基于改进蚁群算法的飞行器航迹规划研究

论文摘要

随着计算机、自动化、信息技术的飞速发展,现代航空技术发生了日新月异的变化。飞行器的种类越来越多,操纵也越来越复杂。不论是在战争中,还是在民用领域,现代化飞行任务的难度、危险度以及强度都在不断增加,飞行员的生理和心理压力随之加大。运用航迹规划技术可以提高任务完成的成功率,减少任务完成的代价,提高飞行器的行动效能,是实现安全可靠飞行的重要保证。航迹规划是任务规划系统的核心技术之一。它是指在综合考虑飞行器到达时间、油耗以及飞行环境威胁等因素的前提下,为飞行器规划出一条最优,或者是满意的飞行航迹,以保证圆满完成飞行任务,安全返回基地。但由于飞行环境复杂,飞行器航迹规划约束条件众多,且各因素之间存在强耦合使得航迹规划成为飞行器任务规划中非常具有挑战性的问题。针对这个问题,已有研究人员提出了一些航迹规划算法,如遗传算法、A*算法、人工势场法、Voronoi图法等。这些规划方法在实际应用时,会出现这样或那样的缺憾。本文首先研究了蚁群算法的原理和数学模型,总结出蚁群算法的优缺点,并分析了算法出现停滞现象和收敛速度较慢的主要原因。然后介绍了一种典型的改进蚁群算法(最大最小蚂蚁系统),并在此基础上,提出一种新的蚁群算法改进策略——动态多种群蚁群算法。其基本思想为:将蚁群算法中的单一种群路径搜索改为多种群同时独立搜索,一旦发生早熟停滞则将各个种群对应路径上的信息素交换并将信息素挥发系数进行双向动态调整。通过各自种群信息素的反复震荡变化,扩大算法的搜索空间,在一定程度上改善算法的性能。最后将蚁群算法和改进算法分别应用于旅行商问题求解,并将MATLAB仿真结果相比较,验证了改进算法的有效性。为了进一步验证该改进蚁群算法的实用性,证明该改进算法在航迹规划中的可行性和有效性,本文假设一个规划任务实例,分别运用基本算法和改进算法分别通过MATLAB编程仿真对其进行求解。通过对比仿真结果,验证了在航迹规划的应用中,改进算法在最优路径搜索能力和稳定性上都要优于基本算法。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 背景
• 1.2 国内外研究现状
• 1.2.1 飞行器航迹规划国内外研究现状
• 1.2.2 蚁群算法国内外研究现状
• 1.3 论文主要研究内容及其结构安排
• 2 飞行器航迹规划概述
• 2.1 航迹规划问题概述
• 2.2 飞行器飞行环境信息及模型
• 2.2.1 地形信息
• 2.2.2 天气信息
• 2.2.3 雷达与防空火炮威胁信息
• 2.2.4 飞行环境仿真建模
• 2.3 航迹规划的约束条件
• 2.3.1 飞行高度
• 2.3.2 机动能力
• 2.3.3 起降方向
• 2.3.4 最小步长
• 2.3.5 最大航程
• 2.3.6 威胁因素
• 2.4 航迹规划的目标要求
• 2.4.1 飞行任务要求
• 2.4.2 隐蔽性要求
• 2.4.3 实时性要求
• 2.4.4 协作性要求
• 2.5 常用航迹规划算法
• 2.5.1 遗传算法
• 2.5.2 A*算法
• 2.5.3 Voronoi 图法
• 2.5.4 概率路标法
• 2.5.5 人工势场法
• 2.5.6 模拟退火算法
• 2.5.7 动态规划算法
• 2.5.8 蚁群算法
• 3 蚁群算法概述
• 3.1 蚁群算法的起源
• 3.2 蚁群算法原理
• 3.3 蚁群算法的数学模型
• 3.4 蚁群算法的具体实现
• 3.5 蚁群算法的优缺点
• 4 蚁群算法改进研究
• 4.1 最大最小蚂蚁系统
• 4.2 动态多种群蚁群算法
• 4.2.1 算法改进思路
• 4.2.2 多种群搜索信息素交换原理
• 4.2.3 信息素挥发系数动态调整
• 4.2.4 信息素浓度最大最小限制
• 4.2.5 局部收敛认定原则
• 4.2.6 改进蚁群算法TSP 问题具体实现
• 4.3 改进蚁群算法仿真及参数分析
• 5 改进蚁群算法的应用
• 5.1 航迹规划问题与TSP 问题的异同
• 5.2 航迹规划实验设计
• 5.2.1 航迹的表示
• 5.2.2 航路的生成
• 5.3 改进蚁群算法航迹规划问题实现流程
• 5.4 航迹规划实例仿真
• 5.4.1 任务描述
• 5.4.2 参数设计
• 5.4.3 结果分析
• 6 总结与展望
• 6.1 本文所做的研究工作
• 6.2 课题下一步的研究工作展望
• 致谢
• 参考文献
• 附录 作者在攻读学位期间发表的论文目录