摘要
灾后山地无人机搜救路径规划需要平衡飞行距离、能耗、潜在威胁、搜索效率以及飞行姿态的抖动等因素，这构成了一个在三维地形中具有不连续可行区域的多约束多目标问题。现有的“人工旅鼠算法”（ALA）变体都是单目标的，存在解决方案丢失、扰动固定以及多样性不足的问题。我们提出了MO-ALA，这是一种具备双层历史记忆功能和自适应t分布扰动的多目标ALA算法。记忆功能提升了算法的收敛性，而t分布将时变尾部形状参数与衰减的振幅包络结合起来，实现了早期广泛探索和后期精确搜索的能力；通过归档剪枝，可以得到权重可调的近似帕累托解集。在ZDT1–ZDT3测试中，MO-ALA在IGD指标上优于五种基线算法；然而，与对其进行的消融实验相比，它在ZDT1上的表现明显逊色于Variant A，在DTLZ3上的优势也不明显（p = 0.026，未能通过Holm校正），在其他四个基准测试中差异不显著。该算法的适用范围仅限于非欺骗性地形：在具有欺骗性的DTLZ1/DTLZ3地形中，MO-ALA（与所有测试的ALA变体一样）无法收敛（收敛概率HV ≈ 0）。基于交叉操作的混合算法虽然恢复了收敛性，但降低了ZDT测试的精度，因此仍是一种可选的补救措施。地形场景的消融实验表明，检测到的改进效果主要归功于记忆层，而t分布并未带来可测量的成本或收益。路径长度分别增加了约21%和6%，相应的安全和搜索效率成本分别降低了约43%和40%，这证明了该算法在灾后搜救场景中的实用性。
