自适应黏菌算法优化无人机三维路径规划

"基于自适应黏菌算法优化的无人机三维路径规划-黄鹤.pdf" 本文主要探讨了无人机在三维空间中的路径规划问题，并提出了一种利用自适应黏菌算法（GSMMA）进行优化的方法。黏菌算法（SMA）作为一种生物启发的优化算法，其在解决复杂优化问题时具有一定的优势，但在实际应用中可能会遇到搜索范围有限和寻优精度不高的挑战，容易陷入局部最优。针对这些问题，作者黄鹤及其团队进行了深入研究。 首先，他们考虑了无人机在执行任务时可能面临的实际环境，包括三维地形的复杂性、可能存在的威胁源以及无人机自身的物理和操作限制。这些因素都是构建无人机路径规划模型时必须考虑的关键要素，它们确保了规划出的路径不仅可行，而且安全。 为了解决SMA的搜索范围不足的问题，研究人员引入了一种改进的逻辑混沌映射策略。这种策略能够有效地增加种群的多样性，通过动态调整种群的分布，使得算法能够在更广阔的搜索空间中探索潜在的解决方案，从而提升全局搜索性能。这种方法有助于避免算法过早收敛，增加找到全局最优解的可能性。 接着，为了提高寻优精度，文章提出了一种非线性的自适应惯性权重因子。惯性权重在进化算法中起着平衡探索与开发之间关系的作用，传统的线性权重可能无法兼顾全局搜索和局部优化。通过采用非线性自适应的策略，算法能够在不同阶段动态调整权重，既保证了初期的广泛探索，又有利于后期的精细优化，从而避免陷入局部最优。 此外，该研究还得到了多项基金项目的支持，包括国家重点研发计划项目、国家自然科学基金面上项目、陕西省重点研发计划项目、陕西省自然科学基础研究计划项目、西安市智慧高速公路信息融合与控制重点实验室开放基金项目以及中央高校基本科研业务费资助项目。这表明该领域的研究受到多方关注和支持。 本文提出的基于自适应黏菌算法优化的无人机三维路径规划方法，通过改进的逻辑混沌映射和非线性自适应惯性权重因子，有效地提升了路径规划的效率和质量，为无人机在复杂环境下的自主导航提供了新的思路和技术支持。