多目标协同进化算法驱动的水空两栖无人车集群路径规划研究

为解决复杂受限环境下多水空两栖无人车(WAAUV)协同路径规划中的轨迹冲突、能耗优化与威胁规避难题，研究人员提出改进多任务约束多目标优化算法(IMTCMO)。该算法通过动态约束松弛与混合差分进化算子，构建多涡流叠加环境扰动模型，实现任务协作效率、威胁成本与能耗的Pareto最优平衡。实验表明IMTCMO在6种复杂场景中超体积指标平均提升1.59%，为跨域无人系统协同作业提供新范式。

　　

在海洋监测与近岸救援等任务中，水空两栖无人车(WAAUV)凭借跨域机动性展现出独特优势，但其在密集环境下的协同路径规划面临三重挑战：高密度导航导致的轨迹冲突、异构运动模式增大的解空间维度，以及空间约束加剧的碰撞风险。现有单目标优化方法难以平衡路径长度、能耗与威胁间的矛盾，而通信延迟与电池限制等现实因素更增加了协同决策的复杂性。

针对上述问题，研究人员开发了改进多任务约束多目标优化算法(IMTCMO)。该算法创新性地将主任务（全局路径优化）与辅助任务（局部约束处理）通过多任务协同进化框架整合，采用动态约束松弛技术处理空间限制，结合混合差分进化算子增强搜索能力。关键技术包括：多涡流叠加模型量化流体动力干扰、自适应混合编码策略降低决策变量维度，以及基于超体积指标(HV)的Pareto前沿评估体系。

系统描述
建立包含N_A辆WAAUV的数学模型，考虑水面巡航(P_wc=1×10^-1kW)与空中飞行(P_ac=1kW)的能耗差异，引入转向(P_tw=3×10^-2kW)与爬升(P_cb=2×10^-2kW)的附加功耗模型，最大飞行高度限制为H_max=40m。

路径编码策略
设计自适应混合编码方法，将控制点坐标与运动模式编码为决策变量，通过三次B样条曲线生成平滑路径，显著降低30%计算复杂度。

实验结果
在6种场景测试中，IMTCMO相比NSGA-III等7种算法表现出显著优势：威胁成本降低19.7%，协同时间缩短12.3%，能量消耗减少8.5%。特别在含5个涡流干扰的S4场景中，HV指标提升2.1%。

该研究通过多目标协同优化框架，首次实现WAAUV集群在动态流体环境中的高效安全路径规划。IMTCMO算法展现的强鲁棒性为未来跨域无人系统协同作业奠定理论基础，其动态约束处理机制对复杂环境下的自主决策具有普适参考价值。论文发表于《Expert Systems with Applications》，为智能无人系统领域提供重要方法论创新。