| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 航迹规划算法研究现状 | 第12-14页 |
| 1.2.2 云理论研究现状 | 第14-15页 |
| 1.3 本文主要内容与创新点 | 第15-17页 |
| 第2章 无人机路径规划环境建模 | 第17-27页 |
| 2.1 规划空间表示方法 | 第17-18页 |
| 2.2 规划空间的更新 | 第18-19页 |
| 2.3 无人机机动性能约束 | 第19-20页 |
| 2.4 无人机飞行环境威胁约束 | 第20-25页 |
| 2.5 综合代价模型 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 自适应遗传算法 | 第27-40页 |
| 3.1 自适应遗传算法概述 | 第27-28页 |
| 3.2 自适应遗传算法基本原理 | 第28页 |
| 3.3 自适应遗传算法构成要素 | 第28-33页 |
| 3.3.1 编码 | 第28-29页 |
| 3.3.2 初始种群 | 第29页 |
| 3.3.3 适应度函数 | 第29-31页 |
| 3.3.4 基本算子 | 第31-33页 |
| 3.4 自适应遗传算法实现过程 | 第33-34页 |
| 3.5 现有自适应遗传算法 | 第34-39页 |
| 3.5.1 线性自适应遗传算法 | 第34-36页 |
| 3.5.1.1 基本线性自适应遗传算法 | 第34-35页 |
| 3.5.1.2 改进线性自适应遗传算法 | 第35-36页 |
| 3.5.2 非线性自适应遗传算法 | 第36-39页 |
| 3.5.2.1 基于余弦的自适应遗传算法 | 第36-37页 |
| 3.5.2.2 基于神经网络函数sigmoid的自适应遗传算法(SAGA) | 第37-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 自适应遗传算法的改进 | 第40-52页 |
| 4.1 云理论概述 | 第40-43页 |
| 4.1.1 云模型及其数字特征 | 第40-41页 |
| 4.1.2 云模型的性质 | 第41-42页 |
| 4.1.3 云发生器 | 第42-43页 |
| 4.2 自适应遗传算法的改进 | 第43-48页 |
| 4.2.1 算子扩展 | 第43-44页 |
| 4.2.2 设计调节公式 | 第44-46页 |
| 4.2.3 改进算法的自适应性 | 第46-47页 |
| 4.2.4 基因相似度 | 第47-48页 |
| 4.3 云自适应遗传算法 | 第48-51页 |
| 4.3.1 云自适应遗传算法适应度计算 | 第48页 |
| 4.3.2 云自适应遗传算法终止条件 | 第48页 |
| 4.3.3 云自适应遗传算法实现过程 | 第48-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 仿真实验与分析 | 第52-59页 |
| 5.1 实验设计 | 第52页 |
| 5.2 基于CAGA算法的无人机路径规划与重规划 | 第52-54页 |
| 5.3 基于SAGA算法的无人机路径规划与重规划 | 第54-55页 |
| 5.4 对比分析 | 第55-57页 |
| 5.5 本章小结 | 第57-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士期间发表论文和取得科研成果 | 第64-65页 |
| 致谢 | 第65页 |