基于改进QPSO算法的无人机路径规划研究

摘要

随着国民经济的不断进步，无人机路径规划作为实施任务的重要组成部分，无论是在军用方面还是在民用方面均已受到人们的重视，成为当前许多学者研究的重点。我国是IMO的A类理事国，也是航海大国，为适应当今海洋事务复杂性和多样性的变化，仅仅依靠船舶传统的原有设备已不足以满足和适应当今海洋复杂环境和信息的需要。为此，无人机的出现为船舶的航海保障(如航标定期巡视)、危管防污(例如溢油、航行事故取证)、应急搜救(例如搜寻定位、事故调查)等带来了机遇和保障。本文主要对改进量子粒子群算法(Modify Quantum behaved Particle Swarm Optimization,MQPSO)及其在无人机路径规划中的应用进行研究与分析，其主要研究内容如下： 1)首先建立了无人机航迹代价目标函数模型，其次分析该模型是否为多峰函数或单峰函数，并以此为后文算法重要参数的选取提供主要依据。具体表现在依据凸函数的定义，采取将目标函数固定多维求两维的方法，来研究其是否是凸函数。主要通过理论分析和Matlab仿真验证两种方法来对其进行分析，并根据结论得出目标函数的性质。 2)在量子粒子群算法(Quantum behaved Particle Swarm Optimization,QPSO)的基础上，依据动态修正局部吸引子与可行解边界的距离等更新策略提出本文MQPSO算法，并通过标准测试函数对其进行仿真验证。具体表现为本文MQPSO算法根据粒子的检测距离使其收缩扩张因子进行自动的收缩或扩张，不同于QPSO算法中收缩扩张因子那样仅仅只是进行简单的线性变化。 3)通过依概率收敛的数学方法对本文MQPSO算法的收敛性进行分析与证明。受标准QPSO算法收敛性分析的启发，本文通过依概率收敛的方法对MQPSO算法进行理论分析与验证。 4)将本文提出的MQPSO与粒子群算法(Particle Swarm Optimization,PSO)、QPSO、高斯量子粒子群算法(Quantum Particle Swarm Optimization with Gaussian disturbance,GAQPSO)等多种算法应用到无人机路径规划中，对其进行多种地形的仿真验证，并且通过验证结果的对比分析来证明本文改进算法的可行性和有效性。

目录

声明

第1章 绪论

1.1 研究背景

1.2 研究目的及意义

1.3 有关算法介绍

1.4 论文的研究内容及技术路线

1.5 论文结构

第2章 目标函数的研究与分析

2.1 单峰函数

2.2 多峰函数

2.3 本文航迹代价模型

2.4 本文目标函数分析

2.5 本章小结

第3章 改进QPSO算法的研究与分析

3.1 量子粒子群算法

3.2 高斯量子粒子群算法

3.3 本文改进QPSO算法

3.4 标准测试函数的仿真测试

3.5 本章小结

第4章 改进QPSO算法全局收敛性分析

4.1 引言

4.2 粒子收敛的基本条件

4.3 全局收敛性准则

4.4 本文改进QPSO算法的全局收敛性证明

4.5 本章小结

第5章 无人机路径规划仿真实验与分析

5.1 无人机路径规划技术路线

5.2 地形仿真建模

5.3 算法仿真

5.4 仿真实验结论与分析

5.5 本章小结

第6章 结论与展望

6.1 全文总结

6.2 展望

致谢

参考文献

攻读硕士期间发表的论文及参与项目