基于改进遗传蚁群算法的无人机航路规划

合集下载

基于改进蚁群算法的多无人机航路规划研究

ＡＢＳＲＡＣＴ：ｕｅｐａｎｎｌｙｎｉｏｔｎｏｅｉｍａｎｄＡｉＶｅｉｌｓａｔａｏｔｏｙｔｍ．Ｏｎｔｅｂ — ＴＲｏｔｌｎｉｇｐａｓａｍｐｒｔｌｎＵｎｎｅｒｈｃｅ ’ｔｃｉｌｎｒｌｓｓｅａｒｃｃａｈ
中图分类号：２１４Ｖ７．文献标识码：Ｂ
ＣｏｐｅａｉｅＲｏｔａｎｎｇｆｒＵＣＡＶｓＵｓｎｒｎｏｓｄｏｒｔｖｕｅＰｌｎｉｏｉｇＶｏｏｉＢａｅ
Ｍｕｔ —ＢｅａｉｒＡｎｌｎｇｒｔｍｌｉ — ｈｖｏｔＣｏｏｙＡｌｏｉｈ
ｓｆｏｎｉｉｒｍ，ａＶｒｎｉａｅｌ —ＢｈｖｏＡｔｏｎｌｏｔ（ＢＡＡ）ｉｄｖｌｐｄｈｉｏＶｒｏＤａａｓｏｇｏｏｏＢｓｄＭｕｔｅａｉｎＣｌｙＡｇｒｈＶＭＢＣｉｒｏｉｍｓｅｅｅ．Ｔｅｏ
在ＮＰ完全问题上表现出较好的寻优能力。本文在用
Ｖｒｎｉｏｏ图法对威胁环境建模的基础上，出了基于Ｖｒｎｉｏ提ｏｏｏ
图的多行为蚁群算法（ｏｎｉａｅｕｔ— ｅａｉｒｎＣ１ＶｒｏＢｓｄＭｌＢｈｖｔｏｏｉｏＡ．ｎｌｉｍ，ＢＡＡ）该ａｙＡｇｒｈＶＭＢＣ，算法解决了从任意起止点的ｏｔ
ｍｅｈｄｅｆｒｅｈｏｐｒｔｎａｎｈｔ，ａｄｅｉｉｎｌｅｏｖｓｔｅｃｎｒｄｃｉｎｂｔｅｉｅｓｔｎｏ — ｔｏｎｏｃｓｔｅｃｏｅａｉｍｏｇｔｅａｓｎｆｃｅｔｒｓｌｅｈｏｔｉｔｅｗｅｎｄｖｒｉａｄｃｎｏｎｙａｏｙｖｒｅｃｆｈｏｕｉｎ．ＡｄｔｎｌｄｒｃｉｎｒｓｒｔｎｍｅｈｄｉａｄｄｔＭＢＡｒｖｈｌｏｔｍ’ ｅｇｎｅｏｅｓｌｔｓｄｉｏａｙ，ｉｔｅｔｃｉｔｏｄｅＶＢｔｏｉｌｅｏｉｏｓｏＡＣｔｉｏｅｔｅａｇｒｈｏｍｐｉＳｅｆｉｎｙｈｓａｇｒｈｉａｐｉｄｔＣｆｃｅｃ．ＴｉｌｏｔｍｓｐｌｏＵＡＶｓｏｔｌｎｉｇａｄｅａｌｓｔｅｔｎｏｐｒｔｅｒｕｅｃｉｉｅ ’ｒｕｅｐａｎｎｎｎｂｅｈｍｏｆｄｃｅａｉｏｔｓｍｕｈｉｖ

基于改进蚁群算法的无人飞行器二维航迹规划

文献标识码：Ａ文章编号：１０００２７５８（２０１３）０５－０６８３－０６
中图分类号：Ｖ４４８．２
飞行器航迹规划就是在综合考虑飞行器到达时
间、油耗、威胁以及飞行区域等因素的前提下，为飞行器规划出最优，或者是满意的飞行航迹，以保证圆满地完成飞行任务 … 。基本蚁群算法能够找到飞行航迹的可行解，并且具有较好的鲁棒性，但容易陷入局部最优，并且求解时消耗时间较长，在求解大型问题上相对比较弱。针对这些缺陷，很多学者对其做了大量的改进，其中文献［２］中利用伪随机比例原则进行节点的转移，以便更好地得到最优解；文献［２］中利用信息素局部更新规则，避免了算法过早陷入局部最优；文献［３］中用蚁群算法和人工势场法混合的方法进行无人机航迹规划，这种混合算法虽然具有一定的有效性，但由于混合的算法中没有对两种基本算法进行改进，所以会导致算法过早陷入局部最优解；另外，参考文献［２－６］中都没有将飞行约束条件融合到算法中进行航迹节点的剔除，这样不利于算法收敛速度的提高；再者，已有文献中的优化目标函数都是通过油耗代价（或者航程代
第３ｌ卷第５期
基于改进蚁群算法的无人飞行器二维航迹规划

基于改进蚁群算法的无人机二维航迹规划和重规划

ＴＡＮＧＢｉ — ｗｅｉ，ＦＡＮＧＱｕｎ（ＳｃｈｏｏｌｏｆＡｓｔｒｏｎａｕｔｉｃｓＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉ ’ 帆７１００７２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｓｔｕｄｉｅｓａｎｉｍｐｒｏｖｅｄａｎｔｃｏｌｏｎｙａｌｇｏｉｒｔｈｍｉｎｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆ２ＤｒｏｕｔｅｐｌａｎｎｉｎｇａｎｄｒｅｐｌａｎｎｉｎｇｏｆＵＡＶ．Ｔｈｉｓｐａｐｅｒｐｒｅｓｅｎｔｓａｎｅｗａｐｐｒｏａｃｈｂｙｕｓｉｎｇｔｈｅｐｓｅｕｄｏ－ｒａｎｄｏｍｓｔａｔｅｔｒａｎｓｆｏｒｍａｔｉｏｎｒｕｌｅｓｔｏｏｖｅｒｃｏｍｅｔｈｅｂａｓｉｃａｎｔｃｏｌｏｎｙａｌｇｏｉｒｔｈｍＳｓｈｏｒｔｃｏｍｉｎｇｓｗｈｉｃｈａｒｅｅａｓｉｌｙｆａｌｌｉｎｇｉｎｔｏｌｏｃｌａｏｐｔｉｍｕｍａｎｄｅａｒｉｌｙｆａｌｌｉｎｇｉｎｔｏｉｔｅｒａｔｉｖｅｓｔａｇｎａｔｉｏｎｐｈｅｎｏｍｅｎｏｎ．Ｉｎａｄｄｉｔｉｏｎ，Ｂｙｉｎｔｏｄｒｕｃｉｎｇｔｈｅｃｏｎｃｅｐｔｉｏｎｏｆｄｙｎａｍｉｃｗｉｎｄｏｗ，ａｏｕｒｔｅｒｅｐｌａｎｎｉｎｇｍｅｔｈｏｄｉｓｄｅｓｃｉｒｂｅｄｉｎｔｈｉｓｐａｐｅｒ．Ｆｉｎａｌｌｙｈｅｔ

基于蚁群算法的无人机航线规划技术研究

基于蚁群算法的无人机航线规划技术研究无人机技术的快速发展，为航空监测、农业、森林灾害预防等领域提供了新的技术手段。

与传统有人驾驶的飞行器不同，无人机不需要驾驶员操控，在高风险、高危环境下作业更为安全，并且操作更加灵活。

然而，无人机的航线规划技术是无人机实际应用当中必不可少的一个环节。

本文主要介绍了利用蚁群算法优化无人机航线规划的研究现状及未来发展方向。

一、无人机航线规划技术研究的现状无人机航线规划技术是指无人机执行任务时，通过规划无人机的飞行路线，使得无人机能够在预定时间内完成任务。

在无人机的飞行路线规划中，需要考虑多种因素，如起始点、终止点、路径限制、空间复杂度等。

当前，基于蚁群算法的无人机航线规划技术已经得到了广泛的应用。

蚁群算法源于自然界中蚂蚁的行为模式，这种算法模拟了蚂蚁在寻找食物时的行为，通过蚂蚁寻找最短路径的探索和信息传递的方式来解决问题。

在无人机航线规划中，蚁群算法通过模拟蚂蚁寻找食物的过程，从而寻找最优航线。

当前，国内外相关研究机构和企业对无人机航线规划技术的研究取得了一定的进展。

例如，普渡大学计算机科学系利用改进的蚁群算法设计了一个自适应无人机航线规划算法，该算法结合了图像处理和权重排序技术，可以应对无人机任务规模的变化。

L.A. Ismagilova等人利用蚁群算法开发了一种基于GIS环境的最短路线规划算法，可以为农业生产提供航线优化指导。

黄国祥等人则发挥了蚂蚁在搜索和探索中的优势，应用蚁群算法实现无人机航线规划，并与传统的无人机航线规划方法进行比较，结果表明采用蚁群算法的无人机航线规划更加优化。

二、蚁群算法在无人机航线规划技术中的应用蚁群算法在无人机航线规划中的应用，主要包括两个方面，即通过蚁群算法设计优化模型，以及利用蚁群算法进行算法仿真。

1. 通过蚁群算法设计优化模型基于蚁群算法的无人机航线规划技术需要建立相应的优化模型。

首先，需要将实际问题抽象成数学模型；然后，针对这个数学模型，构建适合于蚁群算法的搜索空间；最后，引入蚁群算法进行优化问题的求解。

基于优化蚁群算法的无人机海岛监测航迹规划

以上两种算法都能找到最短路径，蚁群算法通过信息素更新得到最优路径，然而信息素更新速度较慢，严重地会影响无人机的航行任务，Dijkstra 算法规划速度快，但是迭代次数多的情况下误差率较高。通过研究设想，如果先由 Dijkstra 算法规划初始航迹，再与蚁群算法融合，这样即提高无人机航迹规划效率又提高航迹规划最优率。
序号 1 2 3 4 5 6 7 8 9 10
平均值
• Information Technology 信息技术
迭代过程中系统稳定的特点，从
而保证无人机在复杂的海岛监测
中飞行航迹规划零失误。
【关键词】Dijkstr MAKLINK
无人机作为一种新的遥感监测平台起着非常重要的作用。在粤东地域的四个城市中特别是汕尾市，五个县区中有四个县区濒临南海，利用无人机进行近海海岛监测，可大大减少人力物力的浪费。然而，无人机在进行海岛监测时会遇到气流不稳定等因素而影响无人行飞行，因此对无人机进行航迹规划非常有意义。目前，国内外的航迹规划控制算法主要分为两大类，传统经典与人工智能算法。传统经典包括动态规划法，导数相关法，最优控制法，动态规划算法在解决多级决策最优化问题中比较常见的算法之一，该算法受状态空间限制，对于无人机的航迹规划大范围的搜索，比较有局限性；导数相关法中，常见的有牛顿法和最小二乘法等，要求导函数有连续性，迭代运算量大，容易陷入局部最优解。最优控制比较广泛应用于火箭、卫星轨道等。智能算法中包括遗传算法，例如文献，对于遗传算法，在进行规划路径时比较费时，另外一种常见的蚁群算法，例如文献，该方法收敛速度较慢。以上国内外所提到的各种路径算法都有各自的局限性，适应于完成特定的路径规划等任务。然而，对于本课题的研究来说，因为本课题有一种的空间及环境因素，所以，本文结合以上的研究基本

改进蚁群算法的无人机航路规划

ｓｓｅｆｒｐａｈｏｉｉａｉｙｔｍｏｔｐｔｍｚｔｏｎ．ＴｈｉｔｄｇｉｅｏｓｏｈｅＵＣＡＶｏａｒｖｔｔａｇｅｔｓｍｅｈｏｖｓａｐｒｍｉｅｆｒｔｔｒｉｅａｈｅｔｒｔｗｉｈａ
ｈｇｅｕｖｖｌａｉｔｎｃｅｔｂｅｐｔｅｇｈｉｈｒｓｒｉａｂｌｙａｄａｃｐａｌａｈｌｎｔ．ｉ
Ｋｅｒｓａｔｃｌｎｌｏｉｈ，ｅｅｉａｉｍｅｉＤｉｓｒｌｏｉｍ，ａｈｐａｎｎＵＣＡＶｙｗｏｄ：ｎｏｏｙａｇｒｔｍｇｎｔｃｒｔｈｔｃ，ｊｔａａｇｒｔｋｈｐｔｌｎｉｇ，
改进蚁群算法的无人机航路规划
田伟，张安
（西北工业大学电子信息学院，陕西
摘
西安
７０７）１０２
要：群算法是基于生物界群体启发行为的一种随机搜索寻优方法，正反馈性和协同性使其可用于分布式系统，蚁其
隐含的并行性更使其具有极强的发展潜力，解决组合优化问题上有着良好的适应性。基于两种改进蚁群算法，别将遗传在分算法的交叉操作和Ｄｊｓｒ算法结合到蚁群系统的无人作战飞机航路寻优过程中，无人作战飞机以最小的发现概率与可接ｉｔａｋ使

基于改进蚁群算法的机器人路径规划研究

第38卷第5期计算机仿真2021年5月文章编号：1006 -9348(2021)05 -0278 -04基于改进蚁群算法的机器人路径规划研究姜伟楠，杨理柱，李秀华，侯阿临*(长春工业大学计算机科学与工程学院，吉林长春130012)摘要:机器人自主移动导航是近年来研究的热点。

针对蚁群优化（A C O)算法存在收敛速度慢以及易陷入局部最优的问题，提出了一种改进的A C O算法来解决机器人路径规划问题。

上述算法将改进的人工势场（A P F)算法和蚁群算法相结合，采用改进A P F算法进行初始地图规划，减少了 A C O算法初始规划的盲目性。

算法利用A*算法的评估函数以及路径转折角度来改进启发函数，引入启发信息递增函数，免于局部最优的同时保证收敛速度。

改进算法的信息素更新机制和路径评价函数，提高了算法的全局最优性，使得到的路径更符合实际需求。

通过改进该算法的信息素更新机制和路径评价函数，提高了算法的全局最优性，得到的路径更符合实际需求。

仿真结果表明，改进算法能提升收敛速度和最优解。

关键词:路径规划;蚁群优化算法;人工势场算法;启发式函数中图分类号:T P391.9文献标识码：BMobile Robot Path Planning Based onImproved Ant Colony AlgorithmJIANG Wei - nan，YANG Li - zhu，LI Xiu - hua，HOU A - lin *(Schcx)l of C o m p u t e r S c i e n c e a n d Engineering, C h a n g c h u n University of T e c h n o l o g y,C h a n g c h u n Jilin 130012,C h i n a)A B S T R A C T：A u t o n o m o u s m o b i l e navigation of robots has b e e n a hot research topic in recent years. F o r the p r o b l e mthat the ant c o l o n y optimization ( A C O) algorithm h a s slow c o n v e r g e n c e s p e e d a n d e a s y to b e trapped into local optim u m in p ath p l a n n i n g t a n i m p r o v e d A C O algorithm w a s p r o p o s e d to solve the p r o b l e m of robot pat h plann i n g b y c o mbining a n i m p r o v e d artificial potential field (A P F)algorithm a n d the A C O algorithm. T h e i m p r o v e d A P F algorithm w a s u s e d to p lan the initial m a p,w h i c h r e d u c e d the blindness of the A C O algorithm. B y using the evaluation function of the A*algorithm a n d p at h turning an g l e to i m p r o v e the heuristic f u n c t i o n,a n d introducing the increasing function of heuristic i n f o r m a t i o n,the p r o p o s e d algorithm a v o i d e d the local optimization a n d e n s u r e d the c o n v e r g e n c e rate of the algorithm. B y i m p r o v i n g the p h e r o m o n e u p d a t i n g m e c h a n i s m a n d pat h evaluation function of the a lgo r i t h m,the global optimality of the algorithm w a s i ncreased a n d the obtained pat h w a s m o r e consistent with the actual requirements. M oreover ,the i m p r o v e d state transition rule w o u l d adaptively c h a n g e the selection probability to select the state transition f u n c t i o n,increase the diversity of solutions a n d e n h a n c e the efficiency of the a l g o r i t h m,so that the optimal solution w o u l d b e f o u n d m o r e quickly. Si m u l a t i o n results s h o w that the p r o p o s e d algorithm c a n i m p r o v e the c o n v e r g e n c e s p e e d a n d the optimal solution.基金项目：教育部国际合作科研项目（Z2011138);国家留学基金(201308220163);国家自然科学基金（61303132);国家自然基金委青年基金项目（61806024);吉林省教育厅“十三五”科学技术研究项目(J J K H20181041K J);吉林省高等教育学会高教科研重点课题(J G J X2017B13);吉林省教育科学“十三五”规划课题（G H170222);吉林省科技厅自然科学基金项目（20101523)收稿日期:2019 -07 - 11 修回日期:2019 -09 -25K E Y W O R D S：P a t h p l a n n i n g；A n t colo n y optimization a l g o r i t h m；Artificial potential field a l g o r i t h m；Heuristic f u n ctioni引言近年来，自主移动机器人在工业、农业、医药、航天等领域发挥了重要作用,具有广阔的应用前景。

基于改进蚁群算法的动态航路规划研究

基于改进蚁群算法的动态航路规划研究基于改进蚁群算法的动态航路规划研究摘要：航路规划在航空交通管理中起着至关重要的作用。

随着航空业的不断发展，航空交通流量不断增加，航路规划变得更加复杂和关键。

为了有效应对航空交通管理中的挑战，本文引入了改进蚁群算法来进行动态航路规划研究。

通过在蚁群算法中引入启发信息和局部搜索机制，可以提高航路规划的性能和效率。

实验结果表明，改进蚁群算法在航路规划中具有较好的应用潜力。

1. 引言航空交通管理是航空业发展的重要支撑。

航路规划是航空交通管理中的一个核心问题，其目标是通过合理的航线安排，确保航空交通的安全、高效运行。

随着航空业的不断发展，航空交通流量大幅增加，传统的静态航路规划已经不能满足实际需求。

因此，需要针对航空交通的动态性，进行相应的研究和改进。

2. 蚁群算法简介蚁群算法是一种模拟蚁群行为的启发式算法，可以用于解决复杂问题。

蚁群算法通过模拟蚂蚁在寻找食物过程中的行动规律，来寻找问题的最优解。

其基本思想是通过蚂蚁之间的信息交流和合作，找到一条最优路径。

3. 改进蚁群算法在航路规划中的应用为了将改进蚁群算法应用于航路规划中，需要结合航空交通管理的特点进行相应的改进。

本文在传统蚁群算法的基础上，引入了启发信息和局部搜索机制。

3.1 启发信息启发信息可以指导蚂蚁在路径选择时做出更合适的决策。

在航路规划中，可以利用启发信息来提供关于航线安全性和通行效率的信息，指导蚂蚁选择更优的航线。

启发信息可以通过历史航班数据、天气预测等来获取，从而提供给蚂蚁进行选择。

3.2 局部搜索机制蚁群算法的局部搜索机制可以帮助蚂蚁在已有路径的基础上进行进一步优化。

在航路规划中，可以通过局部搜索机制对蚂蚁已存在的航路进行微调，来寻找更优的航路。

局部搜索机制可以通过调整蚂蚁的移动规则，增加路径的可变性，从而得到更好的解。

4. 实验与结果分析为了验证改进蚁群算法在航路规划中的有效性，本文设计了一系列实验。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｓｎｃ．Ａｖｉｉｏａｐｉｌｓｌｉｎａｄｒｄｉｇｃｌｕａｉｉｒｈｙｔｃｉｕｅｏｅｐｔｌｎｎｇａ— ｅｅｏｄｎｇｌｃｌｏｔｍａｏｕｔｎｅｕｃｎａｃｌｔｎｇｔｍｅａｅｔｅｋｅｅｈｎｑｓｆｒｔａｈｐａｎｉｌｏｈ
优这一问题，提出了一种改进的遗传蚁群算法。遗传算法阶段给出了一种小变异和引入新种群算子，维持了较优种群的多样性，蚁群算法阶段设计了一种基于航路代价的初始信息素获取规则，保证蚁群具有较好的初始信息素分布，在求解时能够
避免陷入局部最优。仿真结果表明，与其它算法相比，提出的改进算法收敛速度大大提高，能在更短的时间规划出更优的
ｇｒｈ．ＴｅｔｄｔｎｌｇｒｈｏｖｒｅｓｏｌｎａｌｎｏｌｃｌｐｉｌｓｌｔｎｅｓｙｏａｍｐｏｅＡＡｏｉｍｓｈａｉｏａｏｔｍｓｃｎｅｇｌｗｙａｄｆｌｉｔａｏｔｏｕｉａｉ．ＳｎｉｒｖｄＧＡｔｒｉｌａｉｏｍａｏｌＡｇｒｈｉｐｅｅｔｄｉｉａｅ．Ｍｉｏｔｔｎａｄｉｔｄｃｎｅｏｏｙｏｅａｏｒｉｅｅｇｎｔ－ｌｏｔｍｓｒｓｎｅｎｔｓｐｐｒｉｈｎｒｍｕａｉｎｎｒｕｉｇｎｗｃｌｎｐｒｔｒａｅｇｖｎｉｔｅｅｉａｏｏｓｎｈｃｌｇｒｈｔｉｎａｎｍｕｔｌｏｏｉｓｎｔｅａｔｌｏｔｍｈｅ，ｅｐｅｅｔａｒｌｆｂａｎｎｅｉｉａｈｒｍｏｅｏｉｍｏｍａｔｉｌｐｅｃｌｎｅ．Ｉｈｎｇｒｔｉａｉｈｐａｓｗｒｓｎｕｅｏｔｉｉｇｔｔｌｅｏｎｏｈｎｉｐｂｅｎｐｔｏｔｓａｄｏａｈｃｓ，ｗｈｃｕｒｎｅｓｂｔｒｉｉａｈｒｍｏｅｄｓｂｔｎａｄａｏｄｌｉｔｃｌｐｉｌｏｕｉｎｉｈｇａａｔｅｅｔｎｔｌｅｏｎｉｔｕｉｎｖｉｓｆｌｎｏｌａｔｅｉｐｉｒｏａｏｏｍａｓｌｔ．ｏＣｍｐｒｄｗｔｔｅｇｒｈ，ｔｅｓｍｕａｉｎｒｓｌｈｗｔａｕｇｒｔｍｍｐｏｅｅｃｎｅｇｎｅｇｅｔａｄｏａｅｉｏｈｒａｏｔｍｓｈｉｌｔｅｕｔｓｏｔｒｏｈｉｒｖｓｔｏｖｒｅｃｒａｌｈｌｉｏｓｈｏａｉｌｈｙ，ｎｃｎｏｔｉｅｔｒｐｔｔｅｓｔ．ａｂａｎｂｔａｈｗｉｌｓｉｅｈｍｅＫＥＹＷＯＲＤＳ：ＡＶ；ａｈｐａｎｎ；ｎｔｌｏｔｍ；ｔａｇｒｈＵＰｔｌｎｉｇＧｅｅｉａｇｒｈＡｎｏｉｍｃｉｌｔ
２．西北工业大学第３５研究所，６陕西西安７０６）１０５
摘要：研究无人机航路，要在有限的时间内规划出最优路径。因此航路规划问题本质是多约束条件下函数求极值的优化问
题，为了避免局部最优、减少计算时间是目前航路规划的关键技术。针对常用的规划算法存在收敛速度慢且易陷入局部最
第２卷第６８期
文章编号：０６— ３８２１）６—０４１０９４（０１００４一ｏ４
计
算
机
仿ห้องสมุดไป่ตู้
真
２１年６０１月
基于改进遗传蚁群算法的无人机航路规划
姚永杰席庆彪，慧霞，刘
（．西北工业大学自动化学院，西西安７０７；１陕１０２
２ｏ３５Ｒｓａｃｎｔｕ，ｏｈｅｔｏｔｃｎｃｌｎｅｉ，Ｘ’ ｈｎｉ１０５Ｃｉａ．Ｎ．６ｅｅｒＩｓｔｔＮ￣ｗｓＰｌｅｈｉａＵｉｒｔｉｎＳａｘ７０６，ｈ）ｈｉｅｙｖｓｙａｎ
ＡＢＳＴＲＡＣＴ：ｈｒｂｅｏｈＡＶｓｐｔｌｎｉｇｉｔａｎｅｔｍｅｖｌｅｎｅｌｐｅｃｎｔｉｔｉｓＴｅｐｏｌｍｆｔｅＵａｈｐａｎｎｓｏｇｉｘｒａｕｓｕｄｒｍｕｔｌｏｓａｎｓｎｅ－ｅｉｒ
航路。
关键词：无人机；航路规划；遗传算法；蚁群算法
中图分类号：Ｐ７Ｔ２３文献标识码：Ｂ ‘
ＰａｈａｉｇｆｒＵＡＶｓＢａｅｎｍｐｒｖｄＧＡｇｒｔｍｔＰｌｎｎｎｏｓｄｏＩｏｅＡｌｏｉｈ
ＹＯＹｎｊＸｉｇｉ，ＩｕｘａＡｏｇ— ｉ，Ｉｎ —ｂａｅＱｏＬＵＨｉｉ
（．ＣｌｇｆｕｏｔｎＮ￣ｗｓＰｌｅｈｉｌｎｖｒｉ，ｉｎＳａｘ７０７，Ｃｉａ１ｏａｅｏｔｉ，ｏｈｅｔｏｔｎｃｉｓｙＸ ’ ｈｎｉ１０２ｈ；ｌＡｍａｏｙｃａＵｅｔａｎ