摘要
在环境不断变化的情况下，多无人机协同路径规划需要在飞行效率、威胁规避以及协调一致性之间取得平衡，同时还要能够快速应对环境变化。为了解决种群恢复速度慢、任务间协作不足以及历史搜索信息重复利用不可靠等问题，本文在MOEA/D框架下提出了一种基于高斯混合模型（GMM）的时空知识传递多目标进化算法，命名为STKTM-MOEA/D。该方法通过目标函数和可行性约束来表示任务需求与飞行限制。通过非支配排序和拥挤距离排名选出的优质决策向量被用来构建高斯混合模型，从而以概率方式描述有潜力的搜索区域。每个高斯混合模型都能捕捉多个高质量区域的位置、分布情况及其相对重要性，为时空知识传递提供统一的分布级表征。在空间知识传递方面，该算法会综合考虑主任务与辅助任务之间的相似性以及分布互补性，以此提升协同搜索效果。而在时间知识传递方面，则会根据环境相似性从知识库中检索出可靠的历史高斯混合模型。当环境发生变化后，一种自适应重构策略会将当前优质个体、时间传递来的个体、空间传递来的个体以及随机生成的探索个体结合起来。如此重构后的种群便能在新环境下继续进行MOEA/D进化、环境选择、高斯混合模型更新以及知识库更新，进而提升算法的收敛性、多样性及适应性。在14个DF问题和5个FDA问题上的实验表明，STKTM-MOEA/D在10个问题上取得了最佳的均值MIGD值。在多无人机路径规划任务中，该算法的成功率达到了100%，并且在HV、PD以及运行时间等方面均优于KTM-DMOEA，充分展现了其在动态环境中的强大效能与高效性。
