HOA-OBL：一种基于混合对立机制的河马优化框架，用于高效分配无人机任务

《Scientific Reports》：HOA-OBL: hybrid opposition-based hippopotamus optimization framework for efficient UAV task allocation

　　

摘要

无人飞行器在公共和民用领域得到了广泛应用，尤其是在那些由于安全原因而限制人类进入的环境中。在灾难救援、基础设施检查以及监控等领域，无人飞行器在最大化资源利用和减少运营冗余方面发挥着重要作用。然而，传统的任务分配框架往往存在资源利用效率不高以及在动态运营环境中的适应性较差的问题。为了解决这些问题，本文提出了一种基于混合对立策略的河马优化算法框架，用于高效优化无人飞行器的任务分配。河马优化算法是一种基于群体的著名算法，其灵感来源于河马的自然行为，但在某些迭代过程中容易陷入局部最优解。为增强搜索能力，本文将基于对立策略的学习方法与河马优化算法相结合，从而避免算法过早收敛到局部最优解。我们在包含20架无人飞行器和100项任务的动态环境中进行了仿真实验。实验结果表明，与现有的河马优化算法、遗传算法、粒子群算法和灰狼优化算法相比，所提出的框架能够使能耗降低约17%至33%，同时在负载均衡方面提升约33%至50%。这些结果表明，该框架为无人飞行器的任务分配提供了一种更加均衡且可扩展的方法，从而提升了实际应用中的效率与一致性。