基于多策略改进灰狼优化器的多无人机协同着陆路径规划

《Drones》:Multi-UAV Cooperative Landing Path Planning Based on a Multi-Strategy Improved Grey Wolf Optimizer

【字体: 大 中 小 】 时间:2026年10月24日 来源:Drones 5.2

编辑推荐:

  多无人机(UAV)协同着陆需要在规避威胁、保持安全间距、保证可飞行的同时,使集群在同一时刻到达各自的初始进近点(IAP)。本研究提出一种多策略改进灰狼优化器(MSGWO),用于解决这一三维路径规划问题。该算法采用多子种群机制,将具有相似路径特征的灰狼分组,使其

  
多无人机(UAV)协同着陆需要在规避威胁、保持安全间距、保证可飞行的同时,使集群在同一时刻到达各自的初始进近点(IAP)。本研究提出一种多策略改进灰狼优化器(MSGWO),用于解决这一三维路径规划问题。该算法采用多子种群机制,将具有相似路径特征的灰狼分组,使其各自跟随组内领导者;同时引入改进灰狼优化器(mGWO)的非线性控制参数,并融合粒子群优化(PSO)的个体记忆,保留每只灰狼自身的最优位置。显式约束联合模型采用Deb可行性规则与密集验证。在六个静态威胁场景下各运行30次,MSGWO实现了73.3%的可行解比例,而六种对比算法的可行解比例为0%–55.6%;经Holm校正后,该优势显著,且MSGWO获得了最优的整体Friedman秩。在相互可行的解中,MSGWO的目标函数值整体显著低于GWO、mGWO和基于成功历史的自适应差分进化算法(L-SHADE),尽管L-SHADE在一个场景中表现更优。独立规划与改编的扰动型改进灰狼优化器(DMGWO)在此设定下均未找到任何联合可行解。消融研究表明,多子种群机制的贡献最大。
1. 研究背景
随着信息技术与人工智能的快速发展,无人机(UAV)被广泛应用于监视、巡检、搜救与物流等领域。相较于传统平台,UAV具有更高的灵活性与环境适应性,能够以更低成本执行任务。然而,在执行任务过程中,UAV易受周围物体、建筑物及自然地形等因素干扰。特别是当无人机集群返航着陆时,所有飞行器必须在几乎同一时刻抵达各自着陆槽位的初始进近点(IAP),同时规避威胁并保持安全间距,否则可能发生相互干扰甚至碰撞。因此,为无人机集群规划既能规避潜在风险又满足上述协同要求的合理飞行路径,已成为一项亟待解决的问题。
近年来,针对无人机集群的路径规划研究已广泛展开,现有算法主要分为经典算法与群体智能算法两大类。经典算法包括人工势场法(APF)、图搜索方法与基于采样的规划器等;群体智能算法则将路径规划视为代价函数的最小化问题,从而可灵活组合多种目标。然而,许多算法在全局探索与局部开发之间的平衡仍不理想,易于陷入早熟收敛。灰狼优化器(GWO)作为一种元启发式群体智能算法,原理简洁、参数少且易于实现,已被广泛应用于多个领域。但在无人机集群路径规划这类高实时性与高精度要求的场景中,标准GWO存在搜索速度慢、易陷入局部最优等问题。为此,研究人员提出了一种多策略改进灰狼优化器(MSGWO)。
2. 研究内容与意义
研究人员建立了显式约束联合规划模型,将共同到达时间、机间间距、垂直速率与最小转弯半径等七类约束与无量纲化的路径长度、下降剖面偏差及威胁暴露度相结合。为求解该模型,提出了MSGWO算法,其融合了基于代价分量聚类的多子种群机制、改进灰狼优化器(mGWO)的非线性控制参数以及粒子群优化(PSO)的个体记忆。实验结果表明,在六个固定五架UAV的场景中,MSGWO在73.3%的运行中找到了密集可行的联合解,显著优于全部六种对比算法,并在整体Friedman秩上取得最佳表现。这一成果证明了MSGWO在处理强耦合约束下的多UAV协同路径规划问题中的有效性。
3. 关键技术方法
研究人员采用了球面向量编码(spherical-vector encoding)来表示每条路径,并通过三次B样条(B-spline)对控制多边形进行平滑处理,以获得连续可微的飞行轨迹。为求解该高维非凸联合搜索问题,提出了MSGWO算法,其主要技术方法包括:(1)基于代价分量聚类的多子种群机制,将具有相似路径特征的灰狼归入同一子种群,每个子种群拥有独立的领导者集合;(2)采用mGWO的非线性控制参数,在早期迭代中缓慢衰减以维持较大搜索范围,后期快速衰减以加强局部开发;(3)引入PSO的个体记忆,保留每只灰狼的历史最优位置,并将其纳入位置更新公式。此外,研究人员采用Deb可行性规则对候选解进行排序,并使用密集验证对最终解进行独立检查。
4. 研究结果
4.1 主比较:可行性与目标质量
MSGWO在180次运行中产出132个密集可行联合解(73.3%),经Holm校正后显著高于全部六种对比算法(GWO 53个、mGWO 63个、SPSO 1个、I-GWO 53个、L-SHADE 100个、DMGWO 0个)。在相互可行配对中,MSGWO的合并目标值显著低于GWO、mGWO和L-SHADE。MSGWO的Friedman平均秩为2.0778,优于L-SHADE的2.6778,并在五个场景中排名第一。
4.2 代表性路径与到达耦合
MSGWO生成了平滑且联合可行的下降路径,有效容纳了共同到达所需的额外距离。代表性解的密集验证显示,最小机间距离为1.015 km,满足规定的安全间距要求,且高度、垂直速率与曲率剖面均在建模的飞行限制范围内。
4.3 收敛性、首次可行性与多样性
搜索历史表明,可行性优先搜索从降低违反度逐步过渡到改善可行路径的目标值。MSGWO的首次可行性累积分布曲线显示,其在较早阶段即可观察到规划可行的候选解。多样性测量显示,MSGWO通过多子种群机制维持了较高的种群多样性。
4.4 三种策略的消融
移除子种群结构使密集可行解从132降至74,并显著恶化相互可行的目标值。移除非线性调度使可行解降至106,但对可行目标值无显著影响。多领导者集在可行性与条件路径质量上贡献最大,而非线性调度有助于更多运行达到可行性。
4.5 参数与权重敏感性
在五种测试的目标权重选择中,MSGWO保持了可行性优势。分组研究表明,子种群数量K=4时观察到的可行计数最高(22/30),而K=1时重组无效果。
4.6 规模与计算时间
随着集群规模从3架增至8架UAV,MSGWO的可行性领先优势更加明显。在8架UAV且按维度比例分配预算的条件下,MSGWO获得9/30的可行解,是对比算法中最高的3/30的三倍。在受控计时实验中,MSGWO与GWO的壁钟时间中位数比值介于0.942至1.111之间,聚类耗时中位数低于MSGWO优化时间的1%。
4.7 耦合控制
独立为每架UAV规划的方案虽在单机子问题上通过率达99.9%,但组装后无一满足联合约束(0/180)。改编的DMGWO同样未找到任何可行联合解(0/180)。移除到达项后,完整模型的可行解仅剩7/180。这些结果共同证明了联合优化共同到达与机间间距的必要性。
4.8 规划与密集验证差异
所有通过含余量规划网格全模型检查的最终解均通过了密集验证。E1中有三个L-SHADE的结果虽未通过更严格的规划检查,却通过了密集验证。这种一致性支持所选离散化方案与余量设置的合理性。
5. 讨论与结论
讨论部分指出,MSGWO的主要优势在于能够在耦合的到达、间距与飞行限制条件下找到联合可行路径。其73.3%的可行率显著超过全部六种对比算法,Friedman平均秩在整体及五个场景中均为最优。耦合控制实验解释了其实践相关性:单独可行的路径仍需协调调整才能满足群体约束。最大的消融损失来自移除子种群,这支持了多领导者集的作用,而非线性调度也对可行性做出了显著贡献。
研究结论总结如下:(1)在六个固定五架UAV场景中,MSGWO找到132/180个密集可行解(73.3%),经Holm校正后显著多于全部六种对比算法,并在整体及五个场景中获得最佳Friedman平均秩;其目标值在合并相互可行运行中也显著低于GWO、mGWO和L-SHADE。(2)独立逐机规划与改编的DMGWO在此设定下均未找到可行联合解,证明了必须同时处理到达与间距约束。(3)在按维度比例分配预算的条件下,MSGWO的优势在最多八架UAV时更加明显,其9/30的可行解数量是对比算法最高3/30的三倍。(4)消融研究识别出子种群结构为最大贡献因素,并确认了非线性调度对可行性的提升作用。未来工作将把联合规划框架扩展到更大规模的集群、动态威胁场景以及闭环执行中。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号