导读:本文包含了多航迹规划论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:航迹,算法,飞行器,粒子,无人机,小生境,子群。
多航迹规划论文文献综述
杨海燕,张帅文,韩城[1]（2018）在《基于威胁建模的多航迹规划算法》一文中研究指出针对飞行器多航迹规划问题,首先为飞行器进行威胁建模,以此构建航迹规划的基本代价函数,使用引入排挤策略的K-均值聚类方法,将航迹依照其空间分布划分成多个相异种群,有效地保持了解的多样性,使航迹在空间离散度高,与粒子群算法相结合提高了求解效率,实现了算法的自适应。仿真结果表明,该算法能够为飞行器快速规划出多条航迹,克服了人工规划的主观性,满足实际作战中预航迹规划的需求。(本文来源于《火力与指挥控制》期刊2018年10期）
董阳,王瑾,柏鹏[2]（2014）在《基于改进K-means聚类和量子粒子群算法的多航迹规划》一文中研究指出针对在复杂环境下需要通过多航迹规划以实现武器协同的问题,利用排挤机制产生Kmeans聚类的初始聚类中心,并将改进K-means聚类与量子粒子群算法(QPSO)相结合应用于无人机的叁维多航迹规划。改进算法解决了K-means聚类易陷入局部最优、聚类准确率低的问题。根据产生的初始聚类中心,将粒子划分成多个子种群,利用QPSO算法对每个子种群进行优化,使得每个子种群可以产生一条可行航迹。仿真分析证明了改进算法可以有效保证子种群之间的多样性,生成较为分散的多条可行航迹。(本文来源于《电讯技术》期刊2014年09期）
李枭扬,周德云,冯琦[3]（2015）在《基于分级规划策略的A*算法多航迹规划》一文中研究指出为了避免设置运行参数,稳定地生成多条航迹,提出一种基于分级规划策略的A*算法多航迹规划技术。采用分级规划策略将规划过程分成初始航迹规划和精细航迹规划两部分。在初始航迹规划中,通过设置中间航迹点并利用A*算法得到多条初始可行航迹,然后为了避免K均值算法对初始聚类中心敏感的问题,提出采用层次聚类法对所得到的初始可行航迹进行聚类,得到初始参考航迹。在精细航迹规划中,设计了一种变宽度的航迹规划通道,并在通道内进行航迹规划以得到最终的多条航迹。仿真实验证明了算法的可行性。(本文来源于《系统工程与电子技术》期刊2015年02期）
李猛,王道波,盛守照,沈自然[4]（2012）在《基于加权k-均值聚类与粒子群优化的多航迹规划》一文中研究指出针对复杂环境下的无人机多航迹规划问题,提出了将粒子群优化(particle swarm optimization,PSO)算法与加权k-均值聚类算法相结合的规划方法。每个粒子表示一条航迹,采用加权k-均值聚类算法对粒子进行分类,得到多个粒子子群,在每个子群内部进行一条可行航迹的优化,最终得到多条不同的可行航迹。对传统k-均值聚类算法进行改进,采用排挤机制产生初始聚类中心,针对实际环境中突发威胁的分布不均性,在聚类过程中,对航迹节点按照所在区域突发威胁的出现概率进行加权,提出了加权k-均值聚类算法。仿真实验表明,所提出的方法能够有效地得到无人机的多条可行航迹。(本文来源于《系统工程与电子技术》期刊2012年03期）
于会,于忠,李伟华[5]（2010）在《基于小生境粒子群技术的多航迹规划研究》一文中研究指出文章将飞行器多航迹规划转化为多峰值函数优化问题,并以此为基础提出基于小生境粒子群技术的多航迹规划方法。该方法采用特定的粒子编码方式和适当的适应度函数,在满足各种航迹约束的条件下,通过引入RCS(Restricted Competition Selection)小生境生成策略,将航迹规划空间内的粒子群形成不同的相互独立的小生境子种群。在进化过程中,所有粒子个体只在各自的小生境子种群内部进化,追逐不同的极值点。当进化结束时,每个小生境子种群将分别生成一条各自的最优航迹,从而为飞行器生成了多条不同的可选航迹。仿真结果表明了该方法的有效性。(本文来源于《西北工业大学学报》期刊2010年03期）
严江江,丁明跃,周成平[6]（2010）在《基于K均值聚类和遗传算法的多航迹规划方法》一文中研究指出提出了一种在未知动态环境中利用K均值聚类和遗传算法的飞行器多航迹规划方法。针对飞行器在动态环境下需要调整飞行航迹的问题,该方法可以规划出多条可供选择的航迹,使飞行器能在障碍和威胁等环境发生变化时选择可行的飞行线路。实验结果表明,该方法能有效地完成多条航迹的规划,获得满足要求的多条飞行航迹。(本文来源于《火力与指挥控制》期刊2010年03期）
王威,许鹏,张多林[7]（2008）在《混合优化策略在巡航导弹多航迹规划中的应用》一文中研究指出为保证巡航导弹低空突防的成功率,在航迹规划时必须设计出以最小代价的可接受航程为目标的航迹。提出一种基于混合优化策略的航迹优化方法。该方法通过用退火机制来减轻遗传算法中的选择压力,将模拟退火和遗传算法相结合用于航迹优化,增强了航迹优化算法的全局收敛性和提高了算法的收敛速度。同时方法中还采用了聚类算法,将各条航迹按照其空间分布,化成不同的多个种群,进化后可得到不同区域的优化航迹,从而有效地保持了解的多样性,能一次生成多条航迹,可满足通常航迹优化过程中生成多条航迹的要求。最后的仿真结果表明了该方法的可行性和有效性。(本文来源于《电光与控制》期刊2008年04期）
田亮,吴金荣,孙富春[8]（2006）在《基于遗传算法的飞行器多航迹规划》一文中研究指出提出了基于遗传算法的飞行器多航迹规划方法。该方法设计了一种新的分类评价体系,有效地解决了在约束条件多、部分约束条件互相冲突情况下的航迹评价问题。同时采用实数编码的染色体表示方法和特殊设计的进化算子,所有个体在各自子种群中同时进化。最后每个种群取一条最优航迹从而得到多条航迹。计算机仿真结果证明了该方法的有效性。(本文来源于《计算机工程与应用》期刊2006年31期）
田亮[9]（2006）在《基于遗传算法的飞行器多航迹规划算法研究》一文中研究指出随着航空科技的进步和军事斗争需求的增长,多飞行器协同攻击多目标成为未来战争的一种重要模式。飞行器多航迹规划是其中的关键技术之一。 围绕飞行器多航迹规划算法,论文首先介绍了航迹规划的研究背景和意义,并对飞行器航迹规划需考虑的问题以及当前的研究现状作了综述。然后提出了基于遗传算法的航迹规划方法并采用了专门的进化算子。最后仿真结果证明了算法的有效性。针对以下叁方面的问题进行了重点研究: 1、分析了规划环境中要考虑的威胁因素和电子地图技术,在矢量数字地图基础上提出一种新的规划环境表示方法,该方法用不同数据结构表示不同的环境信息,当环境变化时便于实时更新。 2、在航迹评价方面,设计了基于分类比较的航迹评价体系。该方法采用先对航迹分类、同类间按代价排序的方法,有效地解决了在约束条件多、部分约束条件互相冲突情况下的航迹评价问题。 3、将遗传算法的基本原理与航迹规划问题相结合,提出了基于遗传算法的飞行器多航迹规划算法。该方法采用一种变长实值基因编码方式和一组与之相适应的进化算子,在航迹评价体系的指引下,所有个体在各自子种群中同时进化。实验表明该算法不但能够有效的处理各种航迹约束,生成多条可行航迹,并且能够满足在线实时规划的要求。 最后对全文工作总结并对需要进一步研究的问题和方向提出看法。(本文来源于《河北师范大学》期刊2006-03-30）
郑昌文,李磊,徐帆江,丁明跃,苏康[10]（2005）在《基于进化计算的无人飞行器多航迹规划》一文中研究指出针对飞行器多航迹规划问题展开研究。在分析多峰值函数优化问题的基础上,提出了一种基于进化计算的飞行器多航迹规划方法。该方法通过使用特定的染色体表示方法和进化算子,可以有效利用各种环境信息,处理各种航迹约束。同时,通过引入聚类算法,将种群中的个体按其空间分布进行聚类,生成若干个不同子种群。在进化过程中,所有个体只在各自的子种群内部进化。当进化结束时,每个子种群将分别生成一条各自的最优航迹,从而为飞行器生成多条不同的可选航迹。仿真结果表明了该方法的有效性。(本文来源于《宇航学报》期刊2005年02期）
多航迹规划论文开题报告
（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：
针对在复杂环境下需要通过多航迹规划以实现武器协同的问题,利用排挤机制产生Kmeans聚类的初始聚类中心,并将改进K-means聚类与量子粒子群算法(QPSO)相结合应用于无人机的叁维多航迹规划。改进算法解决了K-means聚类易陷入局部最优、聚类准确率低的问题。根据产生的初始聚类中心,将粒子划分成多个子种群,利用QPSO算法对每个子种群进行优化,使得每个子种群可以产生一条可行航迹。仿真分析证明了改进算法可以有效保证子种群之间的多样性,生成较为分散的多条可行航迹。
（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。
多航迹规划论文参考文献
[1].杨海燕,张帅文,韩城.基于威胁建模的多航迹规划算法[J].火力与指挥控制.2018
[2].董阳,王瑾,柏鹏.基于改进K-means聚类和量子粒子群算法的多航迹规划[J].电讯技术.2014
[3].李枭扬,周德云,冯琦.基于分级规划策略的A*算法多航迹规划[J].系统工程与电子技术.2015
[4].李猛,王道波,盛守照,沈自然.基于加权k-均值聚类与粒子群优化的多航迹规划[J].系统工程与电子技术.2012
[5].于会,于忠,李伟华.基于小生境粒子群技术的多航迹规划研究[J].西北工业大学学报.2010
[6].严江江,丁明跃,周成平.基于K均值聚类和遗传算法的多航迹规划方法[J].火力与指挥控制.2010
[7].王威,许鹏,张多林.混合优化策略在巡航导弹多航迹规划中的应用[J].电光与控制.2008
[8].田亮,吴金荣,孙富春.基于遗传算法的飞行器多航迹规划[J].计算机工程与应用.2006
[9].田亮.基于遗传算法的飞行器多航迹规划算法研究[D].河北师范大学.2006
[10].郑昌文,李磊,徐帆江,丁明跃,苏康.基于进化计算的无人飞行器多航迹规划[J].宇航学报.2005
论文知识图
