研究[D].河南科技大学.2019
[6].罗维尔,魏瑞轩.有人/无人机协同打击航路智能规划[J].控制理论与应用.2019
[7].牛俊财,王忠庆,张鹏军.基于优化型蚁群算法在多机协同作战下的路径规划[J].中北大学学报(自然科学版).2019
[8].杜健健,万晓冬.基于蝙蝠算法的多无人机协同侦察任务规划[J].电子测量技术.2019
[9].高春庆,寇英信,李战武,徐安,李游.小型无人机协同覆盖侦察路径规划[J].系统工程与电子技术.2019
[10].侯捷,李博威,念诚,周浩,赵越飞.多架无人机协同航迹规划研究综述[J].金属世界.2019