快速渗透隐形无人机路径规划方法在复杂环境和BB的威胁

文摘

介绍了飞行渗透路径规划算法在复杂环境中与转向架或土匪(BB)隐形无人机(UAV)的威胁。严格的防空雷达网的出现需要有效的隐形无人机飞行路径规划和重新规划有关生存能力和渗透能力。我们建议改进的a *算法基于多个起义步搜索的方法来处理这个问题。目标是实现快速渗透隐形无人机在复杂环境下的路径规划。首先,单碱基的结合雷达、对偶基雷达和BB威胁采用不同的威胁场景更接近实战的环境。此外,多步搜索策略,预测技术,开发隐形无人机路径规划算法来处理BB的威胁,实现在复杂场景中渗透路径重新规划。此外,姿态角信息集成到飞行路径,可以满足真正的隐形无人机飞行要求。理论分析和数值结果证明我们的方法的有效性。

1。介绍

1.1。背景和动机

近年来,新的军事装备和系统的出现,隐形无人机(UAV)越来越关注由于防空雷达网越来越密切和低空领域的战斗。同时,生存能力和作战效能的隐形无人机在现代空战将有一个很大的影响(1,2]。机身,鼻子和尾巴的隐形无人机相对较小的雷达截面(RCS),其目的是为了减少雷达系统的探测概率,提高渗透能力和生存能力的隐形无人机(3]。但是,先前的作品主要集中在路径规划在静态环境中,有许多理论挑战和实际问题隐形无人机在渗透路径规划的问题,如姿态角的约束和控制的跟踪点,路径规划算法的效率和实时性。除此之外,对转向架或土匪(BB)威胁在实战环境中,隐形无人机很难达到渗透路径规划是快速和安全。因此,运动学模型和路径规划算法隐形无人机应该研究在一个复杂的环境。

1.2。文献综述

最近,很多研究已经完成在该地区渗透路径规划的飞机,所以许多算法被提出。在文献[4),一个新概念飞行器路径规划的雷达截面(RCS)的变化是首先提出,这表明隐形无人机可以显著降低RCS通过调整姿态角。在文献[5),一个研究框架的低灵敏度,提出了战术轨迹规划的多个雷达探测到了威胁环境;解决方案的最优轨迹转化为最优控制问题的最小雷达探测概率。渗透轨迹优化方法考虑飞机雷达RCS的影响提出了在文献[6]。在文献[7]和文献[8),提出了一种混合启发式自适应pseudospectrum方法解决low-detectability轨迹规划问题。相比之下,这些方法通常采用一个简化的运动学模型,旨在获得一个粗略的参考轨迹,和雷达的约束和控制条件的态度很少考虑参考轨迹。在文献[9),隐形无人机路径规划方法提出了基于RCS椭球模型找到最优轨迹在飞行。相反,这个模型需要大量的计算在解决路径规划的问题。在文献[10),轨迹规划方法提出了基于动态博弈理论,分析了雷达和无人机之间的关系。在文献[11),一个实时空战飞机轨迹优化和博弈模型提出了基于滚动时域控制策略在一个复杂的环境。然而,研究中存在两种类型的短缺。一个是只适用于静态环境与已知的雷达位置,它很少达到隐形无人机路径规划的动态环境。另一个是计算过程相对复杂,和路径规划方法的实时性能很差。Erlandsson提出了一种路径规划模型,预期的空气路径成本任务是讨论在一个充满敌意的环境;采用粒子群优化算法(PSO)解决优化路径规划问题(12,13]。与此同时,许多学者关注分析的一系列优化算法解决渗透无人机路径规划问题,如a *算法(14)、遗传算法(GA) [15],稀疏a *算法(SAS) [16),迅速探索随机树算法(RRT) (17,18),粒子群优化算法(PSO) (19,20.],黑洞算法[21),和其他组合优化算法22]。然而,这些优化算法只适用于解决隐形静态作战环境中的路径规划问题,单碱基雷达通常采用的战斗场景,每个雷达的位置是已知的,而且这个数字还相对较小。此外,算法的效率和安全的道路很少是最优的。

1.3。贡献

在本文中,我们重点分析了渗透为隐形无人机路径规划基于一种改进的a *算法,旨在实现快速渗透路径规划的动态战斗环境BB的威胁。新奇的方法总结如下:首先,基于模型预测控制(MPC)的主要思想和学习(LRTA)实时a *算法集成到路径设计改进的a *算法。此外,BB的威胁在复杂的环境中,改进的a *算法适用于渗透路径重新规划与固定高度提高生存能力和作战效能的隐形无人机。此外,应用数值仿真结果证明改进的a *算法的有效性与BB雷达网的存在威胁。

1.4。论文组织

本文组织如下。部分2描述了隐形无人机的数学模型。部分3讨论了多个雷达网的探测概率的计算,这是接近真实的战斗环境。部分4提出了改进的路径规划算法,包括改进的a *算法,LRTA-Star算法,和D-Star算法。我们的数值结果和评价提出了部分5。部分6我们的结论和未来的工作。

2。系统建模

2.1。运动学

假设隐形无人机可以被定义为一个粒子与态度信息,而忽略了风能和其他外部条件的影响(1]。我们专注于研究飞行路径的控制。隐形无人机在水平面移动在一个固定的高度 。因此,可以通过运动学模型 在哪里和飞机的笛卡尔坐标,航向角,是恒速,是输入信号,加速度是正常的飞行路径向量。

指定雷达位置在平面上 (地上)坐标 。的范围隐形无人机雷达是由

此外,让 的方位、方面和辊角度,分别测量的th雷达,重力加速度。

2.2。动态RCS特性

雷达截面(RCS)是衡量能力的无人机,以反映雷达发出的电磁辐射(23];鼻子的RCS,机身和尾巴的隐形无人机小于传统的无人机,和RCS值将改变了由于不同雷达乐队和雷达极化模式。它扮演着一个重要的角色在渗透路径的隐形无人机在战斗中。路径规划问题,RCS通常定义为一个常数,但在实际应用中是不合理的。按照惯例(24),它被建模为一个函数的视线角和横摇角从雷达。因此,动态RCS模型采用一个椭球(1),这是由 在哪里代表了无人机的RCS值,角代表方面,代表了横摇角,是额RCS相对较小,是一个较大的梁方面RCS,是当从高于或低于相对较大的RCS。

3所示。雷达探测概率

当获得目标信息符合共同跟踪标准,目标的雷达系统证实了检测和传送信息的获取目标信息融合中心。目标在单一碱基雷达的探测概率,对偶基雷达和雷达网系统描述如下。

3.1。单碱基雷达

单碱基的雷达,无人机的探测概率只与距离有关无人机雷达中心。在一段时间内,雷达瞬时检测概率可以表示如下: 在哪里的瞬时检测概率是单基地雷达,是由情商。2),和分别具体雷达的性能参数。

3.2。对偶基雷达

对偶基雷达系统被认为是有效的系统来应对面临的四大威胁由于收发两用机分离的技术特点和被动接收。对于雷达系统的性能,它具有单碱基雷达不能匹配,如更大的探测距离和更高的精度。对偶基雷达通常部署在现代防空系统;因此,我们重点分析对偶基的雷达系统。

发射机也作为对偶基雷达系统的接收机,T / rr系统。发射机可以同步与其他分配器接收器对偶基的雷达系统。与发射机,接收机同步阶段,和空间。对偶基雷达系统的配置在图中进行了描述1。

在哪里 表示目标的位置,代表了发射机,代表接收方,代表了发射机和接收机之间的距离,代表目标和传感器之间的距离,代表目标和接收机之间的距离,代表了对偶基角。

此外,被定义为双基地雷达的探测距离,那是什么 。在哪里 和 。 是一个常数,当雷达参数。因此,双基地雷达的最大探测距离可以获得的 在哪里代表的峰值功率发射机,代表了天线增益,代表系统损失,代表玻耳兹曼常数,接收机的噪声温度, 接收机的信噪比,然后呢代表了波长。类似地,指数分布下的双基地雷达的探测概率是由

3.3。网络化雷达系统的检测概率

对于一个完整的网状的雷达系统,雷达网可以提高无人机的探测概率,明显。网络雷达系统的探测概率主要指的是目标探测概率计算的信息融合中心。秩K融合规则是在现代网络化雷达系统广泛采用。因此,我们采用秩K融合规则来分析网络雷达的探测概率(25,26]。

假设雷达的网状雷达系统的数量 ,其中包括单碱基雷达和双基地雷达。当雷达系统中检测到的数量超过了检测阈值根据秩K融合规则,这意味着,目标被检测到的雷达系统,以及最优检测阈值的近似值可以描述如下。

雷达使当地的判断基于隐形无人机的检测和判断结果要么是0或1,这取决于当地的阈值检测目标存在与否。和是二进制的假设,在哪里代表目标不存在代表目标存在。因此,决策的价值th雷达 )可以表示如下:

此外,当地决定结果传递给信息融合中心的雷达系统,形成一个全球决策矩阵 ,也就是说, 。和雷达信息融合规则网络来标示 ;的决策规则给出了K级融合

与此同时,网络的总探测概率在无人机由雷达系统 在哪里是一组局部融合中心的决策向量,使法官“1”,是一组局部融合中心的决策向量,使法官“0”,然后呢是第一个雷达在雷达的发现概率。

4所示。路径规划算法

a *算法是一种有效解决最短路径搜索方法在静态路网中,被广泛用来解决许多代理的路径规划问题。估计距离越接近实际值,最终搜索速度越快(27- - - - - -29日]。论述了a *算法的改进方法,解决渗透对隐形无人机路径规划问题。

4.1。a *算法

标准的a *算法的主要思想如下。首先,选择合适的启发式函数估计的代价值可扩展的搜索点的搜索区域,全面。此外,比较不同的成本每一点的值。此外,考虑到操作时间和距离跟踪点搜索的成本。最后,找到最优路径。在a *算法,打开和关闭列表的操作通常是执行以实现存储和更新的跟踪点。

然而,标准的a *算法,应用于找到最优路径隐形无人机有许多缺点:(a) a *算法获得的路线只有隐形无人机的位置,它不能反映动态RCS的特点和姿态角信息。(b)未知路径成本估算是很少在路径规划过程中准确地计算,计算时间太长找到全局最优路径。(c)实时的性能差,和算法不能处理BB的威胁。因此,我们专注于改进a *算法的性能。

4.2。D-Star算法

D-Star算法开发的a *算法和迪杰斯特拉算法30.,31日),适合解决未知环境下的路径规划问题。算法的主要思想是搜索目的地的反向路径开始,和启发式函数表达式的D-Star算法 在哪里代表从目的地的路径的实际成本 ,和 从国家的估计成本路径的起点。

给出D-Star算法的主要步骤如下。步骤1:所有国家的值设置为新的,和设置为所有国家无穷,设置为零,目的地吗添加到开放列表。第二步:继续执行搜索到的位置从开放列表中删除,如果关闭列表包含标签值的状态 ,完整路径序列将获得。相比之下,路径规划没有威胁的场景。步骤3:如果路径存在,国家所有可以用来指向目的地吗的指针。此外,如果成本变化,当前路径将立即重新计算。第四步:插入的状态影响附近的新威胁到开放列表,然后返回到步骤2。D-Star算法的伪代码描述如下算法1。

4.3。改进的a *算法

我们重点分析了学习实时a *算法(LRTA-Star),在动态环境中满足实时规划的要求(32,33]。相比之下,采用LRTA-Star算法获得的路径是由一系列曲折的轨道;很难实现准确跟踪跟踪控制由于有限的机动性。此外,隐形无人机在飞行过程中,LRTA-Star算法容易陷入局部死循环,导致失败的路径搜索。因此,进一步结合基于模型预测控制(MPC)的想法(34,35),一种改进的a *算法与多步最优搜索,提出了在这一节中。

MPC是一种优化控制方法,该方法主要由模型预测、反馈校正,滚动优化。MPC系统原理如图2。

闭环输出预测 是由 在哪里是实际控制量对系统的时刻吗 , 是参考输入滤波器跟踪软化, 模型的预测输出值, 是闭环输出预测,误差修正系数。

根据情商。13),给出了多步预测最优控制律 在哪里是预测域的长度;是控制域的长度;是输出预测误差,然后呢控制变量的加权系数。

多步优化搜索过程中,跟踪每个预测跟踪成本被认为是累计的成本的价值预测跟踪节点。因此,无人机飞行路径规划的目标函数可以根据MPC系统的最优控制律。的成本预测飞行路径的步骤节点是由 在哪里 雷达威胁的成本吗th预测点对当前预测跟踪部分,可以通过情商。11)。是威胁的重量成本;是成本距离加权矩阵, 是控制序列, 目的是协调成本之间的距离 的坐标th跟踪点和 。

隐形无人机是有限的机动性多步搜索的过程中, 由当前寻求跟踪点和航向角,和成本函数为节点有一个最小值。因此,添加参数 启发式函数的算法,旨在简化操作,减少搜索时间,确保路径规划的最优性,和新的启发式函数表达式给出了改进的a *算法

在哪里 的比例是当前状态的路径成本的路径成本一个未知的区域,当前节点,是相邻扩展节点, 成本从当前节点相邻的节点,然后呢 。改进的a *算法的伪代码描述如下算法2和改进的a *算法的流程图如图3。

5。数值结果

数值模拟的渗透路径规划采用改进的a *算法,执行LRTA-Star算法,和D-Star算法在不同的威胁情况,旨在验证改进的a *算法的有效性。仿真实验进行MATLAB2020Ra 10软件和Windows系统。飞行参数表中所示1,该值是由雷达的数量 ,和它将改变当有BB威胁的威胁的场景。此外,它被认为是高概率的雷达检测时超过0.4,执行评估轨道的安全程度。某种类型的隐形无人机的RCS数据在图中进行了描述4。

5.1。第一个威胁场景

地区的威胁 ;的地理位置和类型的威胁来源展示在表2。起始点的坐标是(5,5)公里,和目标点的坐标是(90、90)公里。渗透路径规划的数值结果是由不同的算法在第一个场景中描述的人物5。航向角和横摇角的变化改进a *算法应用的第一个场景是描绘在图6,进了雷达的探测概率在第一个威胁场景如图7的统计结果,第一个场景是在表中飞行3。

图5展示了渗透路径的隐形无人机执行在一个场景中采用三种不同的算法。从图7和表3,我们可以推断隐形无人机可以实现渗透路径规划采用在第一个场景中,一个静态或动态环境。然而,与其他两种算法相比,采用改进的a *算法获得的路径有一个较小的值和花费更少的时间。图6表明改进的a *算法能够准确地调整姿态角和减少路径上的RCS值,该算法实现快速和安全的路径规划隐形无人机渗透。此外,改进的a *算法的路径是短于LRTA-Star算法,和改进的a *算法路径规划效率和安全性更高,这也进一步证明了改进的a *算法的有效性。

5.2。第二个威胁场景

地区的威胁 ;的地理位置和类型的威胁来源展示在表4。起始点的坐标是(5,5)公里,和目标点的坐标是(90、90)公里。渗透路径规划的数值结果是由不同的算法在第二个场景中描述的人物8。航向角和横摇角的变化是由一种改进的a *算法在第二个场景中描绘在图9,进了雷达的探测概率第二威胁场景如图10的统计结果,飞行在第二个场景中提出了表5。

图8描述了渗透路径的隐形无人机执行通过应用三种不同的算法在更复杂的场景中威胁来源,并从图10和表5。原来的路径规划,渗透路径是安全的运用这三种算法的场景。然而,对于BB的存在威胁的路径重新规划,重新规划路径没有在第二个威胁情况下,因为的路径采用LRTA-Star算法和D-star算法高于0.5。相反,隐形无人机仍然可以实现路径重新规划在第二个场景中有两个BB威胁通过使用一种改进的a *算法。此外,改进的a *算法花费更少的时间和路径规划的效率高于其他两个算法无论是在原始路径规划或重新规划,进一步证明了该算法的有效性。图9表明改进的a *算法执行时渗透路径规划,航向角和横摇角的变化在预设范围内,可以满足实际飞行要求。

5.3。第三个威胁场景

地区的威胁 ;的地理位置和类型的威胁来源展示在表6。起始点的坐标是(5,5)公里,和目标点的坐标是(90、90)公里。渗透路径规划的数值结果是由不同的算法在第三场景描绘在图11。航向角和横摇角的变化是由一种改进的a *算法在第三场景如图12,进了雷达的探测概率在第三场景描绘在图的威胁13飞行,统计结果在第三场景呈现在表7。

图11描述了渗透路径的隐形无人机执行通过应用三种不同的算法在一个场景中与大量的威胁源和BB威胁;从图13和表7,我们可以看到采用LRTA-Star路径算法和D-star算法高于0.5无论在原始路径规划路径重新规划。显然,隐形无人机很少能实现安全、快速的渗透路径规划采用这两种算法。然而,的路径通过采用改进的a *算法总是低于0.5;因此,隐形无人机仍然可以实现渗透路径规划和重新规划通过使用改进的a *算法在动态场景的威胁。此外,路径的改进a *算法有更高的效率和安全性,进一步证明了改进的a *算法的有效性与威胁密度高的场景。图12表明隐形无人机能够满足约束的姿态角密切和低空领域的战斗。

6。结论

本文提出了一个新的解决方案为隐形无人机路径重新规划与BB复杂的雷达网环境威胁。

我们专注于分析隐形无人机的运动学模型,威胁源在渗透环境下,和路径规划算法。进一步结合基于模型预测控制(MPC)和LRTA-Star算法,提出一种改进的a *算法实现渗透为隐形无人机路径规划和重新规划。同时,隐形无人机的姿态角信息添加到算法,这表明动态RCS的变化特征。进一步结合隐形无人机的运动学分析和雷达网的探测性能分析,原来的路径,重新规划路径可以满足实际飞行要求。

与其他两种算法相比,隐形无人机可迅速实现渗透路径规划采用改进的a *算法在不同的复杂环境和BB的威胁,提高隐形无人机的生存能力,渗透路径规划的效率。

威胁场景组成的单碱基雷达、对偶基雷达,BB的威胁,更接近真实的战斗环境。模型和本文提出的改进的a *算法可以快速生成更好的渗透路径动态环境下作战区域,表现出一定的军事应用价值。

在未来的工作中,我们专注于实时快速渗透面向隐形无人机路径规划三维复杂地形和未知的动态环境中运动目标领域的密切和低空作战。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持部分由中国国家自然科学基金资助61663032,2016 zc56003航空科学基金资助下,和创新专项基金的南昌格兰特YC2019026下香港大学的研究生。

引用

1. p.h. Zeitz III”作战无人机路径规划的地空导弹制导雷达威胁,[博士。科技论文]。”代表,部门Elect.Eng。,University of Michigan, Detroit, MI, USA, 2005.视图:谷歌学术搜索
2. 燕,r·刘·戴m .邢和s .刘”迅速渗透轨迹优化方法对超音速汽车,”国际航空航天工程杂志》上卷,2019篇文章ID 1490342, 11页,2019年。视图:出版商的网站|谷歌学术搜索
3. 赛普维达和h·史密斯,”技术的挑战隐形无人作战飞行器,“航空杂志,卷121,不。1243年,第1295 - 1261页,2017年。视图:出版商的网站|谷歌学术搜索
4. f·w·摩尔,”雷达横截面减少通过路线规划和智能控制,”IEEE控制系统技术,10卷,不。5,696 - 700年,2002页。视图:出版商的网站|谷歌学术搜索
5. t . Inanc m . k . Muezzinoglu k . Misovec和r·m·穆雷”框架存在多个雷达隐身轨迹生成,“杂志的指导、控制和动力学没有,卷。31日。6,1740 - 1749年,2008页。视图:出版商的网站|谷歌学术搜索
6. 问:徐、j .通用电气和t·杨”Multiaircraft合作渗透轨迹的优化设计,”国际航空航天工程杂志》上卷,2020篇文章ID 8490531, 12页,2020。视图:出版商的网站|谷歌学术搜索
7. 沈l . j . h . Liu陈,陈,“低可观测性隐形飞机躲避雷达跟踪轨迹规划,“美国机械工程师学会学报》上,部分旅客:航空航天工程杂志》上,卷228,不。3、398 - 410年,2014页。视图:谷歌学术搜索
8. 陈j·s·陈,h . Liu, l .沈”渗透轨迹规划基于无人机雷达跟踪特性,”飞机工程和航空航天技术,卷85,不。1,第71 - 62页,2013。视图:出版商的网站|谷歌学术搜索
9. j·j·鲁兹,o . Arevalo m .耶稣和g . Pajares”使用MILP无人机轨迹优化下雷达探测的风险,”《IEEE会议在2006年新兴技术和工厂自动化,页957 - 960,布拉格,捷克共和国,2006年。视图:谷歌学术搜索
10. 王r和j·刘,“自适应形成quadrotor无人机的控制与有界控制推力,”中国航空杂志,30卷,不。2、807 - 817年,2017页。视图:出版商的网站|谷歌学术搜索
11. j .张问:胡,d . Wang和w·谢“健壮的形成与航天器姿态运动协调控制通信延迟,”中国航空杂志,30卷,不。3、1071 - 1085年,2017页。视图:出版商的网站|谷歌学术搜索
12. t . Erlandsson”路线规划空气任务在敌对的环境中,“《国防部建模与仿真:应用程序、方法、技术,12卷,不。3、289 - 303年,2015页。视图:出版商的网站|谷歌学术搜索
13. t . Erlandsson和l . Niklasson”自动评价空气任务路线对战斗生存,”信息融合,20卷,第98 - 88页,2014年。视图:出版商的网站|谷歌学术搜索
14. a . Le诉Prabakaran、诉Sivanantham和r·莫汉”改进a *算法有效覆盖路径规划在俄罗斯方块启发self-reconfigurable机器人集成的激光传感器,”传感器,18卷,不。8,2018。视图:出版商的网站|谷歌学术搜索
15. m·a·穆罕默德·m·k·Abd Ghani r·哈米德,s . a . Mostafa m·s·艾哈迈德和d·a·易卜拉欣,“使用改进的遗传算法求解车辆路径问题的最优解,“计算机科学期刊21卷,第262 - 225页,2017年。视图:出版商的网站|谷歌学术搜索
16. y, z雪,g . s .夏和l .张”的无人机导航建立一项调查,”地理空间信息科学,21卷,不。1,21-32,2018页。视图:出版商的网站|谷歌学术搜索
17. A·马吉德和李,“快速全球飞行路径规划算法基于空间界限和稀疏可见性图表无人机,“电子产品,7卷,不。12,375页,2018年。视图:出版商的网站|谷歌学术搜索
18. r . y . Li崔,z, d .徐“基于神经网络近似使用RRT算法与kinodynamic约束运动规划,“IEEE工业电子产品,卷65,不。11日,第8729 - 8718页,2018年。视图:出版商的网站|谷歌学术搜索
19. c . s .邵y Peng他和y du,“有效的无人机路径规划通过全面改进的粒子群优化,形成“ISA事务卷,97年,第430 - 415页,2020年。视图:出版商的网站|谷歌学术搜索
20. 赵y、z郑y . Liu“computational-intelligence-based无人机路径规划,调查”以知识为基础的系统卷。158年,54 - 64年,2018页。视图:出版商的网站|谷歌学术搜索
21. p·库马尔s Garg a·辛格·巴特拉,n . Kumar和我。你,”MVO-Based二维路径规划方案提供的服务质量在无人机环境中,“IEEE物联网,5卷,不。3、1698 - 1707年,2018页。视图:出版商的网站|谷歌学术搜索
22. a . Bakdi a . Hentout h . Boutami a . Maoudj o . Hachour和b . Bouzouia”最佳的移动机器人路径规划和执行使用遗传算法和自适应模糊逻辑控制,”机器人和自治系统卷,89年,第109 - 95页,2017年。视图:出版商的网站|谷歌学术搜索
23. a . Laučys s鲁迪·m·Kinka et al .,”调查,使用低成本的航海雷达探测无人机的可能性,”航空,23卷,不。2,48-53,2019页。视图:出版商的网站|谷歌学术搜索
24. 方,“量子雷达截面的模拟和分析的三维凸目标,“IEEE光子学》杂志,10卷,不。1,1 - 8,2018页。视图:出版商的网站|谷歌学术搜索
25. c, h . Tan Q.-F。刘et al .,“收发分置的量子计算与分析的雷达截面为典型的二维板,“IEEE光子学》杂志,10卷,不。2、1 - 14,2018页。视图:出版商的网站|谷歌学术搜索
26. c .张x江和d·陈,“RCS推广与旋转轨道角动量成像雷达天线,”专业雷达、声纳、导航,13卷,不。12日,第2144 - 2140页,2019年。视图:出版商的网站|谷歌学术搜索
27. f . Duchoňa . Babinec m . kaja et al .,“路径规划与修改星算法的移动机器人,”Procedia工程卷,96年,页59 - 69,2014。视图:出版商的网站|谷歌学术搜索
28. c .刘问:毛、朱x和谢,“一种改进的a *算法考虑水流,交通分离和靠泊船舶路径规划,“应用科学,9卷,不。6,1057年,页2019。视图:出版商的网站|谷歌学术搜索
29. y y李,马t, p . Chen江,r . Wang,张问:“自主水下航行器最优路径规划方法,海底地形匹配导航”海洋工程卷,133年,第115 - 107页,2017年。视图:出版商的网站|谷歌学术搜索
30. t . t . Mac, c . Copot d·t·Tran r .大尺度,“分层全球移动机器人路径规划方法基于多目标粒子群优化,“应用软计算59卷,第76 - 68页,2017年。视图:出版商的网站|谷歌学术搜索
31. f . a . Raheem和美国Hameed,使用D“路径规划算法基于PSO的启发式方法在动态环境中,“美国科研期刊工程、技术和科学卷,49号1,第271 - 257页,2018。视图:谷歌学术搜索
32. 辛格k, k辛格l . h .儿子和a·阿齐兹,“无线传感器网络拥塞控制的混合多目标优化算法,”计算机网络卷,138年,第107 - 90页,2018年。视图:出版商的网站|谷歌学术搜索
33. y赵,阴,d .李问:Yu和p . Ranjitkar”改善高速公路通过车辆轨迹基于数据控制流动性和环保性能,”IEEE访问,8卷,第86869 - 86862页,2020年。视图:出版商的网站|谷歌学术搜索
34. j . z, j . Wu戴,c .他“小说隐形无人机实时渗透路径规划算法在三维复杂的动态环境中,“IEEE访问,8卷,2020年。视图:出版商的网站|谷歌学术搜索
35. a . Afram f . Janabi-Sharifi a s Fung)和k . Raahemifar“基于人工神经网络(ANN)模型预测控制(MPC)和优化暖通空调系统:一个国家的艺术评论和案例研究住宅空调系统,”能源和建筑卷,141年,第113 - 96页,2017年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020哲Zhang et al。这是一个开放分布式下文章知识共享归属许可,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。