自适应两阶段鸽群启发优化算法用于无人机三维路径规划

《Algorithms》：Adaptive Two-Stage Pigeon-Inspired Optimization Algorithm for UAV Three-Dimensional Path

　　

为了解决复杂障碍环境中无人机（UAV）三维（3D）路径规划存在的收敛速度慢、局部最优停滞和多目标失衡问题，提出了一种改进的自适应两阶段鸽群优化（IPIO）算法。首先，采用融合拉丁超立方采样与避障约束的混合初始化策略，以提高初始种群多样性和可行解质量。其次，在地图罗盘阶段，引入线性递减的自适应地图因子和基于种群多样性的动态扰动策略，以平衡全局探索与局部开发，同时防止过早收敛。在地标阶段，设计了逆适应度加权精英中心更新机制和线性递减精英数量策略，以增强高质量个体的引导作用并加速收敛。构建了融合路径长度、避障安全性和飞行平滑性的多目标适应度函数，其权重系数（??_L=0.3，??_C=0.5，??_S=0.2）通过参数敏感性分析和六种代表性权重组合的Pareto前沿比较进行标定。结合对各改进模块的消融验证、单无人机多场景测试和初步多无人机试验，这些协同改进实现了针对UAV三维飞行特性的定向优化。具体而言，初步多无人机试验涉及三架UAV在共享障碍环境中执行独立轨迹规划，不包含明确的UAV间避碰约束，所报告的改进基于单无人机实验。最后，在标准100×100×50 m空间中进行了对比实验，并在六个不同的三维测试场景中展示了变化的障碍物密度，所提出的IPIO与标准PIO和PSO相比，平均路径长度分别减少了12.8%和15.3%。平均适应度较PIO提高14.2%，较PSO提高16.8%，较GWO提高19.5%，较CO提高24.1%，较CS提高38.7%。关键路径质量指标包括最小障碍间隙2.37 m、平均平滑度代价0.34、平均收敛时间0.60 s以及计算复杂度O(N*D*MaxIter)。统计检验证实，在所有测试场景中这些改进均具有显著性（p < 0.05）。该研究为复杂障碍环境中的UAV自主三维路径规划提供了一种高效且鲁棒的算法。

该研究发表于《Algorithms》期刊，提出一种自适应两阶段改进鸽群优化算法（IPIO），用于解决复杂障碍环境下无人机（UAV）三维（3D）路径规划中收敛慢、局部最优停滞和多目标失衡问题。研究背景在于UAV在侦察、运输、救援等任务中的广泛应用，自主可靠的3D路径规划是智能飞行控制的核心模块。传统图搜索和采样方法在高维3D场景中计算复杂度高、参数敏感且易收敛到次优路径；群智能优化算法虽具优势，但标准鸽群优化（PIO）存在四方面缺陷：随机初始化产生大量无效路径、固定参数无法动态平衡探索与开发、算术平均精英中心忽略个体适应度差异、缺乏多样性调控。现有改进多采用简单单参数线性调整，未针对UAV多目标飞行特性构建多机制协同框架。

研究人员针对上述问题，设计了多模块协同改进的IPIO。首先采用拉丁超立方采样（LHS）结合避障约束的混合初始化策略，提高初始种群多样性与可行解质量；其次，在地图罗盘阶段引入线性递减自适应地图因子和基于种群多样性的动态扰动策略，平衡全局探索与局部开发并防止过早收敛；在地标阶段设计逆适应度加权精英中心更新机制和线性递减精英数量策略，增强高质量个体引导；构建融合路径长度、避障安全和平滑性的多目标适应度函数，权重系数通过参数敏感性分析和Pareto前沿比较标定为??_L=0.3、??_C=0.5、??_S=0.2。通过消融实验、单无人机多场景测试和初步多无人机试验验证了算法有效性。在标准100 m×100 m×50 m空间中，IPIO相比标准PIO和PSO平均路径长度分别降低12.8%和15.3%；平均适应度较PIO、PSO、GWO、CO和CS分别提高14.2%、16.8%、19.5%、24.1%和38.7%；最小障碍间隙2.37 m，平均平滑度代价0.34，平均收敛时间0.60 s，计算复杂度保持O(N*D*MaxIter)。统计检验显示所有改进均显著（p < 0.05）。

**关键方法**：研究人员主要采用以下技术方法：①结合LHS与障碍物排除的混合初始化，生成无碰撞初始种群；②自适应线性递减地图因子，动态调节搜索强度；③基于种群多样性的扰动系数，在多样性低时增强扰动以跳出局部最优；④逆适应度加权精英中心计算，使低适应度个体获得更大引导权重；⑤线性递减精英数量规则，维持地标阶段稳定高质量引导。实验在MATLAB R2024a上实现，环境为100 m×100 m×50 m，随机布置8–12个圆柱障碍物。

**研究结果**：

*消融实验与参数敏感性分析*：通过设置Base-PIO、PIO+adaptive、PIO+two-stage和Full-IPIO四种变体，在六个不同障碍密度场景下进行消融实验。结果显示，Full-IPIO取得最小平均路径长度117.18、标准差3.81和最高成功率90.00%，而Base-PIO成功率仅36.67%，说明自适应初始化与两阶段优化协同有效。参数敏感性分析表明，权重组合（0.3, 0.5, 0.2）位于Pareto前沿拐点，能在安全性、路径长度和平滑性间达到最佳平衡；种群规模30、最大迭代100等超参数经10次独立运行验证可兼顾精度与效率。

*单无人机多场景测试与结果分析*：在五个复杂障碍场景中，IPIO均取得最小复合适应度，平均运行时间约0.51 s，与轻量级算法相当。收敛曲线显示IPIO在前20次迭代内快速下降且无显著停滞；三维轨迹可视化表明IPIO生成连续、平滑且保持安全间隙的路径，而PSO存在突变转向，标准PIO易靠近障碍。鲁棒性统计显示IPIO平均适应度119.40、适应度标准差3.47、路径长度标准差2.60，平均转向角55.33°。独立t检验p值均低于0.05，证明性能提升显著。计算复杂度仍为O(N*D*MaxIter)，额外内存开销仅4.2%。能耗分析采用含巡航和机动能耗的模型，IPIO平均能耗22.14 J，较对比算法降低15.3%–45.6%。

*并行多无人机轨迹规划测试*：在三架UAV共享障碍环境独立规划试验中，IPIO可快速稳定生成可行轨迹，但未包含UAV间避碰约束，仅验证泛化能力。

*动态可行性、可扩展性和算法局限性讨论*：当前算法通过惩罚大转向角生成几何平滑轨迹，但未显式包含最大转弯速率、最小转弯半径、爬升/俯冲角限制等动力学约束，可通过Dubins路径、B样条等后处理满足。在超高障碍密度、窄走廊和突发障碍场景中成功率下降，静态规划框架不支持在线重规划。环境模型限于垂直圆柱，需集成数字高程模型（DEM）、禁飞区（NFZ）感知和风扰动补偿。B样条或多项式轨迹生成可将离散航路点转换为连续可跟踪轨迹。

**总结讨论与结论**：讨论明确指出IPIO框架的适用范围和不足，包括动态障碍、建模简化、多UAV独立规划以及轨迹可跟踪性，为未来研究提供了方向。研究结论可翻译为：针对复杂障碍环境中无人机多目标三维路径规划问题，提出了一种自适应两阶段改进鸽群启发优化算法IPIO。通过拉丁超立方采样结合避障约束提升初始种群质量，自适应地图因子和多样性扰动平衡全局与局部搜索，逆适应度加权精英地标更新机制提高收敛精度。建立融合路径长度、平滑性和避障安全的多目标适应度函数，实现综合优化。数值仿真和对比实验表明，IPIO在复杂障碍条件下能生成更安全、平滑和更短的飞行路径，综合优化性能和收敛稳定性优于标准PIO、PSO等算法，且计算复杂度相近。后续工作将引入强化学习适应动态不确定环境，并发展多UAV协同路径规划策略，提升实际应用能力和可扩展性。