Amphibious 无人机（UAV）在海上巡逻、灾害救援、海空联合侦察和近岸测绘方面展现了显著优势，并逐渐成为多领域协同感知和应急响应系统的重要组成部分（Adnan 和 Khamis，2022；Hall 和 Wahab，2021）。然而，与在单一介质中运行的空中平台相比，amphibious UAV 面临跨介质操作、强耦合和高动态性的任务环境，这带来了重大挑战（Tan 等，2023）。一方面，动态水面目标与复杂水下地形的共存及其与海岸地形的相互作用显著增加了路径可行性建模和障碍物避让规划的难度。另一方面，边界层过程（如风、波浪和洋流）的交替效应以及局部微气象现象显著增强了环境动态性和不可预测性。在这种背景下，路径规划不再是一个基于单一成本函数的静态优化问题，而是一个复杂的多目标、强约束和时变决策问题，需要类似于下一代空中交通控制的实时智能态势感知（Guo 等，2025），并在有限的计算预算下要求生成可行的、稳健的和高效的轨迹并进行在线校正（Jones 等，2023a；Cong 等，2024）。
经典方法如图搜索（例如 A*（Suanpang 和 Jamjuntr，2024）、Dijkstra（Dhulkefl 等，2020）和人工势场在具有完整先验信息、环境缓慢变化和单目标成本的场景中表现出良好的可解释性和确定性最优性。然而，当网格分辨率、通行性约束和动态障碍物同时增加时，搜索复杂性会与网格分辨率强烈耦合，导致过度扩展和启发式偏差。同样，势场方法在多障碍区域容易陷入局部最小值并出现振荡，同时对参数调整非常敏感（Hao 等，2023）。因此，群体智能和进化算法（如 PSO 和 DE）因其全局探索能力而被广泛用于 UAV 路径规划。尽管如此，这些方法在应用于高维度、高约束和多目标环境时仍容易过早收敛、探索-利用不平衡以及精英解的继承不足（Wang 等，2018；Tang 等，2021；Monga 等，2022）。
同时，在水下物联（IoUT）和自主水下航行器（AUV）领域，最近的研究表明，环境感知的 UAV 轨迹设计和多层次资源管理可以在严格的能源约束下提高通信和计算效率（Hou 等，2022）。此外，异构 UAV 辅助的联合优化方法已被证明可以在能源效率和信息新鲜度（信息年龄，AoI）之间取得平衡，从而提高整体信息收集效率和时效性（Fang 等，2021）。这些工作强调了在动态跨介质环境中智能优化和多维协调的必要性，但它们主要关注水下通信和数据收集。一个专门为 amphibious UAV 路径规划量身定制的系统优化框架仍然缺乏。
为了解决 amphibious 无人机路径规划的复杂挑战，本文提出了一种改进的 MLQEPSO 算法。特别是，本研究引入了一种创新的 UAV 安全飞行模型，显著提高了 UAV 在动态、跨介质环境中的导航和操作安全性。该模型考虑了环境条件和任务特定要求，使 UAV 能够适应地形条件的突然变化。通过实时调整，该模型确保 UAV 避免障碍物并动态重新计算最安全的路径，从而提高效率和安全性。如图 1 所示，整个框架从任务描述、威胁分析和环境建模开始，然后展开为系统的优化过程。算法首先使用引导拉丁超立方采样方法实现初始种群的优化分布，从而提高搜索空间的均匀性。然后引入量子扰动机制来增强种群多样性和全局探索能力，而精英策略确保在迭代过程中最优解的稳定继承和渐进式收敛。最后，多目标优化过程协调多个性能指标，使算法生成既高效又稳健的路径规划解决方案。基于此框架，本研究的主要贡献总结如下。
(1) 场景特定的引导拉丁超立方采样（G-LHS）初始化：与传统随机或标准 LHS 初始化不同，我们设计了一种考虑可行性和任务导向的 G-LHS 策略，专为 amphibious UAV 路径规划量身定制。该策略不仅增强了种群分布并提高了搜索空间的均匀性，还结合了环境约束和任务特定偏差。因此，初始化既可行又多样化，有效减少了搜索盲目性，并为高度复杂环境中的全局优化提供了更坚实的基础。
(2) 增强的量子扰动策略（EQPS）：与传统的固定或随机扰动不同，EQPS 引入了自适应衰减半径、朝向全局最优解的方向感知偏差和拥挤触发激活机制。这种设计显著增强了群体多样性，减轻了过早收敛，并加强了全局搜索能力。在局部最优解频繁出现的复杂 3D amphibious 环境中，这种机制特别有效。
(3) 自适应精英保留策略（AERS）：本文提出了一种新颖的自适应精英策略变体。该策略不仅简单地复制顶级解决方案，还结合了受控繁殖、自适应高斯扰动和停滞感知替换，确保了高质量解决方案的继承和持续多样性。这种机制稳定了迭代过程，加速了收敛，并避免了传统 PSO 中常见的早期停滞。
(4) 集成多目标优化框架：为了解决 amphibious UAV 路径规划独特的多约束特性，MLQEPSO 结合了一个定制的多目标框架，平衡了能耗、威胁避免、高度稳定性、转弯平滑性和通信质量。这种集成设计使算法能够生成稳健、平衡和面向任务的路径，而许多现有方法只优先考虑单一目标。
(5) 优越的实验性能：全面模拟证实 MLQEPSO 一致性地优于六种最先进的算法（PSO、IWOA、IDBO、IIE-GWO、CMPSO、IChOA）。具体而言，它实现了 8.36% 的能耗降低、22.83% 的威胁暴露降低、11.45% 的路径曲率减少、6.52% 的高度波动降低和 7.91% 的通信质量提升。这些定量改进验证了我们提出的创新在现实世界 amphibious UAV 路径规划中的实际价值和稳健性。
本文的结构如下：第 1 节介绍了研究背景和 amphibious 无人机路径规划的挑战。第 2 节回顾了现有的路径规划算法及其在 amphibious 环境中的应用。第 3 节详细介绍了提出的 MLQEPSO，包括关键策略和设计概念。第 4 节通过与其他优化算法的比较实验验证了 MLQEPSO 算法在路径规划中的性能优势。第 5 节总结了本文的主要贡献并讨论了可能的未来研究方向。
