航迹规划是信息时代的产物,是随着信息获取手段和信息处理技术的发展而发展起来的一门跨学科的研究课题。由于飞行器的飞行环境异常复杂庞大,约束条件众多且模糊性大,各因素之间存在强耦合,因此航迹规划算法成为飞行器任务规划中最具挑战性的问题。现有的航迹规划方法有数学优化方法、确定型搜索方法、随机型搜索方法。这些规划方法在实际应用时,会出现这样或那样的缺憾。数学优化的方法过多地简化了约束条件特别是飞行器自身的约束,且规划时间随问题规模增大而迅速增长; 确定型搜索算法存在组合爆炸的危险; 随机型规划方法却存在规划结果不可重复和收敛时间不确定等问题。面对庞大的规划空间、大量的各种数据、复杂的约束,现有的规划算法表现出规划时间长、扩展性不强。为此,本文将通过研究并行规划算法来达到缩短规划时间,提高算法实际应用的适应性。从三维稀疏A*搜索(SAS)算法的时间复杂度来看,三维SAS 规划方法虽然采用结合约束条件扩展节点而大大减少了对规划空间的搜索量,但还是存在扩展性不强的弱点,即规划时间随问题规模增大而迅速增长。在充分分析三维SAS 算法并行性后,发现并行算法关键在于OPEN、CLOSED 表的处理。采用共享式存储模式的OPEN、CLOSED 表存在操作互斥性的瓶颈效应,为了减小该效应,本文提出了一种较为实用的OPEN、CLOSED 表操作准则。分布式存储模式的OPEN、CLOSED 表则出现怎么样剪除不同处理机相同节点和负载不易均衡的困难。本文也提出了相应的解决办法,可惜实验表明效果不理想,这主要是由于SAS 算法是一种局部扩展的方法。实验表明基于共享式存储模式的并行算法对时间效果改善明显,但也存在扩展性不是很强的缺点。本文最后提出了一种基于神经网络的航迹规划方法,该方法具有很强的并行性,并行算法效果很好。该方法的主要特点是为每个约束条件建立一个神经网络模型,对航迹满足约束的状况进行能量惩罚。如果满足约束条件,则航迹的能量较小,不满足约束条件能量较大。为航迹点定义运动方程,使航迹点向能量小的地方运动,最终趋