一种基于蚁群算法的无人机协同任务规划优化算法

合集下载

基于改进遗传蚁群算法的无人机航路规划

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

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

基于蚁群算法的无人机协同多任务分配

二、基于云计算环境的蚁群优化计算资源分配算法
基于云计算环境的蚁群优化计算资源分配算法（Ant Colony Optimization based on Cloud Computing，ACOCC）的基本思想是：将云计算环境下的计算资源分配问题转化为一个组合优化问题，通过模拟蚂蚁觅食行为，利用蚁群优化算法来寻找最优解。
二、蚁群算法在路径规划中的应用
1、基本应用
蚁群算法在路径规划中基本应用是通过模拟蚂蚁寻找食物的过程，来寻找最优路径。例如，在地图上，我们可以将起点视为蚂蚁的巢穴，终点视为食物的位置，而地图上的其他点则视为可能的路径。蚂蚁会根据每条路径上的信息素浓度选择路径，信息素浓度越高，蚂蚁选择该路径的可能性就越大。最终，信息素浓度最高的路径就会被蚂蚁选择，从而得到最优路径。
参考内容三
随着科技的快速发展，许多领域都在研究如何通过模拟自然界中的生物行为来解决优化问题。其中，蚁群算法由于其优秀的寻优能力，受到了广泛的。本次演示将探讨蚁群算法在路径规划领域的应用和研究进展。
一、蚁群算法简介
蚁群算法是一种通过模拟自然界中蚂蚁找食过程的优化算法。蚂蚁在寻找食物的过程中，会释放一种名为信息素的化学物质，后来的蚂蚁会根据信息素的浓度选择路径，而信息素浓度高的路径会被更多的蚂蚁选择。这种通过模拟蚂蚁找食过程进行的优化算法，被称为蚁群算法。
参考内容
随着云计算技术的快速发展，如何有效地管理和分配计算资源已成为了一个重要的问题。蚁群优化算法作为一种仿生优化算法，具有自组织、自适应和鲁棒性等优点，因此可以应用于解决云计算环境下的计算资源分配问题。
一、云计算与蚁群优化算法
云计算是一种将大量计算、存储和管理任务分布到多个计算机上进行处理的技术，它具有弹性可扩展、按需付费等特点。云计算环境下的计算资源分配问题是一个复杂的问题，需要考虑多个因素，如任务的大小、优先级、负载均衡等。蚁群优化算法是一种模拟蚂蚁觅食行为的优化算法，它通过模拟蚂蚁的信息素传递过程来寻找问题的最优解。

基于蚁群算法的路径规划

基于蚁群算法的路径规划路径规划是指在给定起点和终点的情况下，找到一条最优路径使得在特定条件下完成其中一种任务或达到目标。

蚁群算法（Ant Colony Optimization，简称ACO）是一种模拟蚂蚁寻找食物路径的启发式算法，已经广泛应用于路径规划领域。

本文将详细介绍基于蚁群算法的路径规划的原理、方法和应用，旨在帮助读者深入理解该领域。

1.蚁群算法原理蚁群算法的灵感源自蚂蚁在寻找食物过程中携带信息以及通过信息交流来引导其他蚂蚁找到食物的群体行为。

算法的基本原理如下：1）路径选择方式：蚂蚁根据信息素浓度和距离的启发信息进行路径选择，信息素浓度高的路径和距离短的路径更容易被选择。

2）信息素更新方式：蚂蚁在路径上释放信息素，并通过信息素挥发过程和信息素增强机制来更新路径上的信息素浓度。

3）路径优化机制：较短路径上释放的信息素浓度较高，经过多次迭代后，社会积累的信息素会指引蚂蚁群体更快地找到最优路径。

4）局部和全局：蚂蚁在选择路径时，既有局部的能力，也有全局的能力，这使得算法既能收敛到局部最优解，又能跳出局部最优解继续探索新的路径。

2.蚁群算法步骤1）定义问题：明确起点、终点以及路径上的条件、约束等。

2）初始化信息素与距离矩阵：设置初始信息素值和距离矩阵。

3）蚂蚁移动：每只蚂蚁根据信息素浓度和距离的启发选择下一个节点，直到到达终点。

4）信息素更新：蚂蚁根据路径上释放的信息素更新信息素矩阵。

5）迭代：不断重复蚂蚁移动和信息素更新过程，直到满足停止条件为止。

6）输出最优路径：根据迭代结果输出最优路径。

3.蚁群算法应用1）TSP问题：旅行商问题（Traveling Salesman Problem，TSP）是蚁群算法应用的典型问题之一、该问题是在给定一组城市以及它们之间的距离，求解一条经过每个城市一次且最短的路径。

蚁群算法通过模拟蚂蚁在城市之间的移动来求解该问题，并能够较快地找到接近最优解的路径。

2）无人机路径规划：无人机路径规划是指在给定起点和终点的情况下，找到无人机的最优飞行路径。

基于蚁群算法的机器人全局路径规划的开题报告

基于蚁群算法的机器人全局路径规划的开题报告一、选题背景机器人在工业、农业、医疗等领域得到了广泛的应用。

机器人的路径规划是机器人移动的核心问题之一。

机器人路径规划技术主要分为局部路径规划和全局路径规划两种。

局部路径规划是指在已知的地图和机器人位置的情况下，通过运用不同的算法，生成机器人移动时的轨迹，保证机器人能够安全、高效地从当前位置移动向目标位置。

全局路径规划则是指在未知或部分未知环境下，机器人需要找到从起点到终点的全局最优路径。

蚁群算法是一种基于群体智能的优化算法，该算法的主要思想是通过模拟蚂蚁寻找食物的行为，使得种群中的个体在不断地移动和搜索中，最终找到全局最优解。

与其他基于群体智能算法相比，蚁群算法具有很强的全局搜索能力和优化能力。

因此，本文将研究基于蚁群算法的机器人全局路径规划方法，通过模拟蚂蚁寻找食物的行为，找到机器人从起点到终点的全局最优路径。

二、论文研究内容及意义2.1 研究内容本文主要研究在未知环境下基于蚁群算法的机器人全局路径规划，主要包括以下几个方面：1. 建立机器人运动的数学模型，确定机器人的运动方程和状态转移方程。

2. 基于蚁群算法，设计机器人的全局路径规划算法，通过模拟蚂蚁寻找食物的行为，找到机器人从起点到终点的全局最优路径。

3. 结合机器人的运动模型和路径规划算法，实现基于ROS的机器人路径规划系统，并对系统进行实验验证。

2.2 研究意义机器人路径规划技术与实际应用密切相关，对机器人的自主行动和任务执行具有重要意义。

本文基于蚁群算法研究机器人全局路径规划，将具有以下意义：1. 通过研究基于蚁群算法的机器人全局路径规划，使得机器人能够在未知环境中找到全局最优路径，提高了机器人的自主控制能力。

2. 设计基于ROS的机器人路径规划系统，有效地将理论研究应用到实际中去。

3. 本研究通过蚁群算法为机器人路径规划提供了一种新的思路和方法，具有一定的理论和实际参考价值。

三、研究方法本文主要采用以下几种研究方法：1. 理论分析法：分析机器人的运动模型和状态转移方程，推导蚁群算法应用于机器人路径规划的数学模型。

无人机航迹规划中的路径规划算法比较与优化

无人机航迹规划中的路径规划算法比较与优化无人机（Unmanned Aerial Vehicle，简称无人机）作为近年来飞行器技术的重要突破之一，在航空航天、军事、农业、物流等领域发挥着重要作用。

在无人机的飞行控制中，路径规划算法的选择至关重要，它决定了无人机的飞行轨迹，直接影响着无人机飞行的效率和安全性。

本文将对几种常见的无人机路径规划算法进行比较与优化分析。

1. 最短路径算法最短路径算法是无人机航迹规划中最常用的算法之一。

其中，迪杰斯特拉（Dijkstra）算法和A*算法是两种主要的最短路径算法。

迪杰斯特拉算法是一种基于广度优先搜索的算法，通过不断更新每个节点的最短路径长度，最终确定无人机飞行的最短路径。

A*算法在迪杰斯特拉算法的基础上加入了启发式函数，能够更加准确地估计路径的代价。

2. 遗传算法遗传算法是一种模拟自然界进化过程的优化算法。

它通过对候选路径进行遗传操作（如选择、交叉、变异等），通过适应度函数对路径进行评估，最终得到适应度最高的最优路径。

遗传算法具有较好的全局搜索能力，能够寻找到较优的飞行路径。

3. 蚁群优化算法蚁群优化算法模拟了蚂蚁的觅食行为，通过信息素的交流和更新来实现路径的优化。

蚁群算法具有较强的自适应性和鲁棒性，能够快速找到较优的路径。

在无人机航迹规划中，蚁群算法可以有效解决多无人机协同飞行的问题。

4. PSO算法粒子群优化（Particle Swarm Optimization，简称PSO）算法模拟了鸟群觅食的行为，通过不断地更新粒子的位置和速度，寻找最优解。

PSO算法具有较好的收敛性和全局搜索能力，在无人机航迹规划中能够有效地找到较优的路径。

5. 强化学习算法强化学习算法是一种通过试错和奖惩机制来优化路径选择的算法。

它通过构建马尔可夫决策过程（Markov Decision Process，简称MDP）模型，通过不断地与环境交互来学习最优策略。

强化学习算法在无人机航迹规划中能够适应环境的变化，快速学习到最优路径。

无人机技术自动飞行的路径规划算法

无人机技术自动飞行的路径规划算法近年来，无人机技术的快速发展为人们的生活带来了便利和乐趣。

无人机的自动飞行是其中一个重要的技术领域，而路径规划算法作为无人机自动飞行的核心之一，在保证飞行安全和性能效果的前提下，起着至关重要的作用。

路径规划算法是指为无人机制定一条从起飞点到目标点的最优飞行路径的过程。

它的目标是通过合理地选取航线和航点，使得无人机能够安全、高效地到达目标点。

在路径规划算法中，有许多种方法可以实现自动飞行的路径规划。

下面将介绍几个常见的无人机自动飞行的路径规划算法。

1. 最短路径算法：最短路径算法是一种经典的路径规划算法，常用于无人机自动飞行中。

它通过计算起点到终点的最短路径长度来确定无人机的飞行路线。

在实际应用中，最短路径算法可以采用迪杰斯特拉算法、贝尔曼-福特算法等等。

通过这些算法，可以选择最短路径，使得无人机飞行时间最短。

2. A*算法：A*算法是一种启发式搜索算法，常用于无人机自动飞行的路径规划。

A*算法通过估计从起点到终点的最短距离，并通过启发函数来选择下一个飞行点，从而实现路径规划。

A*算法能够灵活地适应各种场景，并且具有较高的搜索效率和路径规划精度。

3. 遗传算法：遗传算法是一种模拟生物进化过程的优化算法，也可以用于无人机自动飞行的路径规划。

遗传算法通过不断迭代优化路径，使得无人机可以选择最佳的路径。

它模拟了自然界的进化原理，以适应不同的环境和约束条件，从而得到最优的路径。

除了上述几种常见的无人机自动飞行的路径规划算法之外，还有其他一些算法如深度学习算法、蚁群算法等等，它们都可以用于无人机自动飞行路径规划，具有各自的特点和优势。

根据实际需求和应用场景的不同，选择适合的路径规划算法可以提高无人机的飞行效果和性能。

总结起来，无人机自动飞行的路径规划算法是实现无人机自主飞行的重要组成部分。

通过合理选择和应用路径规划算法，可以让无人机在飞行过程中做出明智的决策，避开障碍物，飞行安全到达目的地。

无人机路径规划算法的优化方法研究

无人机路径规划算法的优化方法研究无人机技术的迅猛发展使得无人机应用领域愈加广泛，其中路径规划算法的优化成为无人机自主飞行的重要研究方向之一。

优化路径规划算法可以提高无人机的效率、安全性和可靠性，进一步拓展了无人机的应用领域。

本文将介绍几种常见的无人机路径规划算法优化方法，并深入研究其优缺点及适用范围。

一、遗传算法优化方法遗传算法是一种模拟生物进化的优化方法，它模拟了进化的过程：交叉、变异和选择。

在无人机路径规划中，可以将路径规划问题建模为一个遗传算法优化问题。

首先，将无人机飞行区域划分为一个个离散的网格点，然后将每个点作为遗传算法的基因。

通过交叉和变异操作，产生新的基因组合，即路径。

最后，根据预定义的评估函数对生成的路径进行选择。

遗传算法优化方法的优点是可以处理复杂的路径规划问题，同时具备全局搜索能力。

然而，由于遗传算法本身的特点，其计算复杂度较高，需要进行大量的迭代次数才能找到最优解。

因此，适用于无人机路径规划问题中对效率要求不高且规模较小的情况。

二、模拟退火算法优化方法模拟退火算法是一种基于概率的全局优化算法。

它通过模拟固体物质冷却时的退火过程来搜索最优解。

在无人机路径规划中，路径的选择和生成过程可以类比为固体物质的结晶过程。

通过不断降低温度，达到寻找全局最优解的目的。

模拟退火算法优化方法的优点是具有一定的全局搜索能力，并且相对于遗传算法来说，其计算复杂度较低。

然而，模拟退火算法难以克服局部最优解的困扰，容易陷入局部最优解而无法找到全局最优解。

因此，适用于规模较小且对效率要求不高的无人机路径规划问题。

三、蚁群算法优化方法蚁群算法是一种模拟蚂蚁觅食行为的优化算法。

在蚁群算法中，每只蚂蚁根据信息素信息选择路径，并通过释放信息素来引导其他蚂蚁选择路径。

这样，整个群体通过信息素的正反馈调节逐渐趋于全局最优解。

蚁群算法优化方法的优点是具有较强的适应性和鲁棒性，能够有效地处理复杂的路径规划问题。

同时，蚁群算法也具有一定的并行计算能力，能够加速路径规划的过程。

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)。

一种基于蚁群算法的无人机协同任务规划优化算法
作者：黄伟民王亚刚
来源：《软件导刊》2017年第07期
摘要：随着无人机在军事领域的广泛应用，越来越多的无人机将应用在未来战场，因此无人机协同规划变得越来越重要。

建立了多无人机协同任务分配模型，并研究了模型求解的有效算法。

在蚁群算法的基础上提出针对密度较大目标区域的多无人机协同任务规划的优化方法，优化蚁群算法的搜索条件，降低了蚁群算法的时间和空间复杂度。

关键词：无人机；协同规划；蚁群算法；目标群密度
DOIDOI：10.11907/rjdk.171261
中图分类号：TP319
文献标识码：A 文章编号：1672-7800（2017）007-0131-03
0 引言
多基地多无人机协同侦查模型可以描述为：利用多种不同性能的无人机对多个空间分散的目标进行侦查，这些无人飞机分散在多个地理位置不同的基地上，需要快速制定无人侦查飞机的侦查任务计划以满足侦查要求和实际约束条件。

在无人机迅速发展的同时，雷达技术也快速发展，因此一旦有侦察无人机进入防御方某一目标群配属雷达探测范围，防御方目标群的配属雷达均开机对空警戒和搜索目标，并会采取相应对策，包括发射导弹对无人机进行摧毁等，因此侦察无人机滞留防御方雷达探测范围内时间越长，被其摧毁的可能性就越大[1-2]。

本文以侦察、监视任务为中心，以协同探测多基地目标为背景，在蚁群算法规划路线的基础上进一步优化线路，以此尽可能缩短无人机任务飞行时间和被雷达探测到的时间。

2 无人机侦察目标群聚类
为了最大程度上利用各无人机基地资源，首先要对目标群进行聚类。

常用的聚类方法有K-means聚类算法、层次聚类算法、SOM聚类算法和FCM聚类算法[3]。

本文采用层次分析法对目标群进行聚类，通过聚类，可以规划出各无人机基地派出的无人机的探测目标群，在无人机数量和飞行参数限制条件下，这样做能最大限度地提高效率。

层次分析法的算法流程如图1所示。

3 基于改进蚁群算法的目标群路线规划
对目标群聚类后，要对每个类里的线路进行规划[4，6-7]，首先采用蚁群算法规划路线。

在无人机协同任务规划中，蚁群算法能够很好地规划目标群之间的最优路径，但是没有考虑到目标群密度条件，针对密度较小的目标群，蚁群算法给出的是最优解，但是对于密度较大的目标群模型，蚁群算法给出的路径并不是最优解，很多在无人机探测半径之内的目标可以一次飞过，不需要飞到每个点的上空探测，尽可能在两侦查目标之间航行，能够侦查到载荷搜索范围内的目标。

鉴于此，提出对蚁群算法的改进算法。

首先对三目标距离模型进行建模，设无人机的探测半径为Kr，如图2所示。

x为目标1到目标3的距离，y为目标2到目标3的距离，a为1，2目标之间的距离，则可得其模型如图2所示。

Step3：当m只蚁都完成了后续节点选择后，完成一次循环，各路径上信息素根据下式进行局部信息素更新：
其中，Δτkij 表示第k只蚂蚁留在路径（i，j）上的信息素，表示本次循环中路径（i，j）信息素的增量；ρ为信息素轨迹的衰减系数，通常设置ρ
Step4：重复Step2和Step3，直到到达目标点。

更新全局信息素Q，清空k的禁忌表tabuk。

Step5：计算蚂蚁所有路径的总长度，将新的路径与已知的最优路径相比较。

若新路径更优，则替换已知的最优路径，存储当前最优路径的各个节点。

Step6：迭代次数Nstep加1，若Nstep>Maxstep，则停止寻找，输出最优路径，否则转到Step2继续寻找。

蚁群算法的时间和空间复杂度为[5]：
式中，n为所求问题规模，Nc 为算法的迭代次数，m为所求问题中的样本数量[11]。

改进后的蚁群算法时间和空间复杂度为：
4 实验结果分析
为验证算法的可行性和有效性，用Matlab对算法进行程序仿真[8-9]。

图3为多无人机基地和目标群落之间的地理位置关系；图4为各目标群落内目标间距离关系图。

对此情景下的多无人机协同任务进行规划。

使用MATLAB编写层次聚类算法[3]求出各目标群的聚类图，如图5所示。

实验参数为信息启发式因子α =1；期望启发式因子β=5；信息素残留因子ρ =0.5；蚁群的波数为20；每波蚂蚁的数量为30。

用MATLAB对蚁群算法[5]进行仿真求出侦查路径和航程，如表1所示；使用改进后的蚁群算法计算出侦查路径和航程，具体如表2所示。

由表1、表2可得出，优化后的路线减少了飞行的节点数，从而减少了转弯次数，降低了能耗和路径长度，飞行距离减少了36.7%。

5 结语
本文主要研究解决了多无人机协同规划问题，采用层次聚类对目标群进行行分类，把分类目标群分配给各无人机基地。

将目标群密度因素引入到蚁群算法中，极大降低了蚁群算法的时间和空间复杂度，加快了算法的收敛速度。

用Matlab进行仿真实验，仿真结果表明，改进的蚁群算法能够更好地解决多无人机规划的实际问题，且随着目标群的密度变大和无人机探测半径的增加，其优化效果越明显。

参考文献：
[1] BAUSO D，GIARRE L，PESENTI R.Multiple UAV cooperative path planning via neuro-dynamic programming[C].Proceedings of the IEEE Conference on Decision and Control，2004：1087-1092.
[2] AIAA.Cooperative task assignment and path planning of multiple UAVs[C].2007 Conference and Exhibit，California，2007.
[3] WANG X Z，XIAO J B.Applied research of adshpso algorithm in multi-uav cooperative mission planning[J].Applied Mechanics& Materials，2013（375）：1106-1109.
[4] 邓启波.多无人机协同任务规划技术研究[D].北京：北京理工大学，2014.
[5] 郭海洋.基于蜂群算法的无人机群协同飞行策略研究[D].哈尔滨：哈尔滨工程大学，2012.
[6] 韩攀.多无人机协同任务规划技术[D].南京：南京航空航天大学，2013.
[7] 程聪.无人机协同作战任务分配与攻击效能评估技术[D].南京：南京航空航天大学，2013.
[8] 王国强，罗贺，胡笑旋.无人机编队协同任务规划仿真系统研究[J].系统仿真学报，2014（8）：1856-1862.
[9] 吴静.多无人机协同航迹规划及效能评估方法研究[D].南昌：南昌航空大学，2012.
[10] 朱艳萍.多无人机协同攻击策略研究[D].南昌：南京航空航天大学，2012.。