.png){kind=icon}
返回
Adaptive Q-Learning Grey Wolf Optimizer for UAV Path Planning
.png){kind=icon}
OA
AI
DOI：10.3390/drones9040246.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
路径规划对于安全高效地引导无人驾驶航空器（UAVs）朝向作业目标至关重要。通常，这是一个复杂的多约束、非线性优化问题，元启发式算法常被用于解决该问题。灰狼优化算法（GWO）是解决此类问题的最流行算法之一。然而，标准GWO存在若干局限性，如早熟收敛、易陷入局部最小值以及对动态环境的不适应性，这是由于其缺乏自适应学习机制。本研究提出一种基于Q学习的GWO算法（QGWO）以解决上述问题。QGWO引入了四个关键特性：基于Q学习的自适应收敛因子、分段参数化位置更新策略、用于保持种群多样性的长跳机制以及替换非主导狼以增强探索能力。此外，贝叶斯优化算法被用于设置QGWO的参数以提升性能。为评估QGWO的质量和鲁棒性，在IEEE CEC 2022基准函数上进行了广泛的数值和仿真实验，并与标准GWO及其若干近期变体进行了比较。在路径规划仿真中，QGWO将路径成本降低27.4%，提高收敛速度19.06%，并将曲线下面积（AUC）降低23.8%，优于标准GWO，实现了最优轨迹。结果表明，QGWO是动态环境下UAV路径规划的高效可靠算法。
Keyword:
grey wolf optimization (GWO)
path planning
unmanned aerial vehicle (UAV)
q-learning
期刊
D
IF:
4.8
论文数:
4.0K
被引数:
8.3K
机构
引用论文
From PID to swarms: A decade of advancements in drone control and path planning - A systematic review (2013-2023)从PID到蜂群: 无人机控制和路径规划十年的进步-系统综述 (2013-2023)
PREAI
分享收藏An Improved Grey Wolf Optimizer Based on Tracking and Seeking Modes to Solve Function Optimization Problems.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏分享收藏
查看更多内容