一类新算法研究智能飞行器航迹规划问题
基于智能优化算法的无人机航迹规划研究
量更新公式如公式（12）所示。
flameno
round
§ ©¨
Q
l
Q 1 T
· ¹¸
（12）
式中 ：round（*）为取整函数 ；l、T 分别为算法当前迭代次
¦ f x
1 4000
n i1
xi2
n i1
cos
§ ©¨
xi i
· ¹¸
1
（13）
式中 ：n 为优化问题的维数，n=2 ；xi 为优化变量 ；i 为优 化变量的维数，i=1，这处取值 1、2。
Am,n
°1, ®
Zm,n
d
ZT m,n
dsafe
¯°0, other
（4）
法以及灰狼优化算法等，经过试验仿真都具有较好的规划 效果 [3]。飞蛾扑火算法（Moth-Flame Optimization，MFO） 是一种仿生优化算法，该算法是通过观察、效仿飞蛾围绕 光源飞行行为提出的，具有寻优速度快、设置参数少以及 易于实现等优点。该文将飞蛾扑火算法应用到无人机规划 优化问题中，建立无人机航迹模型并进行仿真分析，以验 证飞蛾扑火算法在求解该类问题过程中的优越性。
由螺旋函数可知，t 的取值可以显示飞蛾与火焰的远
近程度，当 t 取值为 -1 时，飞蛾距离焰最近 ；当 t 取值为
1 时，飞蛾距离火焰最远，即 t 取值越小，飞蛾与火焰的距
离越近，同时火焰的更新频率也越高。通过不断调整 t 的
取值，使飞蛾遍历整个搜索空间。为了使算法初期具有较
强的爬坡能力，迭代后期具有较强的局部开发能力，需要
2 飞蛾扑火算法
飞蛾扑火算法是一种高效的仿生智能优化算法，该算 法是通过观察效仿飞蛾围绕光源飞行行为提出的一种仿 生优化算法 [8-9]。M 为飞蛾个体集合，每个飞蛾个体都代 表 1 种优化问题的解决方案，OM 为个体对应的适应度值，
无人机航迹规划群智能优化算法综述
无人机航迹规划群智能优化算法综述随着无人机技术的不断发展，无人机的应用场景越来越广泛。
而无人机的安全和效率都与其航迹规划密切相关。
对于一个无人机系统，其航迹规划需要符合多个方面的要求，如避免障碍物、规避禁飞区、节约能量等。
而传统的航迹规划方法往往不能同时满足所有要求，因此，需要通过智能优化算法来解决这一问题。
本文将综述目前常用的无人机航迹规划群智能优化算法。
1.遗传算法遗传算法是一种高度并行、随机化和盲目搜索的优化算法。
其仿效生物进化的过程，通过基因的变异和交叉来产生新的解，并通过自然选择的方式筛选优秀的解。
在航迹规划中，可以通过遗传算法来生成一组候选解，并通过适应度函数评价其质量，最终得到一个最优解。
2.粒子群优化算法粒子群优化算法是一种模拟鸟群觅食的系统，通过模拟每个“粒子”在搜索空间中飞行的过程，不断更新粒子的位置和速度，直到找到最优解。
在航迹规划中，可以将无人机视为一个“粒子”，通过粒子群优化算法来求解它的最优航迹。
3.蚁群算法4.人工免疫算法人工免疫算法是一种模拟生物免疫系统的优化算法，通过逐步建立抗体库，并通过选择、克隆和突变等操作，逐渐生成更优秀的解。
在航迹规划中，可以通过人工免疫算法来生成一组初始解，并不断优化，直到找到最优解。
5.模拟退火算法模拟退火算法是一种模拟冶金中物质退火过程的优化算法，通过逐步降低温度的方式，逐渐将系统达到稳定状态。
在航迹规划中，可以通过模拟退火算法来生成一些随机解，并通过一个适应度函数评价其质量，逐步优化到最优解。
综上所述，无人机航迹规划群智能优化算法具有很大的优势，可以满足多方面的要求，提高航迹规划的效率和安全性。
同时，各种优化算法各具特点，需要根据具体的问题来选择合适的算法进行求解。
基于人工智能的航空飞行路径规划算法研究
基于人工智能的航空飞行路径规划算法研究随着航空业的迅速发展，航班数量的增加和航线网络的扩张，航空飞行路径规划成为了一项重要的任务。
传统的规划方法往往依赖于专家经验和数学模型，但面对庞大的航班数据和复杂的空中交通状况，传统方法难以有效应对。
因此，基于人工智能的航空飞行路径规划算法应运而生。
本文将介绍基于人工智能的航空飞行路径规划算法的研究进展及应用前景。
首先，我们将概述航空飞行路径规划的基本问题及挑战。
然后，介绍人工智能在航空领域的应用现状，并重点讨论基于人工智能的路径规划算法。
一、航空飞行路径规划的问题与挑战航空飞行路径规划是指为航班规划合理的飞行路径，以最大程度地提高飞行效率和航班安全。
具体问题包括航班的起降点选择、航路选择、航速安排、高度优化等。
然而，由于航线网络的复杂性和动态性，航空飞行路径规划面临着以下挑战：1. 数据量庞大：航空数据包括大量的航班信息、航线数据、航空器性能等，需要快速处理和分析大量数据。
2. 复杂的空中交通状况：航空交通具有高度动态性和复杂性，航空飞行路径规划需要考虑到其他航班的飞行轨迹，避免相互干扰和冲突。
3. 多目标优化：航空飞行路径规划需要考虑多个目标，如最短飞行时间、燃料消耗最少、航班延误最小等，这涉及到多目标优化问题。
二、基于人工智能的航空飞行路径规划算法人工智能技术在航空领域的发展为航空飞行路径规划提供了新的思路和方法。
以下是几种基于人工智能的路径规划算法：1. 遗传算法(Genetic Algorithm, GA)：遗传算法是一种模拟自然选择和遗传机制的优化方法。
它通过选择、交叉和变异等操作来获取优秀的解决方案。
在航空飞行路径规划中，可以将飞行路径表示为染色体，使用遗传算法优化染色体的适应度，得到最优路径。
2. 粒子群算法(Particle Swarm Optimization, PSO)：粒子群算法模拟了鸟群觅食的行为，通过粒子的位置和速度来搜索最优解。
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。
一种智能航迹规划方法
一种智能航迹规划方法引言航迹规划是一项重要的任务，涉及到飞行器的路径选择和时序安排。
传统的航迹规划方法往往依赖人工经验和静态计划，并且没有考虑飞行环境的动态变化。
为了提高航空交通的效率和安全性，智能航迹规划方法应运而生。
本文介绍一种基于智能算法的航迹规划方法，旨在从多个方面综合考虑飞行器的动态需求和飞行环境的变化，以实现高效、安全、自适应的航迹规划。
方法1. 飞行器需求分析在智能航迹规划中，首先需要对飞行器的需求进行准确的分析。
这包括飞行器的任务要求、航路和高度限制、航程等因素。
同时，还需要考虑飞行器的性能指标，如速度、燃油消耗等。
通过对这些需求的分析，可以为后续的航迹规划提供准确的输入参数。
2. 飞行环境感知智能航迹规划方法需要准确感知飞行环境的变化，从而根据实时数据做出相应的决策。
这包括对气象条件、空域情况、交通流量等关键因素的实时监测和分析。
通过传感器技术和数据处理算法，可以实现对飞行环境的高精度感知，为航迹规划提供准确的环境数据。
3. 智能算法设计智能航迹规划方法的核心是智能算法的设计和优化。
可以采用遗传算法、模糊逻辑、神经网络等一系列智能算法，通过对飞行器需求和飞行环境数据的综合分析和优化，生成最优的航迹规划方案。
在算法设计过程中，还需要考虑时间、空间约束等因素，确保规划的可行性和有效性。
4. 航迹优化和交互调整智能航迹规划方法可以实现航迹的自动优化和交互调整。
在实际飞行中，由于环境的不确定性和动态变化，航迹规划方案可能需要进行调整。
智能航迹规划方法可以根据实际情况和需求的变化，动态地调整航迹规划方案，以最优的方式实现飞行任务的完成。
5. 实验验证为了验证智能航迹规划方法的有效性，可以进行一系列的实验。
通过对不同飞行任务和环境条件的模拟和评估，可以评估和比较不同航迹规划方法的性能。
同时，还可以通过实验收集的数据，进一步优化和改进智能航迹规划算法，提升其性能和可靠性。
结论智能航迹规划方法通过综合考虑飞行器需求和飞行环境的动态变化，可以实现高效、安全、自适应的航迹规划。
飞行器航迹规划技术研究及优化算法设计
飞行器航迹规划技术研究及优化算法设计近年来，飞行器航迹规划技术的研究和优化算法设计取得了重大进展。
在飞行器的控制和导航中，航迹规划是一个至关重要的环节。
因此，如何进行航迹规划以实现安全、高效、准确和节能的飞行成为全球学术界和工业界共同关注的热点问题。
本文将从研究现状、方法分析和进一步的研究方向等方面进行阐述，以期对该领域的发展有所帮助。
一、研究现状航迹规划是指规划一种优化的路径来使得飞行器按照规划的路径进行运动。
这些路径必须满足多方面的要求，包括安全、节能、准确和高效等方面的要求。
近年来，随着计算机技术和优化算法的快速发展，航迹规划技术得到了极大的提升。
当前主要的研究方向包括：1. 基于模型预测控制的航迹规划：该方法主要是基于经典的模型预测控制理论，将所需要的航迹进行优化，最终得到一条准确性更高、安全性更好的航迹。
这种方法的主要缺点是计算速度慢，不适合实时应用。
2. 基于自适应实时优化的航迹规划：该方法主要是根据飞行器目前的状态实时地进行航迹变化，以便更好地适应不同的飞行环境。
这种方法的主要优点是计算速度快，适合相对实时的应用。
3. 基于遗传算法和人工神经网络的航迹规划：这种方法主要依靠遗传算法和人工神经网络对航迹进行优化，以达到最佳的效果。
这种方法的优势在于可以适应各种不同的飞行环境，但缺点在于计算速度慢，使用难度较大。
总体而言，目前航迹规划技术的研究取得了重大进展，但是依然存在着一定程度的局限性和问题。
进一步的研究和创新依然是必要的。
二、方法分析针对航迹规划技术的局限性和问题，需要进一步探讨可行的解决方法。
当前主要的方法包括：1. 基于深度学习和优化算法的航迹规划：深度学习是人工智能领域最热门的技术之一，可以用于提高对飞行器监控数据的分析和识别，以便更准确地进行航迹规划。
同时，引入优化算法可以增强航迹规划的效率和效果。
2. 基于有限状态机的航迹规划：有限状态机是控制系统中的一种基本抽象模型，可以用于描述和识别多种不同的飞行状态。
飞行器运动控制与轨迹规划算法的研究与优化
飞行器运动控制与轨迹规划算法的研究与优化近年来，飞行器的运动控制与轨迹规划算法的研究与优化备受关注。
飞行器是一种重要的航空交通工具，它的运动控制和轨迹规划算法的优化对于实现高效、安全、稳定的飞行具有重要意义。
本文旨在探讨飞行器运动控制与轨迹规划算法的研究现状以及其优化方法。
飞行器的运动控制是指通过控制飞行器的姿态、位置和速度等参数，实现对飞行器运动的精确控制。
运动控制算法对于飞行器的姿态稳定、航向控制和飞行状态感知等方面起着关键作用。
目前，常用的飞行器运动控制算法包括PID控制算法、模糊控制算法和自适应控制算法等。
PID控制算法是一种基于比例、积分、微分控制的经典控制算法，具有简单易实现、稳定可靠的特点。
通过不断调节比例、积分和微分参数，PID控制算法可以实现对飞行器的姿态、速度和位置等参数的精确控制。
而模糊控制算法则是基于模糊逻辑控制原理设计的一种智能控制算法，它可以处理不确定性和模糊性信息，适用于对飞行器运动控制过程中存在的非线性和复杂性问题。
另外，自适应控制算法能够根据飞行器运动状态的变化自动调整控制参数，具有较好的适应性和鲁棒性。
为了进一步提高飞行器的运动控制效果，研究者们提出了一系列的优化方法。
其中，基于模型的优化方法是一种常用的方法。
它通过建立准确的飞行器运动模型，并将优化问题转化为数学模型求解，寻找最优的控制策略。
基于模型的优化方法可以充分利用飞行器动力学特性和控制要求，提高控制精度和响应速度。
此外，进化算法也被广泛应用于飞行器运动控制与轨迹规划算法的优化中。
进化算法是一类基于自然进化原理的启发式算法，如遗传算法、粒子群优化算法等，它们具有全局搜索和寻优能力，能够有效地搜索最优解空间。
除了运动控制算法的研究，飞行器轨迹规划算法的优化也是飞行器研究中的关键问题。
轨迹规划是指寻找一条飞行路径，使飞行器从起始点到目标点的过程中满足一定的约束条件，并尽可能地减小飞行时间和能量消耗。
传统的飞行器轨迹规划算法主要基于几何路线和数学模型，通过分析机体动力学和环境因素，生成一条满足约束条件的飞行路径。
飞行器航迹规划算法的优化研究
飞行器航迹规划算法的优化研究近年来，随着航空运输业的快速发展，越来越多的飞行器开始使用自动化系统进行飞行航迹规划。
而在自动飞行控制系统中，航迹规划算法是非常重要的组成部分，其决定了飞行器的飞行路线和飞行性能。
因此，对于飞行器航迹规划算法的优化研究，可以有效提高飞行器的飞行效率和准确性。
飞行器航迹规划算法的基本原理在自动飞行控制系统中，航迹规划算法是建立在导航、飞行动力学等多个领域的基础上的。
其基本原理是将飞行器的位置和目标位置作为输入，通过计算达到目标位置所需的最短路径，进而确定飞行器的飞行航迹和航向角。
具体来说，航迹规划算法分为两种类型：一种是基于模型的航迹规划算法，这种算法是依据飞行器的飞行动力学模型，在指定的航向角、高度、速度等条件下，计算出最短路径，以实现最优的航迹规划。
另一种是基于搜索的航迹规划算法，该算法是在具有障碍物和其他限制条件的复杂环境中，通过搜索算法计算出飞行器飞行的最短路径。
具体来说，搜索算法可以将路径规划问题转化为一个搜索问题，通过遍历所有可能的路径来找到最优解。
目前，最常用的航迹规划算法是基于模型的最优航迹规划算法。
这种算法通过数学模型来确定飞行器的最佳航迹，并可以根据具体情况进行调整和优化。
优化飞行器航迹规划算法的研究方向优化航迹规划算法可以提高飞行器的飞行效率和准确性。
现在，在飞行器航迹规划算法优化研究方面有以下几个主要方向：一、优化航迹规划算法的速度和准确性随着航空业的快速发展，飞行器飞行的速度和准确性是越来越重要。
因此，在优化航迹规划算法方面的研究，首先需要解决的是速度和准确性问题。
目前，最常用的方法是使用数学规划算法和优化算法对航迹规划算法进行优化。
数学规划算法主要是基于最优化理论来优化航迹规划算法，使得飞行器飞行更加快速和准确。
而优化算法则更加关注对算法的实时性和鲁棒性的优化，意味着可以在较短的时间内得到更好的结果。
二、优化航迹规划算法的适应性和鲁棒性在实际的飞行控制过程中，飞行器需要在复杂的环境条件下进行飞行，由此导致飞行器航迹规划算法的应用面临一些挑战。
- 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)。
1. 引言
智能飞行器飞行操作的多约束环境下的航迹快速规划优化技术，是研究智能飞行器控制的一个重要 问题。但是由于系统结构的设置产生的限制，这类飞行器的定位系统，对自身进行精准定位无法进行， 定位误差如果累计到一定程度，就可能导致整体任务失败。所以在飞行过程中对定位误差进行校正，是 智能飞行器航迹规划中一项重要步骤[1]。本文研究智能飞行器在系统定位精度限制下的航迹快速规划问 题，即如何在轨迹规划的过程中，将定位误差限制在可接受范围内，保证任务的顺利完成。
A*搜索算法的搜索效率由搜索方向和搜索步长决定。为了提升搜索效率，需要从搜索方向、搜索节 点确定改进。路径的优劣则主要依赖于估价函数的设计。所以我们从搜索节点和方向方面改进，结合本 文要解决的问题，我们改进了校正点的选择，例如每次选择可达域中最近的校正点，并且本文需要加入 水平、垂直的校正，在算法的搜索方向改进中，考虑如果当前校正了水平误差，则水平误差暂时无忧， 能最快降低垂直误差的机会就是下一次校正，如此交替进行，这样就 能确保两个误差都尽可能小，所以 改进后的算法的设计对极端情况承受能力较强，并将改进的算法的具体步骤设计在下文給出，除非另有 说明，否则我们总是在本文中使用算法命名的符号。
Keywords
Route Planning, Multiple Constraints, Improved A* Algorithm, Time and Space Complexity
一类新算法研究智能飞行器航迹规划问题
傅维晨，梁茜茜，张民航，孙菊贺
沈阳航空航天大学理学院，辽宁 沈阳
收稿日期：2019年10月29日；录用日期：2019年11月14日；发布日期：2019年11月21日
Received: Oct. 29th, 2019; accepted: Nov. 14th, 2019; published: Nov. 21st, 2019
Abstract
The intelligent aircraft route planning problem is a three-dimensional planning problem which is large-scale, multi-objective and multi-constraint. Such problems can be attributed to the path planning problem, which requires shorter paths to reach the destination in a shorter time while satisfying the corresponding conditions. This paper transforms the constraints of the track into practical problems, and through the improved A* algorithm, establishes two algorithm models that conform to the flight route planning of the aircraft. By comparing the two schemes, in two cases, the algorithm program can obtain the track planning result table and path map. The validity and complexity show that the proposed algorithm is very effective.
假定飞行器的出发点为 A 点，目的地为 B 点。其航迹约束如下： (1) 飞行器在空间飞行过程中需要实时定位，其定位误差包括垂直误差和水平误差。飞行器每飞行 1m，垂直误差和水平误差将各增加 δ 个专用单位,，以下简称单位。到达终点时垂直误差和水平误差均应 小于 θ 个单位，并且为简化问题，假设当垂直误差和水平误差均小于 θ 个单位时，飞行器仍能够按照规 划路径飞行。 (2) 飞行器在飞行过程中需要对定位误差进行校正。飞行区域中存在一些安全位置(称之为校正点)可 用于误差校正，当飞行器到达校正点即能够根据该位置的误差校正类型进行误差校正。校正垂直和水平 误差的位置可根据地形在航迹规划前确定。可校正的飞行区域分布位置依赖于地形，无统一规律。若垂 直误差、水平误差都能得到及时校正，则飞行器可以按照预定航线飞行，通过若干个校正点进行误差校 正后最终到达目的地。 (3) 在出发地 A 点，飞行器的垂直和水平误差均为 0。 (4) 飞行器在垂直误差校正点进行垂直误差校正后，其垂直误差将变为 0，水平误差保持不变。 (5) 飞行器在水平误差校正点进行水平误差校正后，其水平误差将变为 0，垂直误差保持不变。 (6) 当飞行器的垂直误差不大于 α1 个单位，水平误差不大于 α2 个单位时才能进行垂直误差校正。 (7) 当飞行器的垂直误差不大于 β1 个单位，水平误差不大于 β2 个单位时才能进行水平误差校正。 (8) 飞行器在转弯时受到结构和控制系统的限制，无法完成即时转弯(飞行器前进方向无法突然改变)， 假设飞行器的最小转弯半径为 200 m。 围绕在上述轨迹约束条件下，本文为智能飞行器建立航迹规划一般模型和算法。本文针对参考文献 [1]中的数据，规划分别满足约束条件(1)~(7)和(1)~(8)时，飞行器运行的最优航迹。另外，飞行器的飞行 环境可能随时间动态变化，虽然校正点在飞行前已经确定，但飞行器在部分校正点进行误差校正时存在 无法达到理想校正的情况(即将某个误差精确校正为 0)，例如天气等不可控因素导致飞行器到达校正点也 无法进行理想的误差校正。若假设飞行器在部分校正点(文献[1]中附件 1 和附件 2 中 F 列标记为“1”的 数据)能够成功将某个误差校正为 0 的概率是 80%，如果校正失败，则校正后的剩余误差为 min (error, 5)
N
∑ min f = A(ti ) + Tobstacle (i) , i = 1, 2,3,, N i =1
本文中转弯带来的副作用仅是缩小了校正点的工作域，因此方案一、二的算法规划航迹适用两种情 况。
另外，飞行器的飞行环境可能随时间动态变化，虽然校正点在飞行前已经确定，但飞行器在部分校 正点进行误差校正时存在无法达到理想校正的情况(即将某个误差精确校正为 0)。因此，部分校正点存在 校正失效的可能，会增大该方向误差的值，进而减少其误差余量，将影响后续校正点的选择，会改变航 迹甚至使得航迹规划失败。因校正失效的概率较低(只有 20%)，根据不同情况可以用两种方法处理失效 的校正：
设 ti 时刻，飞行器当前位置与可达域校正点的距离为 A(ti ) [3]，结合约束条件，建立飞行器航迹规划模
型：
N
= min f ( A) ∑= A(ti ) , i 1, 2,3,, N
i =1
按照本文参数特点，本文采用水平、垂直误差交替校正的方式，为了将飞行器的误差控制在较小的 范围内，应当先校正垂直误差，然后校正水平误差，之后依次轮流交替，直至到达终点 B。
Advances in Applied Mathematics 应用数学进展, 2019, 8(11), 1783-1794 Published Online November 2019 in Hans. /journal/aam https:///10.12677/aam.2019.811208
A New Method for Route Planning of Intelligent Aircraft Problems
Weichen Fu, Xixi Liang, Minhang Zhang, Juhe Sun
Shenyang University of Aeronautics College of Science, Shenyang Liaoning
傅维晨 等
的比较，在两种情况下，算法程序实现得到航迹规划结果表和路径图。算法的有效性和复杂度分析结果 表明，给出的求解算法是十分有效的。
关键词
航迹规划，多约束，改进的A*算法，时空复杂度
Copyright © 2019 by author(s) and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). /licenses/by/4.0/
1) 每次校正后加上概率误差。
DOI: 10.12677/aam.2019.811208
1785
应用数学进展
பைடு நூலகம்
傅维晨 等
2) 极端情况，每次有可能校正失效时都按照校正失效处理，即必然失效。
3. 改进的 A*算法
下面我们将在经典的 A*算法[6]-[12]的基础上，提出了一种改进的 A*算法，用于解决本文的飞行器 航迹规划问题。
A*算法是一种启发式搜索算法。通过在搜索空间不断评估路径的估价函数值来启发式搜索节点来构 造最优路径。通常 A*算法的常用估价函数表示为
f= (n) g (n) + h (n)
其中，n 为当前节点， f (n) 是从初始点经由节点为 n 到目标点的估价函数， g (n) 是在状态空间中从初 始节点到节点 n 的实际代价， h (n) 是从节点 n 到目标节点的估计代价。
摘要
智能飞行器航迹规划问题是一个大范围多目标多约束的三维规划问题，这类问题可以归属于路径规划问 题，在满足相应条件的同时要求在较短的时间内以较短的路程到达目的地。本文把航迹的约束条件转化 到实际问题中，通过对A*算法的改进，建立起符合飞行器航迹规划的两种算法模型。通过两种方案算法
文章引用: 傅维晨, 梁茜茜, 张民航, 孙菊贺. 一类新算法研究智能飞行器航迹规划问题[J]. 应用数学进展, 2019, 8(11): 1783-1794. DOI: 10.12677/aam.2019.811208