学位论文 > 优秀研究生学位论文题录展示

微分进化算法及其在无人机航迹规划中的应用研究

作 者: 黄越
导 师: 高立群
学 校: 东北大学
专 业: 控制理论与控制工程
关键词: 微分进化算法 粒子群优化算法 多智能体系统 航迹规划
分类号: V279
类 型: 硕士论文
年 份: 2009年
下 载: 72次
引 用: 0次
阅 读: 论文下载
 

内容摘要


优化问题大量存在于科学研究和工程应用中的各个领域,进行最优化方法的研究具有重要的理论意义和实用价值。因此高效的优化技术成为科学工作者的研究目标之微分进化算法(Differential Evolution,简称DE)是一种新的群体智能优化算法。其主要特点是原理简单、参数少、收敛速度快、所需领域知识少。通过大量研究发现,DE算法具有很强的搜索能力,适合于解决复杂的优化问题。该算法已在函数优化、神经网络训练、组合优化等领域获得了广泛应用,并取得了较好的效果。但是由于它缺乏关于搜索空间的全局信息机制,有时会陷入局部最优。粒子群优化算法(Particle Swarm Optimization,简称PSO)是于1995年提出的一种基于群体的进化优化算法。PSO算法在整个种群中充分利用全局信息,有很强的全局搜索机制。但PSO算法由于缺乏保持种群多样性的机制,在寻优过程中容易陷入局部最优。而微分进化算法有很多优点,比如在保持种群多样性方面和良好的局部搜索能力方面。但是它缺乏全局信息的指导,容易导致浪费计算资源和陷入局部最优。所以将两种算法融合可以取长补短,互相促进。本文还将多智能体概念引入DE算法中,构造了“局部版”的DE算法。为了进一步克服DE和PSO单个算法在求解全局优化问题时的缺陷,本文提出了种新型的全局优化算法——协同微分进化算法(Co-evolutionary Differential Evolution,简称CDE)。CDE算法基于一种双种群进化策略,其中一个子种群中的个体按照PSO操作进化,另一个子种群的个体按照DE操作进化,在每次进化过程中利用一种信息交流机制交流寻优信息,避免各自种群陷入局部最优。该方法可以保证两个子种群在解空间中协调寻优,达到开发能力和探索能力之间的平衡,维持整个种群的多样性,降低了陷入局部最优的风险。针对无人机航迹规划的特点,本文将CDE算法应用于解决无人机航迹规划问题。对给定的三种战场环境进行模拟仿真,在满足各种约束条件的情况下取得了令人满意的效果,证明了该算法用于解决无人机航迹规划问题是有效可行的。

全文目录


摘要  5-6
Abstract  6-11
第1章 绪论  11-17
  1.1 研究背景和课题意义  11-12
  1.2 无人机航迹规划概述  12-13
  1.3 常用的航迹规划方法  13-15
  1.4 论文的组织结构  15-17
第2章 微分进化算法原理  17-29
  2.1 最优化问题  17
  2.2 优化算法  17-21
    2.2.1 进化算法  17-19
    2.2.2 群体智能算法  19-21
  2.3 微分进化算法  21-29
    2.3.1 微分进化算法介绍  21-24
    2.3.2 微分进化算法的工作策略  24-25
    2.3.3 微分进化算法参数设置  25
    2.3.4 微分进化算法流程  25-26
    2.3.5 微分进化算法和其它进化算法的比较  26-27
    2.3.6 微分进化算法的不足  27-29
第3章 协同微分进化算法  29-45
  3.1 引言  29-30
  3.2 智能体和多智能体系统  30-31
    3.2.1 智能体  30
    3.2.2 多智能体系统  30-31
  3.3 多智能体系统在协同微分进化算法中的应用  31-32
  3.4 协同微分进化算法进化策略  32-36
    3.4.1 子种群的划分  32-33
    3.4.2 微分进化子种群进化策略  33-34
    3.4.3 粒子群子种群进化策略  34-35
    3.4.4 早熟收敛的对策  35-36
  3.5 算法流程  36-37
  3.6 算例仿真  37-45
    3.6.1 实验设置  37-38
    3.6.2 实验结果  38-43
    3.6.3 结果分析  43-45
第4章 基于协同微分进化算法的无人机航迹规划  45-61
  4.1 无人机航迹规划模型  45-49
    4.1.1 航迹规划问题  45
    4.1.2 飞行航迹的表示  45-46
    4.1.3 飞行航迹的基本约束  46-47
    4.1.4 航迹评价  47-49
  4.2 数字地图的模拟算法  49-50
    4.2.1 数字地图技术  49
    4.2.2 数字高程地图  49-50
    4.2.3 航迹规划的数字地形模拟算法  50
  4.3 基于协同微分进化算法的无人机航迹规划  50-54
    4.3.1 个体编码方案  50-51
    4.3.2 种群初始化  51
    4.3.3 航迹评价  51-52
    4.3.4 不同航迹的判别  52-53
    4.3.5 基于协同微分进化算法的航迹规划流程  53-54
  4.4 算例仿真  54-61
第5章 总结与展望  61-63
参考文献  63-67
致谢  67-69
攻读硕士期间发表的论文  69

相似论文

  1. 基于粒子群算法求曲线/曲面间最小距离方法,O182
  2. 融合粒子群和蛙跳算法的模糊C-均值聚类算法研究,TP18
  3. 基于改进粒子群算法的无功优化,TP301.6
  4. 基于控制方法的粒子群算法改进及应用研究,TP301.6
  5. 曲面测地与短程路径的分析和提取,TH122
  6. 空间信息网骨干节点部署方案的设计与仿真,TN915.09
  7. 基于改进粒子群算法的无人机航迹规划,V279
  8. 基于RFID监狱智能管理系统研究与实现,TP315
  9. 复杂动态环境下的小型足球机器人路径规划研究,TP242
  10. 基于MPSO算法的云计算任务调度策略研究,TP3
  11. 一类改进的粒子群优化算法,TP301.6
  12. 基于粒子群优化算法的无刷直流电机控制方法研究,TM33
  13. 工业装置蒸汽透平网络模拟和优化,TK14
  14. 基于智能算法的二维下料问题的研究,TP301.6
  15. 爆炸搜索算法研究,TP301.6
  16. 基于主成分和粒子群优化BP神经网络的促销产品销量预测研究,F274
  17. 文化智能优化算法及其在约束优化问题中的应用研究,O224
  18. 基于遗传算法的快速航迹规划方法研究,TP18
  19. 心电信号时间不可逆性分析和胎儿心电信号提取方法研究,TN911.7
  20. 基于多DSP的航迹规划系统硬件平台设计与实现,TP368.12

中图分类: > 航空、航天 > 航空 > 各类型航空器 > 无人驾驶飞机
© 2012 www.xueweilunwen.com