融合Actor-Critic框架与遗传策略的新型PSO变体算法在数值优化及多威胁场景下无人机路径规划中的应用

《Scientific Reports》：ACPSO: a novel PSO variant for 3D UAV path planning in multi-threat environments

　　

摘要

粒子群优化（PSO）已在数值优化和无人机路径规划领域得到广泛应用，但其存在早熟收敛、参数适应性弱以及种群多样性不足等固有局限性。为了解决这些问题，本文提出了一种融合Actor-Critic框架与遗传策略的新型PSO变体算法（ACPSO）。首先，设计了一种基于Actor-Critic的动态协同参数优化机制，突破了传统固定或单参数调整策略的约束。Actor网络根据种群实时状态输出核心PSO参数（w、\(c_1\)和\(c_2\)）的最优组合，而Critic网络通过长期累积奖励机制评估参数策略的有效性，从而实现全局探索与局部开发的动态平衡。其次，在迭代过程中引入两点交叉和自适应变异操作以增强种群多样性，有效帮助算法跳出局部最优。最后，针对多威胁场景下的无人机路径规划任务，提出了一种结合三点邻域移动平均滤波与三次样条插值的两阶段路径平滑策略，以确保规划路径的平滑性和避障安全性。为验证所提算法的竞争力，在CEC 2017测试套件上，与经典PSO及其他七种最先进的PSO变体以及两种冠军算法进行了对比实验。此外，基于创新设计的两阶段路径平滑策略，在四种不同难度场景下进行了无人机路径规划实验，验证了ACPSO算法的路径规划能力。结果表明，所提算法在数值优化和无人机路径规划任务中均表现出优异的性能。ACPSO算法的源代码链接为：https://github.com/msz-deep/msz.git。