环境监测的无人机群路径规划方法研究
发布时间：2022-02-13 16:42
将无人机技术和环境监测技术相结合可以使环境监测更加灵活、降低成本、扩大监测范围。采用多无人机进行环境监测能有效的提高监测效率,使得采集到的环境参数具有时效性。而无人机群路径规划是基于无人机的环境监测系统的核心部分,以时效性为目的的路径规划方法对环境监测无人机群路径规划至关重要,采用聚类法和蚁群算法对该问题进行深入的研究。以无人机群之间的任务分配均衡,采集信息的时效性为规划的主要指标。将环境监测系统的无人机群路径规划方法主要为无人机群任务分配问题以及无人机路径规划问题。对多无人机进行任务分配时以无人机任务分配均衡且以时间为主要指标对K均值聚类算法进行改进,先采用聚类算法实现对目标的聚类,改进后的K均值聚类算法得到的分群结果更加均衡且集中。然后采用枚举法将目标聚类后的目标群和无人机进行匹配,得到最优的任务分配结果。在解决无人机多任务目标点问题上,蚁群算法容易陷入局部最优解。通过对蚁群算法进行改进提高了蚁群算法搜索全局最优解的能力;对信息素更新方式进行调整,减少算法的运行时间;改进后的蚁群算法利用改变蚁群算法的状态转移概率以及信息素更新方式调整,减少了算法的收敛时间,且收敛时间小于遗传蚁群混...
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 本课题的研究背景和意义
1.2 研究现状
1.2.1 环境监测研究现状
1.2.2 无人机路径规划问题的研究现状
1.2.3 多无人机协同任务分配问题的研究现状
1.3 论文研究的主要内容
第2章 无人机群路径规划的总体方案
2.1 环境监测点的建模方法选择
2.2 无人机群路径规划总体方案
2.2.1 监测点坐标建模
2.2.2 无人机任务分配原则
2.2.3 无人机路径规划约束假设
2.3 无人机综合代价模型
2.3.1 能源消耗代价
2.3.2 高度代价
2.3.3 大气威胁代价
2.3.4 城市建筑威胁代价
2.4 本章小结
第3章 基于模拟退火改进的K均值任务分配算法
3.1 多无人机协同任务分配指标
3.1.1 时间协同
3.1.2 目标分配
3.2 基于模拟退火改进的K均值任务分配算法
3.2.1 任务分配模型
3.2.2 K均值动态聚类任务分群算法分析
3.2.3 模拟退火算法分析
3.2.4 基于模拟退火改进的K均值任务分群算法
3.2.5 实验仿真
3.3 本章小结
第4章 基于改进蚁群算法的路径规划
4.1 路径规划算法的选择
4.2 改进蚁群算法研究
4.2.1 蚁群算法路径寻优
4.2.2 蚁群算法的数学模型
4.2.3 遗传蚁群混合算法
4.2.4 改进的蚁群算法
4.2.5 实验仿真
4.3 本章小结
第5章 环境监测的无人机群路径规划仿真
5.1 仿真环境
5.2 仿真实验分析
5.2.1 规划建模
5.2.2 多无人机协同任务分配方案
5.2.3 路径规划仿真实验
5.3 小结
结论
参考文献
攻读学位期间的学术成果
致谢
【参考文献】：
期刊论文
[1]多无人机任务分配与路径规划算法研究[J]. 王发松,陈晓斌. 科学中国人. 2017(08)
[2]基于改进蚁群算法的无人机动态航路规划[J]. 林娜,刘二超. 计算机测量与控制. 2016(03)
[3]基于人工势场的无人机战场威胁建模研究[J]. 申舟,谢文俊,赵晓林,余超. 计算机仿真. 2014(02)
[4]多无人机协同航路规划研究[J]. 林林,孙其博,王尚广,杨放春. 北京邮电大学学报. 2013(05)
[5]无人机复杂气象威胁建模及评估方法[J]. 吴忠杰,张耀中,王强. 计算机应用. 2013(04)
[6]动态环境下的多UCAV协同任务分配研究[J]. 杨尚君,王社伟,陶军,温攀,周维杰. 电光与控制. 2012(07)
[7]浅谈强化环境监测质量管理体系建设[J]. 夏新. 环境监测管理与技术. 2012(01)
[8]基于改进层次分析法的汽车零部件物流网络规划[J]. 马文娟,王东,高懿. 上海交通大学学报. 2010(12)
[9]我国环境监测现状分析及发展对策[J]. 马晓晓,方土,王中伟,张春娣. 环境科技. 2010(S2)
[10]一种基于有向动态网络拓扑的粒子群优化算法[J]. 姚灿中,杨建梅. 计算机工程与应用. 2009(27)
硕士论文
[1]无人机航迹规划及导航定位系统研究[D]. 王涵.浙江大学 2017
[2]基于遥感技术的农业保险业务模式创新研究[D]. 刘振功.山东大学 2016
[3]湖泊环保移动执法平台的研究与实现[D]. 马美英.昆明理工大学 2016
[4]无人机路径规划方法研究[D]. 田晓亮.西安电子科技大学 2014
[5]多无人机协同任务规划研究与实现[D]. 李华伟.西安电子科技大学 2014
[6]无人机航路规划算法研究与应用[D]. 单敏瑜.江南大学 2009
[7]无人机任务规划技术研究[D]. 张昉.南京航空航天大学 2009
[8]多机器人的协调合作技术与群组控制策略研究[D]. 李俊华.西安电子科技大学 2006
本文编号：3623547
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 本课题的研究背景和意义
1.2 研究现状
1.2.1 环境监测研究现状
1.2.2 无人机路径规划问题的研究现状
1.2.3 多无人机协同任务分配问题的研究现状
1.3 论文研究的主要内容
第2章 无人机群路径规划的总体方案
2.1 环境监测点的建模方法选择
2.2 无人机群路径规划总体方案
2.2.1 监测点坐标建模
2.2.2 无人机任务分配原则
2.2.3 无人机路径规划约束假设
2.3 无人机综合代价模型
2.3.1 能源消耗代价
2.3.2 高度代价
2.3.3 大气威胁代价
2.3.4 城市建筑威胁代价
2.4 本章小结
第3章 基于模拟退火改进的K均值任务分配算法
3.1 多无人机协同任务分配指标
3.1.1 时间协同
3.1.2 目标分配
3.2 基于模拟退火改进的K均值任务分配算法
3.2.1 任务分配模型
3.2.2 K均值动态聚类任务分群算法分析
3.2.3 模拟退火算法分析
3.2.4 基于模拟退火改进的K均值任务分群算法
3.2.5 实验仿真
3.3 本章小结
第4章 基于改进蚁群算法的路径规划
4.1 路径规划算法的选择
4.2 改进蚁群算法研究
4.2.1 蚁群算法路径寻优
4.2.2 蚁群算法的数学模型
4.2.3 遗传蚁群混合算法
4.2.4 改进的蚁群算法
4.2.5 实验仿真
4.3 本章小结
第5章 环境监测的无人机群路径规划仿真
5.1 仿真环境
5.2 仿真实验分析
5.2.1 规划建模
5.2.2 多无人机协同任务分配方案
5.2.3 路径规划仿真实验
5.3 小结
结论
参考文献
攻读学位期间的学术成果
致谢
【参考文献】：
期刊论文
[1]多无人机任务分配与路径规划算法研究[J]. 王发松,陈晓斌. 科学中国人. 2017(08)
[2]基于改进蚁群算法的无人机动态航路规划[J]. 林娜,刘二超. 计算机测量与控制. 2016(03)
[3]基于人工势场的无人机战场威胁建模研究[J]. 申舟,谢文俊,赵晓林,余超. 计算机仿真. 2014(02)
[4]多无人机协同航路规划研究[J]. 林林,孙其博,王尚广,杨放春. 北京邮电大学学报. 2013(05)
[5]无人机复杂气象威胁建模及评估方法[J]. 吴忠杰,张耀中,王强. 计算机应用. 2013(04)
[6]动态环境下的多UCAV协同任务分配研究[J]. 杨尚君,王社伟,陶军,温攀,周维杰. 电光与控制. 2012(07)
[7]浅谈强化环境监测质量管理体系建设[J]. 夏新. 环境监测管理与技术. 2012(01)
[8]基于改进层次分析法的汽车零部件物流网络规划[J]. 马文娟,王东,高懿. 上海交通大学学报. 2010(12)
[9]我国环境监测现状分析及发展对策[J]. 马晓晓,方土,王中伟,张春娣. 环境科技. 2010(S2)
[10]一种基于有向动态网络拓扑的粒子群优化算法[J]. 姚灿中,杨建梅. 计算机工程与应用. 2009(27)
硕士论文
[1]无人机航迹规划及导航定位系统研究[D]. 王涵.浙江大学 2017
[2]基于遥感技术的农业保险业务模式创新研究[D]. 刘振功.山东大学 2016
[3]湖泊环保移动执法平台的研究与实现[D]. 马美英.昆明理工大学 2016
[4]无人机路径规划方法研究[D]. 田晓亮.西安电子科技大学 2014
[5]多无人机协同任务规划研究与实现[D]. 李华伟.西安电子科技大学 2014
[6]无人机航路规划算法研究与应用[D]. 单敏瑜.江南大学 2009
[7]无人机任务规划技术研究[D]. 张昉.南京航空航天大学 2009
[8]多机器人的协调合作技术与群组控制策略研究[D]. 李俊华.西安电子科技大学 2006
本文编号：3623547
本文链接：https://www.wllwen.com/kejilunwen/hangkongsky/3623547.html
