使用遗传算法在动态环境中导航计划gydF4y2Ba

文摘gydF4y2Ba

导航规划可以被视为执行搜索和最方便的飞行路径从一个初始路径目标航点。一般目标是按照飞行路径,为飞行器提供最低比油耗。对于动态环境,限制在飞行动态变化。这是一个特殊情况的动态路径规划。本文的主要担忧是飞行计划,最可能的条件和目标被认为是用于导航问题。摘要遗传算法解决动态飞行计划问题是解释说。进化动态导航规划算法补偿现有的其他方法的缺陷。现有的完全动态算法过程单元拓扑变化一次修改,但是当有几个这样的行动发生在环境同时,算法是非常低效的。该算法可以应对并发约束在更短的时间内更新动态环境。最安全的车辆导航的空气是计划和执行,这样油耗最低。gydF4y2Ba

1。介绍gydF4y2Ba

导航规划需要产生一个飞行计划来描述提出了飞机飞行。它涉及两个关键安全方面:最低燃油消耗和遵守空中交通管制要求。导航规划涉及创建一个飞行计划来指导一个点状的对象从其初始位置到目的地路径(gydF4y2Ba1gydF4y2Ba]。在这个过程中,可能会有一组区域访问和一组区域,以避免。规划者希望达到目的地经济和最低相撞的风险。燃料消耗包括燃料流量估计,燃料流量和空气温度的关系,飞行高度,真是够快的,毛重可以定义一个精确的公式(gydF4y2Ba2gydF4y2Ba]。安全法规要求飞机携带燃料以外的最低需要从起源飞到目的地,让无法预见的情况或者转移到另一个机场如果计划中的目的地变得不可用。此外,空中交通管制的监督下,在管制空域飞机必须遵循预定的航线被称为航空公司,即使这样的路线不一样经济更直接的飞行gydF4y2Ba3gydF4y2Ba,gydF4y2Ba4gydF4y2Ba]。飞行剖面的基础是飞机飞行的路线从起飞机场到目的地机场。飞行计划功能提供组装、修改和激活的这条路线数据称为一个飞行计划。飞行计划通常由数据存储在数据库的导航链接。gydF4y2Ba

在这篇文章中,通过使用飞行地图和路标信息,目的是计算最安全,最短的飞行路径和指导信息为了执行飞行计划利用飞行数据。实时导航规划问题,标准成本的变化与飞行距离和安全相关的水平。飞行高度是一个标准的名义高度的飞行器gydF4y2Ba4gydF4y2Ba]。这个高度国际标准压力数据,计算平均海平面压力,因此不一定是一样的飞机的真实高度高于平均海平面或地面水平。gydF4y2Ba

传统方法用于标准的路线规划问题Dijkstra算法,弗洛伊德沃肖尔,a *,贝尔曼福特的算法(gydF4y2Ba5gydF4y2Ba]。当问题的约束是动态的和环境的不稳定,这些方法是无效的。安全等约束和距离的影响可能与经典的建模优化技术,但在动态环境中,重新找到解决方案在每个图更新增加了操作的复杂性。此外,当新锚点或路线被插入或删除现有的一些路线,经典算法无法弥补这种情况从一开始就没有启动解决方案。提出了考虑多目标进化方法和补偿动态条件下由于进化算子和问题特定的健身功能。拟议中的进化导航规划方法减少了在动态环境中操作的数量;因为它不重新启动解决方案在每个更新,这趋势最佳个体扩展到新一代。gydF4y2Ba

2。进化的路径规划方法在文学gydF4y2Ba

近年来,进化算法已经成功地应用于实时任务和路径规划问题。基于进化技术为解决大规模复杂的路径规划问题是吸引力,因为不需要目标函数的梯度信息和约束在搜索最优解。梯度通常不存在所有可行解的搜索空间。进化技术的另一个重要优点是,他们最终能给全球大规模的路径规划问题的最优解。gydF4y2Ba

Nikolos等人做了一个3 d的无人飞行器路径规划研究(gydF4y2Ba6gydF4y2Ba]。在他们的研究中,他们使用进化算法计算路径曲线根据地球表面的3 d环境中。他们意识到,为了获得更好的结果,必须弯曲的路线,而不是直线的结合。这可能是一个好主意,但在某些情况下,特别是如果你提供指导,路线必须分成部分片段。gydF4y2Ba

回族等人研究了人工智能在游戏的重要性gydF4y2Ba7gydF4y2Ba]。在他们的论文中,他们研究了人工智能在游戏开发的使用。研究如何应用人工智能在游戏和它带来的优势。作为人工智能在游戏开发领域的太宽,他们的项目的重点是放在特定区域。通过该项目实现两个项目:一个智能摄像系统和路径找到在3 d应用程序。博弈论的查询问题非常不同于航空电子设备的路径规划问题,因为安全概念是至关重要的动态导航问题。gydF4y2Ba

Misra欧门和提出了基于第一learning-automaton解决动态单源最短路径问题(gydF4y2Ba8gydF4y2Ba]。它包括寻找来源单一的随机图的最短路径拓扑有连续概率更新的边的权值。算法的重要贡献,所有的边随机图不了,即使他们,他们并不是所有的探索一样经常。gydF4y2Ba

李等人开发了一个改进的遗传算法的移动机器人最优路径规划(gydF4y2Ba9gydF4y2Ba]。他们引入了避障算法生成初始种群为了提高路径规划的效率。域启发式知识交叉、变异、细化和删除运营商专门设计适合为移动机器人路径规划。gydF4y2Ba

你和杨提出了一个新颖的遗传算法的移动机器人路径规划方法(gydF4y2Ba10gydF4y2Ba]。该算法的主要特点是有一个可变长度染色体。目标和障碍的位置包括找到一个路径移动机器人在工作场所的环境是一个2 d名誉扫地的网格网。gydF4y2Ba

魏等人提出了一个gene-constrained遗传算法解决最短路径问题(gydF4y2Ba11gydF4y2Ba]。基因是遗传算法,约束以确保每个染色体代表一个可行的路径没有循环在整个搜索的过程。对比与其他遗传算法的最短路径问题,算法提高搜索能力更准确的解决方案和更快的收敛速度。gydF4y2Ba

Mahjoubi等人提出了一种路径规划方法,使用遗传算法来找到可行的和合适的路径与静态和动态障碍物的环境中(gydF4y2Ba12gydF4y2Ba]。增加的速度计算,搜索空间的维度降低了开发一种新的方法来表示环境。他们的表示方法是基于检测的圆周多边形的所有障碍环境的代表。gydF4y2Ba

Inagaki等人提出了一个算法,采用固定长度的染色体(gydF4y2Ba13gydF4y2Ba]。算法的整数序列的染色体,和每个基因代表一个节点随机选择的标识符与节点连接的节点的集合对应于其轨迹数字。gydF4y2Ba

最熟悉的动态路径规划方案技术Ramalingam代表(gydF4y2Ba14gydF4y2Ba),Franciosa et al。gydF4y2Ba15gydF4y2Ba],Frigioni et al。gydF4y2Ba16gydF4y2Ba]。解决方案由Franciosa等人只能用于semidynamic情况。Ramalingam代表的解决方案被发现成功的有关运行时;Frigioni更好当段的数量更新必须最小化。现有的完全动态算法过程单元拓扑变化一次修改,但是当有几个这样的行动发生在环境同时,算法是非常低效的。大型拓扑更糟的问题,有大量的节点和边,在大量的拓扑修改不断发生。在这种情况下,现有的算法可能无法确定最短路径信息的重要方式。该算法可能应对并发重量在更短的时间内更新特别是对于动态环境(gydF4y2Ba17gydF4y2Ba]。gydF4y2Ba

有四种可能的边缘操作(插入/删除和增加/减少);它已经表明,edge-insertion相当于边加权和edge-deletion相当于边加权增加减少。如果允许所有的边缘操作,问题被称为完全动态的问题。如果只是边缘插入/体重减少或边缘允许删除/重量增加,这个问题被称为semi-dynamic问题。解决方案由Franciosa等人只能用于semi-dynamic情况。Ramalingam-Reps算法过程只有一个变化。但在动态导航问题,大量的拓扑修改不断发生,这种情况下不是由Ramalingam代表算法。Frigioni算法不能用于环境中边随机改变。该算法应与不确定图的多目标适应度函数。所有这三个算法(Franciosa Ramalingam代表和Frigioni)解决动态,单源最短路径问题。 They do not consider path security or fuel consumption parameters, since none of these algorithms solve the dynamic flight navigation problem.

为了模型和解决不同的环境的路径规划问题,最近很多研究已经完成(gydF4y2Ba18gydF4y2Ba]。如果域是空气车辆路径和导航planning-usually使用3 d图论方法。遗传与进化计算算法可以用来解决动态导航规划问题(gydF4y2Ba19gydF4y2Ba,gydF4y2Ba20.gydF4y2Ba]。粒子群优化算法也可用于在3 d[找到最优路径规划gydF4y2Ba21gydF4y2Ba,gydF4y2Ba22gydF4y2Ba]。所有这些算法不能解决不确定性和随机变化在导航图的问题。这是由于导航规划问题特定的多目标约束。最低比油耗的主要目的是为了实现这一目标,飞行器的飞行路线必须短,安全。飞行高度的飞行路线段定义水平垂直导航还应该考虑最低燃油消耗。杜宾,毕达哥拉斯速度图和Cornu-spiral算法都是基于曲线解决路径规划问题(gydF4y2Ba23gydF4y2Ba- - - - - -gydF4y2Ba26gydF4y2Ba]。这些算法的最优点是non-discontinuous路径规划,因为曲线道路建设(gydF4y2Ba24gydF4y2Ba]。但所有这些算法不能解决边缘插入和删除问题随机变化的拓扑和他们不提出解决方案最低油耗计算距离,安全,和高度的限制。gydF4y2Ba

路径规划策略可以是静态或动态路径规划取决于问题是创建一个静态或动态环境中路径(gydF4y2Ba27gydF4y2Ba]。导航规划解决方案将尝试飞行路线中最小长度,最大的安全,完全符合飞机的物理约束。导航规划可分为两种形式。前pregenerated显示源和目的地之间的飞行路线采取的路径点,飞机虽然导航两个锚点之间,后者是控制器,指导两个锚点之间的飞机而pregenerated跟踪路线。在[gydF4y2Ba28gydF4y2Ba)并发约束程序设计作为主要工具的设计和实现一个导航计划。这是一个非常高级和复杂的启发式路径规划,考虑避障,最短和最佳飞行路径,和重地区。但它不能解决完全动态导航问题。大部分路径规划遵循路径规划的方法,轨迹平滑,和飞行稳定性分为单独的层(gydF4y2Ba29日gydF4y2Ba- - - - - -gydF4y2Ba31日gydF4y2Ba]。然而,大多数这些不处理三维路径规划。这不是一项容易的任务控制飞机在三维环境中同时执行路径的算法。我们建议的方法解决了三维完全动态导航规划问题,和我们的航班执行子系统提供指导在以下所需的飞行路径改变风和速度条件下,动态的平台。gydF4y2Ba

林等人设计了一个寻找最短路径诱导系统开车时间是他们的应用程序在虚拟地图方阵的适当使用手持设备(gydF4y2Ba32gydF4y2Ba]。但他们提出的解决方案不能解决多目标飞行器的导航问题。哈桑等人产生了不同的解决方案使用遗传算法(最短路径问题gydF4y2Ba33gydF4y2Ba]。他们雇了一个chromosome-coding计划使用节点距离指数和权重。我们建议的研究提出了一种路径诱导系统和一个进化的方法应用于这种寻找最安全的飞行路径的路由系统最低燃油消耗和最短到达时间到目的地的路径。该制导系统为司机提供驾驶建议考虑的不仅是距离,但也高度和安全价值观的道路。因此,计算最优飞行路径而不是最短路径。gydF4y2Ba

几种方法已经发展为进化算法解决动态环境等维护多样性在运行期间,增加多样性变化后,使用内存计划重用存储有用信息,并应用multipopulation和物种形成方案搜索在搜索空间的不同区域运用multipopulation和物种形成模式的搜索在搜索空间的不同区域gydF4y2Ba34gydF4y2Ba,gydF4y2Ba35gydF4y2Ba]。提出的进化方法考虑多目标距离、安全、和交通,由于目标函数。方法对动态环境情况和可能提供一个合适的解决方法。它减少了在动态环境中操作的数量;因为它不重启每个更新的解决方案,它保护和扩展趋势最佳适合个人根据变化了的条件。gydF4y2Ba

3所示。系统定义gydF4y2Ba

进化导航规划系统包括两个子系统:任务规划子系统和任务执行子系统。在任务规划子系统,飞行器的飞行过渡从离开路标的后裔路标计划动态进化算法。任务规划子系统的约束距离,安全性和高度。任务执行子系统提供了横向和纵向制导算法和燃料流量计算,这样空气车辆经过飞行腿和期望的路线在实时环境中。实时飞行数据取自Aerosim飞行模拟器。任务执行子系统使用这些实时数据来计算沥青和银行角度命令的飞行员。任务执行子系统执行计划所需的飞行路径出发路径的每个到达路径由于横向和垂直导航指导功能。燃料流量计算的约束问题是毛重,空气温度、飞行高度,和真正的空速。的两个子系统开发使用3 d图形解决方案。系统的框图和数据流图所示gydF4y2Ba1gydF4y2Ba。gydF4y2Ba

4所示。导航系统gydF4y2Ba

飞行管理系统(FMS)是一种计算机系统,处理所有的导航和飞行功能的空气。FMS收集所有的信息生成的电子设备和传感器在屏幕上。所以飞行员的工作量减少。FMS提供自主指导通过惯性导航系统和全球定位系统(gydF4y2Ba36gydF4y2Ba]。FMS的导航功能可以用来飞航空公司出版,直接路由到一个路标,跟着一个飞行计划,或执行一个任务模式。FMS允许装载的飞行计划数据库和它还允许飞行员生成一个新的飞行计划通过使用路标数据库或修改现有的计划由于动态环境。gydF4y2Ba

导航规划系统接受路径点的位置坐标作为输入。坐标值,经度和纬度。纬度角从地球表面上的一个点到赤道平面,测量从球体的中心。经度之间的角度是两个地理极点另一个经过任意点的子午线。指定的位置的经度和纬度组件地球上任何位置但不考虑高度或深度。高度限制被认为是腿的飞行计划。飞行腿是两个组合锚点之间的路线。飞行腿的约束被定义为一个向量的距离,安全价值,飞行的高度的腿。gydF4y2Ba

主飞行显示器提供航班和导航信息。主飞行显示器包含一种态度指标,使飞行员飞机的态度信息信息,俯仰和滚角,和飞机的方向。机械陀螺仪是一个单独的设备的信息只是主飞行显示器上显示。与机械仪器,这些信息可以根据需要动态更新;失速角,例如,可以实时调整以反映飞机的临界迎角计算在当前配置。主飞行显示器可以显示飞机的未来路径的一个指标,提出了计算的动态导航规划算法,方便飞行员预测飞机动作和反应。球场旁边有航速和高度指标,指标。飞机的空速指示器显示速度在海里,而高度指示器显示飞机的海拔高度。这些测量是通过飞机的空速管系统,追踪空气压力测量。旁边的垂直速度指标,高度指示器,指示飞行员飞机升序或降序或多快的速度高度变化。 This is usually represented with numbers in “thousands of feet per minute.” At the bottom of the primary flight display is the heading display, which shows the pilot the magnetic heading of the aircraft. This functions much like a standard magnetic heading indicator, turning as required.

大多数评论家主飞行显示器的参数,滚,标题指标,速度和高度指标。该算法和控制系统使用这些数据来找到最好的路线的飞行器。主飞行显示器由一个垂直的情况与飞行仪表显示,飞行指挥,基本引擎工具和mode-selectable水平情况显示。计算的飞行指挥命令提出控制系统显示转向命令来获取所需的飞机横滚和俯仰。飞行指挥命令是通过飞行的飞机进入十字路口由命令酒吧。gydF4y2Ba

执行测试的开发算法,飞行器的空中导航过程从离开路标下降路径模拟。仿真环境中用于验证导航算法如图gydF4y2Ba2gydF4y2Ba。gydF4y2Ba

模拟器是一个模拟飞机的飞行(开环gydF4y2Ba37gydF4y2Ba]。也就是说,所有飞机控制输入设置为固定值,独立于飞机的状态。飞机的侧向动力学稳定通过添加翼矫直机。这是使用比例和积分反馈实现从银行角度副翼。测试飞行轨迹制导律Aerosonde的一个精确的非线性动力学模型(gydF4y2Ba37gydF4y2Ba,gydF4y2Ba38gydF4y2Ba]。在评估工作,车辆指导和相机指向算法都是基于GPS数据;camera-pointing算法依赖于飞机姿态信息。一些导航算法用于飞行器的指导。这些算法包括两个锚点之间的距离、角度两个锚点之间,两个左边的交点,航迹误差和目标距离计算。飞行器应该方法所需的飞行路径顺利银行获取所需的路径上没有过度,超过最大银行的角度。这可能是通过造型的舵手行为gydF4y2Ba39gydF4y2Ba,gydF4y2Ba40gydF4y2Ba]。gydF4y2Ba

参数初始位置、风速、初始速度、初始高度、初始发动机转速,样品时间前可以修改导航仿真。这里开发的算法可以节省飞行状态信息和当前位置,可以继续飞往不同的路标。gydF4y2Ba

的AeroSim blockset提供一套完整的工具为开发非线性6-degree-of-freedom飞机动态模型。仿真软件模块包括非线性运动方程,基于组件形成线性空气动力学,活塞发动机推进,飞机惯性模型包括重量差异由于燃料消耗,大气模型包括标准大气、狂风和卡门动荡,和地球模型提供地球半径,重力和磁场组件目前飞机的位置。此外,AeroSim blockset提供基本的模拟传感器和非线性执行器模型和单位转换块指标和英语之间的翻译单位,以及各种坐标系之间的转换(风、身体、导航和地球坐标系)。除了个别块,几个预先构建的飞机模型是可用的,这可以通过参数来定制文件。gydF4y2Ba

5。横向和纵向的指导gydF4y2Ba

一般的函数用于横向和纵向导航几何距离,轴承和协调计算函数。第一个基本函数计算两个锚点之间的距离和方位角的飞行路线的组合形成的两个锚点。gydF4y2Ba

导航的基本函数的输入源和目标的经度和纬度值路径点。函数的输出是飞行腿的距离和方位角的飞行路线。函数计算出距离值的弧度。为了转换单位长度的距离,距离值是乘以地球的半径。根据wgs - 84椭球模型,地球的半径是6378.137公里。最初的函数计算两个锚点的单元位置向量地球地球定点坐标系统。然后两个向量的交叉相乘。所以两个位置之间的角度和距离向量可以计算。gydF4y2Ba

导航规划系统接受路径点的位置坐标作为输入。坐标值,经度和纬度。纬度角从地球表面上的一个点到赤道平面,测量从球体的中心。经度之间的角度是两个地理极点另一个经过任意点的子午线。指定的位置的经度和纬度组件地球上任何位置但不考虑高度或深度。高度限制被认为是腿的飞行计划。飞行腿是两个组合锚点之间的路线。飞行腿的约束被定义为一个向量的距离,安全价值,和飞行腿的高度:gydF4y2Ba

通过使用上面的两个方程中,源和目标路径点之间的距离计算如下所示:gydF4y2Ba

源和目的地之间的方位角路标点计算通过使用下面的公式:gydF4y2Ba

飞行距离和方位角的腿如图gydF4y2Ba3gydF4y2Ba。gydF4y2Ba

另一个函数用于横向指导是位置计算函数。这个函数计算路径从一个给定的经度和纬度位置向量,距离,方位值。为了找到第二个路标的位置,首先切线方位角方向的单位向量计算大圆。gydF4y2Ba是纬度;gydF4y2Ba是第一个航点的经度。gydF4y2Ba是输入轴承角。新路标的坐标计算旋转的第一个航点和单位向量:gydF4y2Ba

第三个横向导航的基本功能是计算两个飞行腿的交点的坐标。横向导航,当飞行器由并行路由从飞行计划偏差,两段的交点计算出导航计划。2的交点飞行段如图gydF4y2Ba4gydF4y2Ba。gydF4y2Ba的十字路口gydF4y2Ba- - - - - -gydF4y2Ba路线和gydF4y2Ba- - - - - -gydF4y2Ba路线。gydF4y2Ba

,gydF4y2Ba的坐标是gydF4y2Ba,同样gydF4y2Ba,gydF4y2Ba的坐标是gydF4y2Ba,gydF4y2Ba,gydF4y2Ba的坐标是gydF4y2Ba,gydF4y2Ba,gydF4y2Ba的坐标是gydF4y2Ba。交点的经度和纬度的值gydF4y2Ba是gydF4y2Ba,gydF4y2Ba。gydF4y2Ba

为了计算交点的坐标,首先两个表面的法向量。这两个表面相交于两点。这两个点是由上面所示的公式发现的。通过使用Pnk (gydF4y2Ba),纬度和经度计算交点。Pnk (gydF4y2Ba)显示了gydF4y2Bath Pnk向量的元素:gydF4y2Ba

从飞行计划发生偏差时,沥青和银行角度命令计算为了适应所需的飞行腿。旁边,当达到切换点的路线,这些角再次计算为了把飞行器在接下来的飞行路线。计算的横向指导命令,首先空气车辆所需的路线上的投影。KTCP距离如图gydF4y2Ba5gydF4y2Ba空气的投影之间的距离车辆和空气的车辆将传递路线。点的坐标的飞行器将通过飞行腿由(7)发现。当前位置之间的方位角计算出的飞行器和RP是(gydF4y2Ba3gydF4y2Ba)。这个角度称为预定航迹角。ATD沿径的距离,飞行器的垂直投影之间的距离和路标。Xtd是飞行腿的垂直距离:gydF4y2Ba

然后跟踪角是发现通过计算地面速度之间的角组件,东部和北部。发现跟踪角误差减跟踪角所需的跟踪:gydF4y2Ba

通过使用跟踪角错误发现的(gydF4y2Ba8gydF4y2Ba),外侧旋转速度命令。根据模拟fd_lat参数选择。最后通过使用(gydF4y2Ba10gydF4y2Ba),横向导航计算倾斜角命令。这个命令提供了握着飞行器所需的路线:gydF4y2Ba

6。任务规划子系统gydF4y2Ba

基于进化路线规划和导航控制编程概念可以作为一般设计,灵活和自适应技术。通过整合规划过程的进化算法,定义不同的优化准则,约束的动态更新,领域特定进化操作符和控制的动态障碍可能会处理。进化算法,与传统优化方法相比,更有效的不连续和嘈杂的目标函数gydF4y2Ba41gydF4y2Ba]。gydF4y2Ba

遗传算法模拟进化过程来解决优化问题。而不是开发一个解决方案的候选人,遗传算法形成的一组人。候选人,集,其中包含可能的解决方案是定义为人口遗传算法术语。人口从数组称为向量、染色体或个人。每个元素的个体被称为基因。在进化规划方法,个人的人口是由运营商的进化算法。在路径规划等问题,使用置换表示,运营商不同运营商的基本遗传算法。最重要的参数的遗传算法交叉率、变异率,和在人群中个体的数量。为了声明交叉和变异率,不同的值进行测试,通过这种方式最适合这些参数的值被发现。人群中染色体数目决定根据节点图的拓扑。gydF4y2Ba

提出的启发式方法,变长染色体被用于代表路线。使用变长染色体在动态路径规划系统,以覆盖整个搜索空间(gydF4y2Ba42gydF4y2Ba]。染色体是由permutation-encoding编码方法。每个基因的染色体表示图中的一个节点。列出了任务规划系统的进化参数表gydF4y2Ba1gydF4y2Ba。gydF4y2Ba

在遗传算法中,交叉接受两个父母和替换一个随机选择一个父与另一个的一部分,随机选择其他的一部分。这通常是非常具有破坏性的结构和功能子程序。然而,手段价值的代码可以转移程序之间,也是遗传规划是一种有效的理论原因和成功的搜索策略。尽管它经常产生不健康的孩子,它产生parent-superior偶尔健身,这些人往往拥有关键的改进,允许发展进步下一轮的健康改善。突变是一位家长,用一个随机选择的块的父母和一个随机生成的代码序列。这个运营商的优势之一是它保持人口的多样性,因为任何的功能/终端集可以插入到程序中,而交叉只能插入代码出现在当前一代的人口。通过这些操作符的重复应用到选定的旧一代的父母,形成新一代的一些成员的希望会比最好的最后一代更适合。此时可以评估一个新的人口的健康。周期将持续下去,直到找到一个成员的人口满足问题错误指定为可接受的水平内的成功标准或后代的数量超过指定的限制。gydF4y2Ba

交叉算子为导航开发交流的路线规划问题。选择一个相同的中间节点。的第一部分路线连接初始节点到中间节点。的第二部分路线连接中间节点到目标节点。交叉可能产生不可行染色体违反循环约束。修复算子进行后处理操作和删除不可行个体的周期(gydF4y2Ba43gydF4y2Ba]。gydF4y2Ba

变异算子增加了人口的变化。突变可以避免当地最适条件通过改变基因的潜在染色体。两点变异。基因在该地区之间的突变点修改不同的路线。最终形成两个新个体不同的基因型。个人的健身染色体通过计算距离,高度差和安全价值段的路径。的海拔高度差的区别是段和前面的部分的高度。高度差不考虑的第一段路线。样本交叉和修复操作如图gydF4y2Ba6gydF4y2Ba和gydF4y2Ba7gydF4y2Ba。后处理包括本地搜索的过程中为了消除个人的健身价值很低。gydF4y2Ba

任务规划系统的流程图如图gydF4y2Ba8gydF4y2Ba。在第一步所代表的初始个体随机生成和染色体。为了评估初始种群,使用多目标适应度函数。个人分为对父母选择的阶段。交叉算子应用于对。后交叉如果有必要修复算子应用为了消除飞行路径的周期。变异算子应用于一些个体的多样性。重组阶段后,再次使用适应度函数评价父母和个人。个体具有较高的健身价值维持生存。这个过程又持续了直到停止准则是满意。gydF4y2Ba

7所示。实验结果gydF4y2Ba

三个最重要的参数提出进化方法的交叉率、变异率,和几代人的数量。对于每一个参数不同的飞行模拟的计划与执行,和下面的图是由实验结果的平均值。实验完成50路点城市地图。我们生产一个连通图和选择一个源路径开始飞行和目的地路标的到来。更新的实验是重复约束和边缘。在每个测量,不同的边缘被添加到图或一些边缘从图中删除。100个不同的地图的实验是重复相同的拓扑结构。gydF4y2Ba

第一组实验是确定适当的交叉率。个体的变异率,数量,停止在这组标准是固定的。这组的突变率为10%。停止标准是个体的相似性。第一个实验的结果设置如图gydF4y2Ba9gydF4y2Ba。随着交叉率增加80%,误差百分比减少。误差百分比计算通过的比例健身建议的解决方案,真正的最安全,最短路径的解决方案。实验结果表明,这种导航的规划问题,最合适的交叉率是70%。gydF4y2Ba

第二组实验做是为了确定适当的突变率。个体的交叉率,数量,停止在这组标准是固定的。这组的交叉率是70%。停止标准是个体的相似性。第二个实验的结果设置如图gydF4y2Ba10gydF4y2Ba。随着突变率增加10%,误差百分比减少。实验结果表明,这种导航的规划问题,最合适的变异率是10%。如果选择突变率高值,它可能导致丧失良好的解决方案。如果突变率太小,那么它更难达到不同的点的搜索空间,和通常的算法可能收敛于局部最适条件在这些情况下。gydF4y2Ba

为了显示每一代的最佳人选,第三组实验。是固定的交叉率70%;变异率是固定的10%。为每个人口数量的个人是100在这个集合。第三个实验的结果设置如图gydF4y2Ba11gydF4y2Ba。在每一代个体,最高的健身价值,成为接近真正的解决方案,但当达到全局最优,进一步代不产生更好的个体,并通过停止标准,遗传算法繁殖循环终止。gydF4y2Ba

运行时性能和算法的复杂性与确定性方法。当段插入/删除/更新操作成本发生,该算法不从头开始计算,它收敛比Dijkstra算法在更短的时间内解决。图gydF4y2Ba12gydF4y2Ba显示了该算法的性能在每个动态变化。图gydF4y2Ba12gydF4y2Ba也显示了该算法的更高的性能特别是强连通图。当节点数的增加,计算时间差异Dijkstra算法和该算法在动态计划也会增加。gydF4y2Ba

8。导航模拟gydF4y2Ba

在模拟美国路标的一部分数据库中,包括南方地区的经度和纬度坐标,使用。飞行器路径点之间的过渡计划。视觉简单的数字是用来代替美国的名字,选上的,只有15个州。寻找最安全、最顺利和最快的飞行器从最初的路标的过渡到目标路径的目的是。在图中所示的城市地图gydF4y2Ba13gydF4y2Ba,城市之间的联系是由向量的距离、安全性和高度。生成的飞行计划,路径点的海拔也被认为是和3 d图形解决方案计划。gydF4y2Ba

提出的进化方法旨在找到最短,最安全、最顺利的路线最初的约束。随着问题考虑距离、高度和安全条件,问题是多目标优化问题。最初的解决方案的动态系统初始条件如图gydF4y2Ba14gydF4y2Ba。gydF4y2Ba

当8-City 9和城市之间的联系8-City 11被禁用动态,新的过渡为飞行器飞行计划图所示gydF4y2Ba15gydF4y2Ba。gydF4y2Ba

当城市的城市之间的联系3动态是禁用的,提出的路由计算的算法如图gydF4y2Ba16gydF4y2Ba。飞行计划的算法提出了通过城市8考虑平滑度和安全性。城市之间的联系、城市4-City 8,适用于安全距离度量。gydF4y2Ba

系统收敛于解从头在动态环境中没有处理。分析方法从头重复计算因为约束的更新改变矩阵用于查找解决方案(gydF4y2Ba44gydF4y2Ba,gydF4y2Ba45gydF4y2Ba]。这个属性是该算法的一个重要特征。进化方法可能成功通过问题特定的适应度函数和选择运营商gydF4y2Ba46gydF4y2Ba]。在该算法中使用的适应度函数gydF4y2Ba

个人的健身染色体通过计算距离,高度差和安全价值段的路径。的海拔高度差的区别是段和前面的部分的高度。高度差不考虑的第一段路线。问题是多目标在我们的案例中,因为安全目标可能受距离限制,和距离约束取决于统计分布函数。安全性和距离等的影响度量的解决方案可能与经典的建模优化技术,但在动态环境中战斗场景,在每一个条件发生变化,该算法开始的解决方案,增加了操作的复杂性和计算时间,所以它们是不可行的gydF4y2Ba47gydF4y2Ba]。此外,插入/删除的节点或部分图矩阵的拓扑变化,所以他们不得不从头开始的解决方案。该算法对并发修改和最佳个人根据修改后的条件分布在人口。军事转型任务批评的问题,在动态环境中,目标是在一个可接受的时间达到最佳的解决方案。这次变化根据图形密度和节点的数量。系数gydF4y2Ba,gydF4y2Ba,gydF4y2Ba可以修改根据目标将有更多影响飞行路径的计算。这些系数可以作为算法的输入。gydF4y2Ba

通过飞行计划的执行由任务规划子系统、最安全的,最短的导航路径处理任务执行子系统。飞行计划有六个锚点的仿真结果数据所示gydF4y2Ba17gydF4y2Ba和gydF4y2Ba18gydF4y2Ba。图形与飞行计划的执行图所示gydF4y2Ba17gydF4y2Ba;角的执行这个命令银行飞行路径图所示gydF4y2Ba18gydF4y2Ba。在这个例子中,飞行器遵循所需的飞行路径下(北10米/秒,东10米/秒)。风速为14.14米/秒。初始位置是45°04′47′′纬度和06年19°84′′′经度。最初的地面速度是70米/秒,和最初的海拔高度是1985米。gydF4y2Ba

另一个飞行计划执行模拟的数据所示gydF4y2Ba19gydF4y2Ba和gydF4y2Ba20.gydF4y2Ba。第二个例子仿真,发现九路点的飞行计划进化任务规划子系统(见表gydF4y2Ba2gydF4y2Ba)。在这个例子中,飞行器遵循所需的飞行路径下(北10米/秒,东10米/秒)。风速为14.14米/秒。初始位置是40°06 47′′′纬度和33°02′06′′经度。最初的地面速度是70米/秒,和最初的海拔高度是1985米。gydF4y2Ba

在图gydF4y2Ba19gydF4y2Ba,显示了飞行器的飞行路径的二维图。三维图结构的仿真如图gydF4y2Ba20.gydF4y2Ba。gydF4y2Ba

9。结论gydF4y2Ba

导航计划是一个优化问题,需要寻找和执行源和目的地之间最可行的飞行路径锚点。确定性算法如弗洛伊德、Dijkstra算法或启发式方法如神经网络和a *可用于导航在静态规划问题的解决方案。动态路径规划算法(比如Frigioni、Franciosa Ramalingam代表可以在动态环境中使用,但是它们受到一些限制。当几个同时并发环境中变化,这些算法是相当低效。当部分成本和条件随机,不断变化,这些算法无法达到实际的底层平均的解决方案。,这些算法运行时中的链接图的成本是显而易见的。但在飞行计划的情况下,高度的路径和链接的安全性可能是约。不确定图算法应该如此。gydF4y2Ba

飞行任务规划是一个容错实时系统,所以该算法应该更重视一个约束,如距离、时间、安全、或高度。像弗洛伊德和迪杰斯特拉算法,图是由一个矩阵表示。但建议的解决方案并不依赖于。由于生殖循环,选择机制和适应度函数,该算法找到更好的结果在一个较短的计算时间与分析算法。该算法提供了高级搜索速度、质量和灵活性在动态计划。除了飞行计划算法,航班执行算法开发指导飞行员按照任务计划。执行算法提供飞行命令像球场上,轴承、跟踪和银行的角度,和所需的地面速度准时到达下一个路标和燃料流量。gydF4y2Ba

结果认为,进化算法是一种有效的支持,强大的搜索过程的NP完全问题,尽管他们也许没有比高度调整,问题特定的算法。进化算法可以很容易地应用于广泛的np完全问题,性能特征没有比一个N的理论下界gydF4y2Ba^3gydF4y2Ba加速。gydF4y2Ba

引用gydF4y2Ba

1. m和m . m . a . al - jarrah al - sabah)哈桑,“边境设置动态飞行路径规划在3 d环境中灵活使用地面站任务规划,“gydF4y2Ba富兰克林研究所杂志》上gydF4y2Ba,卷348,不。1,45 - 65年,2011页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
2. 联合规划和发展办公室,”概念的操作为下一代航空运输系统,”3.0版,2009年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
3. m·t·德Garmo”问题一体化无人机民用空域,“科技,众议员议员04 w0000323僧帽,弗吉尼亚州,美国,2004年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
4. Hansman r .韦贝尔,r . j .,”无人机的安全注意事项操作国家空域系统,”gydF4y2Ba麻省理工学院国际航空运输中心报告gydF4y2BaICAT 2005 - 01, ICAT, 2005年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
5. b . m . Sathyaraj l . c . Jain, a·芬恩和美国德雷克,“多个无人机路径规划算法:一个比较研究,“gydF4y2Ba模糊优化和决策gydF4y2Ba,7卷,不。3、257 - 267年,2008页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
6. i . k . Nikolos: Tsourveloudis, k . p . Valavanis”基于进化算法的三维路径规划无人机导航”gydF4y2Ba控制和自动化学报》9日地中海会议上(CDROM的10)gydF4y2Ba2001年,克罗地亚杜布罗夫尼克。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
7. y . c, e·c·普拉卡什,n . s . Chaudhari”为3 d游戏AI:人工智能路径发现,”gydF4y2BaIEEE 10地区研讨会论文集:模拟和数字技术在电气工程(TENCON ' 04)gydF4y2Ba2004年11月,那页B306-B309。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
8. Misra和b·j·欧门“随机学习automata-based动态单源最短路径问题的算法,”gydF4y2Ba学报》第17届国际会议在工业和工程应用人工智能和专家系统(IEA / AIE ' 04)gydF4y2Ba2004年5月,页239 - 248。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
9. 问:李,w·张,y, z . Wang和g·刘,“一种改进遗传算法的最优路径规划为移动机器人”gydF4y2Ba学报第六届国际会议上智能系统设计和应用程序(ISDA 06年)gydF4y2Ba2006年10月,页637 - 642。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
10. j .你和杨s x”,基于遗传算法的移动机器人路径规划,”gydF4y2Ba诉讼的IEEE机器人与自动化国际会议上gydF4y2Ba台湾,页1221 - 1226年,2003年9月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
11. w·吴和问:阮”gene-constrained遗传算法求解最短路径问题,”gydF4y2Ba学报》第七届国际会议上信号处理程序(ICSP ' 04)gydF4y2Ba2004年9月,页2512 - 2515。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
12. h . Mahjoubi、f·巴拉米和c·卢卡斯”路径规划与静态和动态障碍物的环境中使用遗传算法:一个简化的搜索空间的方法,”gydF4y2Ba《IEEE国会进化计算(CEC 06年)gydF4y2Ba加拿大温哥华,页2483 - 2489,2006年7月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
13. j . Inagaki m . Haseyama, h . Kitajima“遗传算法确定多个路线及其应用,”gydF4y2Ba学报1999年IEEE国际研讨会在ISCAS’99电路与系统()gydF4y2Ba,页我- 137 - 140年,1999年6月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
14. g . Ramalingam和t代表“动态图的计算复杂度问题,”gydF4y2Ba理论计算机科学gydF4y2Ba,卷158,不。1 - 2、233 - 277年,1996页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
15. p·g . Franciosa d Frigioni, r . Giaccio”Semi-dynamic在有向图最短路径和广度优先搜索,”gydF4y2Ba学报》第14届年会在理论计算机科学的各个方面gydF4y2Ba页,33-46吕贝克,德国,1997年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
16. d . Frigioni a Marchetti-Spaccamela, Nanni,“完全动态维持最短路径树算法,”gydF4y2Ba杂志上的算法gydF4y2Ba,34卷,不。2、251 - 281年,2000页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
17. a . Elshamli h·a·阿卜杜拉,s . Areibi“遗传算法对于动态路径规划,”gydF4y2Ba《加拿大电气和计算机工程会议gydF4y2Ba2004年5月,页677 - 680。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
18. d . Catanzaro m·拉贝风和m . Salazar-Neumann“还原方法健壮的最短路径问题,”gydF4y2Ba电脑和运筹学gydF4y2Ba,38卷,不。11日,第1619 - 1610页,2011年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
19. 李l, c .郑,f, f .太阳,和m .叮“无人驾驶飞行器,进化路线规划”gydF4y2BaIEEE机器人gydF4y2Ba,21卷,不。4、609 - 620年,2005页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
20. 肖g、f·肖和c . Da”UA V路径规划问题的遗传算法的方法,”gydF4y2Ba《圆柱模拟国际会议上,建模和优化gydF4y2Ba科孚岛,页17503 - 19507年,2005年8月,希腊。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
21. 美国李、太阳x和y,“粒子群优化无人机的路线规划,”gydF4y2Ba《IEEE国际会议信息采集(ICIA 06年)gydF4y2Ba,页1213 - 1218,山东,中国,2006年8月。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
22. g . Wang问:李、郭l .“多个无人机航线规划基于粒子群优化算法”gydF4y2Ba第二届国际研讨会信息工程和电子商务(IEEC 10)gydF4y2Ba2010年7月,页150 - 154。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
23. h . Chitsaz和s·m·拉瓦,“杜宾飞机,时间最优路径”gydF4y2Ba学报》第46届IEEE会议决定和控制(CDC ' 07)gydF4y2Ba新奥尔良,页2379 - 2384年,洛杉矶,美国,2007年12月。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
24. r·戴和j·e·科克伦”,为多个无人机路径规划由参数化cornu-spirals”gydF4y2Ba诉讼的美国控制(ACC会议上' 09)gydF4y2Ba,页2391 - 2396年,圣路易斯,密苏里州,美国,2009年6月。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
25. m . Shanmugavel a . Tsourdos a和b .白色,“避碰和多个无人机路径规划使用3 d飞行路径,”gydF4y2Ba学报》第15届国际会议在自动化和机器人技术方法和模型(MMAR 10)gydF4y2Ba2010年8月,页218 - 222。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
26. m . Shanmugavel a . Tsourdos b .白、r . Zbikowski“合作多无人机使用杜宾路径的路径规划和回旋曲线弧”gydF4y2Ba控制工程实践gydF4y2Ba,18卷,不。9日,第1092 - 1084页,2010年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
27. s . p . Bhat和p·库马尔,”一个反馈指导策略自主小型空气车辆,”gydF4y2Ba美国国家会议上控制和动力系统gydF4y2BaIIT孟买,孟买,印度,2005年1月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
28. 美国Gualandi和b . Tranchero并发约束programming-based无人飞行器路径规划,”gydF4y2Ba学报学报/国防和安全研讨会上无人地面、海洋和空气技术gydF4y2Ba2004年4月,页12日至16日。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
29. w .任和r . w .胡子,“约束非线性跟踪控制为小型固定翼无人飞行器”gydF4y2Ba美国控制研讨会论文集(AAC ' 04)gydF4y2Ba,页4663 - 4668,波士顿,质量,美国,2004年7月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
30. d·金斯顿gydF4y2Ba实现实时轨迹生成问题的小型无人机(硕士论文)gydF4y2Ba年轻,伯明翰大学,2004。gydF4y2Ba
31. r·比尔德·d·金斯顿·m·奎格利et al .,“小型固定翼无人机自主车辆技术,”gydF4y2Ba《航空计算、信息和通信gydF4y2Ba,第108 - 92页,2005年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
32. c·h·林,j·l . Yu j . c . Liu和c·j·李,“最短开车次遗传算法在智能交通系统中,”gydF4y2Ba国际会议多媒体和无处不在的工程学报》(MUE ' 08)gydF4y2Ba釜山,页402 - 406年,韩国,2008年4月。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
33. b·s·哈桑·m·A·卡梅斯,和A . s . h·马哈茂德·“启发式遗传算法对于单源最短路径问题,”gydF4y2Ba《IEEE / ACS国际会议上计算机系统和应用程序(AICCSA ' 07)gydF4y2Ba2007年5月,页187 - 194。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
34. 杨,h . Cheng和f·王,“遗传算法与移民和记忆方案动态最短路径移动ad hoc网络路由问题,“gydF4y2BaIEEE系统,人与控制论部分CgydF4y2Ba,40卷,不。1、52 - 63年,2010页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
35. 杨,“基于人口的增量学习与记忆计划对于改变环境,”gydF4y2Ba《遗传与进化计算会议(GECCO 05)gydF4y2Ba2005年6月,页711 - 718。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
36. j·a·法雷尔和m .巴斯gydF4y2Ba全球定位系统和惯性导航gydF4y2Ba麦格劳希尔,1999。gydF4y2Ba
37. “Aerosim Blockset”, 1.2版本,用户指南,无人动力学,LLC。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
38. 美国Stolle和r . Rysdyk飞行路径指导后无人飞行器与pan-tilt相机目标观测,”gydF4y2Ba学报》22日数字航空电子系统会议gydF4y2Ba8.,页b.3/1 - 8. - b。3/12,Indianapolis, Ind, USA, October 2003.视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
39. 刘贤美和大肠Lefeber佩特森工作室内由手工制作完成,”路点跟踪控制船,”gydF4y2Ba学报40 IEEE会议决定和控制(CDC ' 01)gydF4y2Ba,页940 - 945,奥兰多,佛罗里达州,美国,2001年12月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
40. r . Rysdyk“无人机为常数视距路径跟踪,”gydF4y2Ba张仁第二届“无人无限”系统,技术,和操作航空、土地和海洋会议gydF4y2Ba、纸。6626年,圣地亚哥,加利福尼亚州,美国,2003年9月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
41. 福格尔t, d . b . z . Michalewicz,gydF4y2Ba手册的进化计算gydF4y2Ba英国伦敦,牛津大学出版社,1997年。gydF4y2Ba
42. g . Harik e . Cantu-Paz d·e·戈德堡和b·l·米勒,“赌徒的破坏问题,遗传算法种群的大小。”gydF4y2Ba进化计算gydF4y2Ba,7卷,不。3、231 - 253年,1999页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
43. c·w·安和r s室利罗摩克里希纳的遗传算法的最短路径路由问题,人口的规模,”gydF4y2BaIEEE进化计算gydF4y2Ba》第六卷,没有。6,566 - 579年,2002页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
44. 即Hatzakis d·华莱士,“动态多目标优化进化算法:一种前瞻性的方法,”gydF4y2Ba学报》第八届年度基因与进化计算会议(GECCO 06年)gydF4y2Ba2006年7月,页1201 - 1208。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
45. p . a . n .按照博斯曼法案”学习,期望和time-deception进化在线动态优化”gydF4y2Ba诉讼的车间动态优化进化算法(GECCO 05)gydF4y2Ba美国,华盛顿特区,2005年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
46. c . Chitra和p . Subbaraj多目标最短路径路由问题的优化解决方案,“gydF4y2Ba计算机和信息工程的国际期刊gydF4y2Ba,4卷,不。2、77 - 85年,2010页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
47. r·w·莫里森gydF4y2Ba设计进化算法对动态环境gydF4y2Ba施普林格,柏林,德国,2004年。gydF4y2Ba

版权gydF4y2Ba

版权©2012法多番干预和d Turgay Altılar。这是一个开放的分布式下文章gydF4y2Ba知识共享归属许可gydF4y2Ba,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。gydF4y2Ba