基于进化多任务优化的多目标多无人机路径规划：自适应算子选择与知识融合策略提升飞行安全与效率

本文提出一种创新进化多任务多目标路径规划算法（EMMOP），通过构建地形遮挡威胁模型和辅助任务框架，结合双深度Q网络自适应算子选择（DAOS）与方向信息知识融合（KTDF）策略，显著提升多无人机协同路径的收敛性与多样性，为复杂环境下的自主决策提供高效解决方案。

　　

Section snippets

多无人机路径规划方法

多无人机路径规划是自主系统领域的核心挑战，需在路径长度、能量效率和碰撞规避等多目标间取得平衡，并满足复杂约束条件。现有方法主要分为两类：加权多目标（WMO）算法和基于帕累托的多目标（PMO）算法。

路径表示

本研究采用球坐标系定义无人机的空间位置。一条从起点$S$到目标点$T$的完整路径$W_i$表示为：

$W_i=\left(S,\left({\theta }_{i,1},{\omega }_{i,1},{\phi }_{i,1}\right),\dots ,\left({\theta }_{i,D},{\omega }_{i,D},{\phi }_{i,D}\right),T\right)$

其中$\theta$、$\omega$和$\phi$分别表示幅度、俯仰角和方位角。通过以下变换矩阵将球坐标转换为笛卡尔坐标$\left(x,y,z\right)$：

$\left(\begin{array}{c}\theta \\ \omega \\ \phi \end{array}\right)=\left(\begin{array}{ccc}sin\omega cos\phi & sin\omega sin\phi & cos\omega \\ cos\omega cos\phi & cos\omega sin\phi & ?sin\omega \\ ?sin\phi & cos\phi & 0\end{array}\right)\left(\begin{array}{c}x\\ y\\ z\end{array}\right)$

此处$i=1,2,\dots ,K$。

提出的EMMOP算法

本节详细阐述了针对MOMUPP问题设计的EMMOP算法。首先介绍整体框架，随后详解关键组件：包括进化多任务（EMT）框架、基于DAOS的子代生成机制，以及利用方向信息提取与知识融合（KTDF）的技术实现知识迁移。最后分析了EMMOP的计算复杂度。

仿真结果与分析

本节首先说明实验设置，包括测试案例、对比方法、参数配置和性能指标。随后通过正交实验检验EMMOP的关键参数，评估对比多种算法性能，并深入分析多场景下的算法表现。此外，通过消融实验验证EMT框架和DAOS策略的有效性。

结论与未来工作

本研究提出的EMMOP算法用于解决同时优化路径长度与风险成本的MOMUPP问题。与传统方法不同，EMMOP具备两大创新：一是采用DAOS在先进EMT框架中为关联任务自动分配最优搜索算子，提升子代质量；二是集成KTDF机制，促进任务间关键信息的高效交换。