无人机区域覆盖航迹规划技术研究
无人机航迹规划算法研究
无人机航迹规划算法研究无人机的航迹规划算法是保证无人机在执行任务过程中实现安全、高效、智能飞行的关键技术之一、航迹规划算法的研究要求考虑到无人机的航迹规划问题具有多约束、多目标和多变量等特点，需要综合考虑航程、时间、能量等因素，并在动态环境下实时做出决策。
本文将从算法的基本流程、关键技术等角度对无人机航迹规划算法研究进行综述。
无人机的航迹规划算法主要包括三个阶段：路径规划、运动规划和轨迹生成。
路径规划是确定无人机从起飞点到目标点的一条路径，通常使用图方法，如A*算法、Dijkstra算法等。
运动规划是在给定的路径上，确定无人机的速度、加速度和转弯半径等运动轨迹参数，以保证无人机在飞行过程中的稳定性和控制效果。
轨迹生成是在确定好的路径和运动规划的基础上，通过相应的轨迹生成算法生成无人机的具体飞行轨迹。
在路径规划阶段，最常用的算法是A*算法。
A*算法使用启发式函数估计目标点和当前节点之间的代价，并选择最小的代价扩展节点，直到找到最优路径。
针对无人机航迹规划问题，一些改进的A*算法也被提出，如Dyna-A*算法、ARA*算法等，通过引入动态路径更新、自适应的启发式函数等方法来提高算法的效率和鲁棒性。
在运动规划阶段，主要涉及到无人机的动力学模型和控制策略。
无人机的动力学模型通常采用刚体飞行器模型，包括位置、速度、加速度等参数。
控制策略可以根据具体的任务要求选择不同的方法，如经典的PID控制、模型预测控制、反馈线性化控制等。
为了实现自主飞行，一些智能控制方法也被应用于无人机的运动规划问题，如强化学习、遗传算法等。
轨迹生成阶段是将路径和运动规划的结果转化为具体的飞行轨迹。
常用的轨迹生成算法包括样条曲线插值、多项式插值等。
样条曲线插值通过控制点来拟合横向和纵向的飞行轨迹，保证无人机的平滑过渡和低曲率飞行。
多项式插值则通过多项式函数拟合飞行轨迹，可以实现更精确的飞行控制。
除了基本的航迹规划算法，还有一些针对特定场景和应用的高级航迹规划算法。
无人机的航迹规划算法研究
无人机的航迹规划算法研究1. 引言无人机技术的迅猛发展为许多领域带来了革命性的变化。
无论是民用还是军事应用，无人机的航迹规划算法是其能够实现自主飞行和任务执行的关键。
本文将从基本原理、传统算法以及新兴技术三个方面，对无人机的航迹规划算法进行深入研究。
2. 基本原理航迹规划算法的基本原理是确定无人机的航迹，即从起飞点到目标点的路径。
航迹规划算法需要考虑多个因素，包括无人机的飞行性能、任务需求、环境约束等。
其中，最小增量路径算法（Dijkstra算法）是一种常用的基本原理，通过在网络中搜索最短路径来确定无人机的航迹。
然而，对于复杂的飞行环境和多无人机协同飞行等情况，传统的基本原理已经无法满足需求。
3. 传统算法传统的航迹规划算法主要包括A*算法、遗传算法和人工势场法等。
A*算法是一种启发式搜索算法，通过评估每个节点到目标点的代价来选择下一步的移动方向。
遗传算法利用生物进化的理论，通过模拟基因的变异和交叉来寻找最优解。
人工势场法则是通过定义势能场，将无人机视为带电粒子，根据粒子之间的斥力和引力来确定航迹。
传统算法虽然在某些场景下表现出良好的性能，但也存在着收敛速度慢、易陷入局部最优等问题。
4. 新兴技术随着无人机技术的不断发展，新兴的航迹规划算法不断涌现。
其中，强化学习是一种非常有潜力的方法。
强化学习通过无人机与环境的交互学习最优的航迹。
通过奖励和惩罚机制，无人机逐步调整行为策略，以实现指定的任务目标。
另外，神经网络也被广泛应用于航迹规划算法中。
神经网络可以通过学习大量的数据来建立无人机的行为模型，实现智能航迹规划。
这些新兴技术使得无人机航迹规划算法在复杂环境中更加精准和高效。
5. 算法性能评估无人机的航迹规划算法的性能评估是研究的重要一环。
常用的评估指标包括航迹长度、时间效率、路径平滑度和油耗等。
航迹长度和时间效率是评估航迹规划算法的基本指标，路径平滑度则是评估算法是否产生了频繁的路径变动，油耗则是评估无人机能否在有限的能量资源下完成任务。
《2024年无人机航迹规划与导航的方法研究及实现》范文
《无人机航迹规划与导航的方法研究及实现》篇一摘要：随着无人机技术的迅猛发展，其应用领域越来越广泛，对航迹规划和导航系统的要求也越来越高。
本文深入研究了无人机航迹规划与导航的关键技术，并通过理论分析、算法优化及实际实现等方式，验证了所提方法的有效性和可行性。
一、引言无人机（Unmanned Aerial Vehicle，UAV）作为一种新型的空中平台，在军事侦察、环境监测、农业植保等领域发挥着越来越重要的作用。
航迹规划和导航系统作为无人机的核心组成部分，其性能直接决定了无人机的任务执行能力和安全性。
因此，对无人机航迹规划与导航的方法进行深入研究具有重要的理论意义和实际应用价值。
二、无人机航迹规划方法研究1. 航迹规划概述航迹规划是指在给定任务目标和约束条件下，为无人机规划出一条最优或近优的飞行路径。
该过程需要考虑地形、气象、飞行时间等多种因素。
2. 传统航迹规划方法传统的航迹规划方法主要包括基于规则的方法和基于优化的方法。
基于规则的方法通过预设的规则集来指导无人机的飞行决策，而基于优化的方法则通过建立数学模型并利用优化算法求解最优路径。
3. 智能航迹规划方法随着人工智能技术的发展，基于智能算法的航迹规划方法逐渐成为研究热点。
如基于遗传算法、神经网络、强化学习等方法的航迹规划，能够根据实时环境信息动态调整飞行路径，提高无人机的适应性和任务执行能力。
三、无人机导航方法研究1. 导航系统概述无人机导航系统主要依靠惯性测量单元（IMU）、全球定位系统（GPS）等传感器设备来实现定位和导航。
2. 传统导航方法传统导航方法主要包括基于GPS的导航和基于地形跟随的导航等。
这些方法在特定环境下具有良好的性能，但在复杂环境或无GPS信号覆盖的地区则可能失效。
3. 智能导航方法智能导航方法通过融合多种传感器信息和人工智能技术，实现更精确的定位和导航。
如基于视觉导航的方法可以利用摄像头等视觉传感器实现无人机的自主导航；基于多传感器融合的方法则可以综合利用多种传感器信息，提高导航的准确性和鲁棒性。
无人机航迹规划算法的研究与优化
无人机航迹规划算法的研究与优化无人机（Unmanned Aerial Vehicle, UAV）作为一种重要的航空系统，在军事、民用和商业领域得到了广泛的应用。
其中，无人机航迹规划算法的研究和优化对于实现无人机自主导航、提高飞行效率和确保安全具有重要意义。
本文将探讨无人机航迹规划算法的研究现状、存在的问题以及优化方法。
无人机航迹规划算法是指根据空中任务需求和航空环境信息，确定无人机的飞行路径和航迹点。
该算法的设计目标通常包括实现高度自主的飞行、避免碰撞与威胁、提高飞行效率以及适应不同任务需求等。
当前，常用的无人机航迹规划算法主要包括基于图搜索的路径规划算法、基于优化算法的航迹规划算法和基于人工智能的航迹规划算法。
首先，基于图搜索的路径规划算法是较为常见的方法之一。
该方法将无人机飞行空域划分为网格或节点网络，利用经典的图搜索算法，如A*算法或Dijkstra算法，寻找最优路径。
该算法简单易懂，计算效率高，适用于较小规模的航空空域。
然而，基于图搜索算法存在的问题是无法很好地处理动态环境变化和复杂的飞行任务，同时对于大规模航空空域，计算复杂度也会增加。
其次，基于优化算法的航迹规划算法能够考虑更多的因素和约束条件，因此在面对复杂任务和环境时更具优势。
常用的优化算法包括遗传算法（Genetic Algorithm）、粒子群算法（Particle Swarm Optimization）和模拟退火算法（Simulated Annealing）。
这些算法通过迭代搜索的方式，寻求最优的航迹方案。
然而，这些算法通常需要较长的计算时间，且对于问题的建模和参数的选择也具有一定的挑战。
最后，基于人工智能的航迹规划算法是近年来的研究热点之一。
其中，深度强化学习（Deep Reinforcement Learning）是一种前沿的技术。
通过训练神经网络模型，无人机可以从大量的数据中学习并优化航迹规划。
这种方法具有一定的自适应性和学习能力，适用于不断变化的环境和任务需求。
无人机航迹规划研究
无人机航迹规划研究随着现代技术的不断发展，无人机逐渐成为了军事、民用等领域中的重要应用。
然而，无人机在任务中需要完成复杂的路径规划，才能到达目的地并顺利完成任务。
而无人机的航迹规划问题是无人机应用领域中一个重要的问题。
无人机航迹规划是指根据任务需求，设计无人机的航迹路径，使得无人机在规定时间内能到达指定的目标点，并保证其安全性、稳定性、准确性和高效性。
该问题中要考虑的因素较多，包括天气、地形、能源限制、传感器性能等众多因素。
因此，如何正确而高效地规划无人机的航迹路径，一直是无人机技术研究的重点之一。
在无人机航迹规划的研究中，其中最核心的一项就是寻找航迹规划算法。
航迹规划算法的主要目的是设计一种优化算法，使得无人机在规定时间内到达指定地点。
目前主要的航迹规划算法包括遗传算法、人工神经网络、模拟退火算法和蚁群算法等。
这些算法在应用中会根据任务的具体特点进行选择。
遗传算法是计算机科学中的重要分支，是一种迭代算法，通过模拟自然选择与遗传机制的过程，在解决问题时找到最优解。
而无人机航迹规划是非线性规划问题，遗传算法可以有效缓解问题中复杂的多维度搜索，提高无人机航迹规划算法的求解效率，并且可以有效应对规划参数空间较大和不可预测自然灾害等问题。
人工神经网络是一种模拟大脑处理信息的算法，通过模拟神经细胞的连接和权值调节等方式来解决问题，可以有效解决非线性问题。
对于无人机航迹规划问题，人工神经网络算法可以根据历史的机器学习样本数据，对无人机进行航迹规划，提高航迹规划的准确性和适应性，并且可以根据事件反馈不断修正无人机的航迹规划。
模拟退火算法是一种全局优化算法，对于无人机航迹规划问题，可以先通过模拟随机温度抖动的方式来遍历解空间，缓解前沿问题和局部最优解的问题，最终找到全局最优解。
这种算法可以遍历大部分地形和交通流量分布等不可预测的因素，提高无人机的航迹规划效果。
蚁群算法是一种集群智能算法，仿照蚂蚁的觅食行为，通过人工智能机制，建立一个虚拟蚂蚁群体，来搜索相应问题的解空间。
无人机环境下的航迹规划技术研究
无人机环境下的航迹规划技术研究一、引言近年来，无人机技术飞速发展，越来越多的应用场景被开辟，如智慧农业、物流配送、快递、警用侦查等。
在这些应用场景中，航迹规划技术是至关重要的。
本文将对无人机环境下的航迹规划技术进行研究并探讨其应用前景。
二、航迹规划技术的基本概念航迹规划技术即是指在无人机的飞行任务中，为了达到特定的任务目标，对无人机的航迹进行计划和优化，以达到最佳的动力效益、机载设备工作效率和飞行安全等指标。
航迹规划算法是指利用数学方法和计算机模拟技术，对飞行任务的起点、落点和途中的障碍物等因素进行分析，计算得出最佳的航迹，从而实现飞行控制。
常用的航迹规划算法包括遗传算法、动态规划算法、模拟退火算法等。
三、无人机环境下航迹规划技术的挑战对于一架有人驾驶的飞机，飞行员可以根据自身经验和飞行设备给出的指示，实现对飞行航迹的控制。
但对于无人机，由于其没有人类驾驶员的干预，需要依靠预先设计和计算好的航迹进行飞行控制。
然而，在实际的无人机环境下，航迹规划面临着很多挑战，主要有以下几方面：1. 复杂的机动能力无人机具有更为灵活和多样化的机动能力，这意味着它们需要具备更先进的航迹规划算法，以实现更精准、更高效的控制。
2. 多个系统参数的影响无人机的飞行受到多个系统参数的影响，如气象因素、航线限制、避障系统等因素。
这些参数的变化会直接影响到航迹规划的计算和实现。
3. 计算资源的限制无人机拥有的计算资源相对于常规飞机的计算资源较为有限，这意味着在进行航迹规划时需要更加高效的算法和更精密的计算模型。
四、无人机环境下航迹规划技术的实现针对上述挑战，研究者们提出了许多有益的算法和技术，以实现无人机环境下的航迹规划。
在此，我们将主要介绍以下几个方面：1. 基于遗传算法的航迹规划技术遗传算法是一种基于生物进化理论的优化算法，它能够在复杂的模型和参数下，寻找到最优解。
在无人机环境下，研究者们也尝试利用遗传算法来实现航迹规划。
无人机航迹规划与控制技术研究
无人机航迹规划与控制技术研究无人机作为一种新兴的飞行器，具有许多独特的特点，如灵活机动、低成本、可自主控制等。
因此，它在多个领域不断得到应用，例如军事、民用、养殖等。
然而，无人机的飞行控制是一项复杂而关键的技术，对其运行安全和飞行效果的实现有着决定性的影响。
而无人机航迹规划与控制技术作为其中的重要组成部分，对于实现无人机运行的完美控制和规划航迹，有着至关重要的作用。
一、无人机航迹规划技术无人机航迹规划技术是无人机控制的重要组成部分，它的主要作用是为无人机制定可靠的飞行路线，以实现飞行任务。
航迹规划技术根据无人机的飞行要求，将任务拆分成不同的阶段，然后针对每个阶段进行规划，达到实现目标的效果。
具体而言，无人机航迹规划技术包括以下几个方面：1. 飞行任务分解无人机需要执行的任务是多种多样的，因此如何对任务进行拆分并确定其逻辑和执行顺序是航迹规划的核心。
在任务分解的过程中，需要对任务要求和约束条件进行分析，以制定飞行任务分析表，并建立任务模型和任务决策。
2. 飞行路径生成飞行任务分析表生成之后，需要确定无人机的飞行路径，即生成无人机的飞行航线。
飞行路径生成需要对无人机的任务需求和性能、环境和地形等进行综合考虑，在保证安全的前提下为无人机制定出最优的飞行路径。
3. 轨迹优化在规划无人机的飞行路径时，除了考虑最短路径以外，还需综合考虑无人机的飞行性能和能耗状况，对路径进行优化，使其更加合理和高效。
二、无人机航迹控制技术无人机航迹规划技术确定了无人机的飞行路径后，无人机航迹控制技术就可以发挥作用。
它主要负责将规划好的飞行路径转化为无人机的飞行姿态指令，以实现无人机的准确控制。
1. 飞行姿态反馈控制无人机航迹控制技术的主要任务是将航迹规划产生的目标飞行状态转换为无人机的控制指令，实现无人机的自主操作。
在此过程中，需要对无人机的动力、惯性、倾侧等特性进行精准控制，同时通过对无人机本身和飞行环境的反馈信息，进行飞行姿态的实时调整。
无人机轨迹规划算法的研究与应用
无人机轨迹规划算法的研究与应用随着无人机技术的不断进步，无人机在农业、电力巡检、消防、安保等众多领域得到了广泛应用。
但是，如何让无人机能够自主飞行、规避障碍物、路径规划等问题，一直是无人机领域的关键技术之一。
本篇文章将介绍无人机轨迹规划算法的研究与应用。
一、无人机轨迹规划算法的发展历程无人机轨迹规划算法的发展经历了三个阶段。
第一个阶段是在有固定起降点的环境下完成简单的航迹规划，这种算法主要是利用遗传算法、蚁群算法等来进行搜索求解，适用于无人机的航迹比较简单的场景。
第二个阶段是针对多无人机协同作战的情况开展的研究，这些算法都是要考虑无人机之间的协调工作，比如最优分配任务、互相支援等。
第三个阶段是在未知环境下的无人机自主飞行，目前这是无人机轨迹规划算法的一个研究热点，需要给出确切的环境拓扑图、避碰算法等。
二、无人机路径规划算法的基本原理无人机路径规划算法的基本原理是利用无人机的传感器获取环境信息，建立环境模型并进行路径搜索，最终获得无人机的路径规划。
因此，无人机路径规划算法的关键是如何建立合适的环境模型，这也是目前无人机智能化的核心问题之一。
目前，无人机路径规划算法主要分为单目标路径规划和多目标路径规划，前者是简单的从起点到终点的规划，后者则要考虑多个目标点的路径，包括任务点、规避碰撞点等，同时要考虑优化航路、时间、效率等因素。
三、无人机轨迹规划算法的应用无人机轨迹规划算法的可应用范围非常广泛，下面分几个方面来介绍。
1.农业农业领域是最早应用无人机的领域之一。
在农业生产的过程中，无人机可以用来检测耕地植被、病虫害情况、土壤湿度、温度等数据，从而实现精准农业，提高农作物的收益。
2.电力巡检电力巡检是无人机的又一个应用领域。
无人机可以搭载高清相机、热成像仪等设备，对电线杆、导线等设施进行了巡检和监测。
并且无人机具有快速、灵活的机动性，对于复杂的地形和交通状况不敏感，可大大提高巡检的效率和精度。
3.消防在火灾的现场，无人机可以从空中获取火场信息，确认火源、火势、火场边界等，从而帮助消防人员了解火情状况。
- 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)。
Doctor of Philosophy
in
Control Science and Engineering
Supervisor: Professor Wang Xin-Min
School of Automation Northwestern Polytechnical University June 2010
III
西北工业大学博士学位论文
ABSTRACT
the span. Based on the basic algorithm of vertex-edge pairs and the distance comparison, an optimal algorithm to calculate the width is proposed, whose time complexity is O(n). 3. An enhanced exact cellular decomposition method to plan the coverage path of UAVs in the complex polygon areas is proposed. A Minimal Sum of Widths (MSW) decomposition algorithm based on the greedy recursive method which revolves around decomposing the concave area into convex subregions is developed. It is proved that the algorithm is a polynomial time algorithm. The definitions of adjacency and entirely adjacency of polygons are given. To avoid unnecessary back and forth motion, some entirely adjacent subregions are combined. The joint-points matrix and the relationship between the incoming joint-point and the outgoing joint-point are constructed. Comparing different weights of two joint-points, a subregion connection algorithm based on minimum traversal of weighted undirected graph is proposed to connect the coverage paths of the subregions. 4. An algorithm of cooperative CFPP for multi-UAVs, which includes two parts: mission performance evaluation and mission region partition, is proposed. Combining Analysis Hierarchy Process (AHP) and Grey Correlation Analysis (GRA) method, an AHP-GRA evaluation method to evaluate the coverage mission performances of UAVs is developed. The consistency checking problem is transformed to the general statistical hypothesis testing problem which can improve the disadvantage of the traditional consistency proportional checking method. A partition algorithm based on the performances of UAVs and the widths of subregions is proposed to get the global optimization. Keywords: Unmanned Aerial Vehicles (UAVs); Coverage Flight Path Planning (CFPP); camera footprint; Minimal Sum of Widths (MSW); Joint-points matrix; AHP(Analysis Hierarchy Process)-GRA (Grey Correlation Analysis) evaluation algorithm
西 北 工 业 大 学
博 士 学 位 论 文
（学位研究生）
题目：
无人机区域覆盖 航迹规划技术研究
作
者：
陈海
学科专业： 控制科学与工程 指导教师： 王新民
2010 年 6 月
Research on Area Coverage Flight Path Planning for UAVs
By Chen Hai
西北工业大学博士学位论文
摘要
摘 要
无人机区域覆盖航迹规划就是在满足某种（某些）性能指标最优的前提下， 避开障碍物和威胁源，规划出一条能够遍历待覆盖区域的最优飞行路线。该技术 是无人机完成侦察、监视及搜索任务的关键，对于提高无人机的任务执行能力具 有重要意义。本文对无人机区域覆盖航迹规划技术进行了深入的研究，提出了一 些新颖的思路和算法。 本文首先从理论上证明了转弯机动对于无人机覆盖航迹规划来说是低效的， 由此确定了本文的优化准则为转弯次数最少；其次把基本区域的覆盖航迹规划问 题转化为求凸多边形的宽度问题，只要无人机沿宽度的垂直方向飞行，即可获得 最少的转弯次数；接下来对精确单元分解法进行了改进，用于复杂区域的覆盖航 迹规划；最后把无人机的任务性能评价和任务区域划分相结合，用于多无人机的 协同覆盖航迹规划。 本文的主要创新点如下： 1. 针对无人机覆盖航迹规划过程与机器人的不同，对无人机不同姿态角下的 探测区域及转弯机动的运动学特性进行了分析。给出了探测区域的长度和宽度随 俯仰角和滚转角变化的数学关系，以及偏航机动时，无人机坐标与探测区域坐标 之间的转换公式；推导出了给定巡航速度下燃油消耗量最低的法向过载计算公式； 分析了U型转弯和直角转弯过程中探测区域移动路线与无人机飞行路线之间的关 系， 分三种情况给出了U型转弯过程中转弯路程、 转弯时间和距离差值的计算公式； 从理论上证明了U型转弯机动比直角转弯机动的效率高。 2. 提出了一种基本区域的无人机覆盖航迹规划算法。给出了凸多边形跨度和 宽度的定义，把基本区域的覆盖航迹规划问题转化为求凸多边形的宽度问题；证 明了凸多边形区域的宽度只可能出现于“点边式”跨度之中，缩小了宽度的计算 范围；提出了一种距离比较算法，降低了凸多边形跨度的计算量；在“点边式” 基本算法和距离比较算法的基础上，提出了一种优化宽度算法，使算法的时间复 杂性降低为O(n)。 3. 提出了一种改进的精确单元分解算法，用于无人机在复杂区域中的覆盖航 迹规划。提出了一种基于贪心递归的最小宽度和（Minimal Sum of Width，MSW）
AHP-GRA 关键词：无人机；覆盖航迹规划；探测区域；最小宽度和；衔接矩阵； 关键词 评价法
II
西北工业大学博士学位论文
ABSTRACT
ABSTRACT
The area Coverage Flight Path Planning (CFPP) of Unmanned Aerial Vehicles (UAVs) is to plan a path to cover the all points of given area, which satisfies some optimal performance indices and avoids the obstacles and threat sources. This technology is the key to complete the mission of reconnaissance, surveillance and search and improve the ability of mission execution for UAVs. This paper studies the technology of CFPP for UAVs and proposes some novel ideas and algorithms. Firstly, the turning maneuver of coverage for UAVs is proved to be less efficient compared with the flat flying maneuver, so the least number of turns is chosen as the optimization criteria. Secondly, the problem of CFPP in basic areas is transformed to the width calculation of the convex polygons. If a UAV flies along the vertical direction of width, the coverage path can get the least number of turns. Thirdly, an enhanced exact cellular decomposition method to plan the coverage path of UAVs in complex polygon areas is proposed. Finally, the mission performance evaluation and mission region partition are combined to plan the cooperative coverage path of multi-UAVs. The main innovations of this paper are as follows: 1. Comparing with the coverage differences between the robots and the UAVs, the camera footprint with different attitude angles and kinematics properties in turning maneuver for UAVs are analyzed. The mathematical formulas of the length and the width of camera footprint in pitch and roll maneuvers and the coordinate transformation between the UAV centroid and the footprint center in yaw maneuver are given. A formula to obtain the normal acceleration for minimum fuel consumption under given flying velocity is presented. The relationships between the camera footprint paths and the flying paths in U-turn and right-angled-turn are analyzed. The distance, duration and distance difference value of turn are calculated in three different situations. It is proved that the U-turn is more efficient than the right-angled-turn in theory. 2. An algorithm to plan the coverage path for UAVs in the basic area is proposed. The definitions of span and width of convex polygons are given, and the problem of CFPP in convex polygon areas is transformed to the width calculation of the convex polygon. It is proved that the width of a convex polygon only be found in the span of vertex-edge pairs. In this way, the range of calculation narrows down. Then an algorithm using distance comparison is investigated to reduce the calculated amount of