.png){kind=icon}
返回
Multi-strategy Sea Horse Optimization algorithm for UAV path planning
.png){kind=icon}
OA
AI
DOI：10.3389/frobt.2026.1792384.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无人机路径规划是一个具有挑战性的约束优化问题，也是自主导航的关键组成部分。传统优化技术在处理无人机路径规划的复杂约束时经常遇到困难；甚至元启发式算法也可能过早收敛于局部最优解。本文引入了一种海马优化算法（Sea Horse Optimization algorithm, SHO）的改进变体，记为moSHO，用于威胁感知的无人机路径规划。所提出的算法通过三种协同策略扩展了原始SHO的运动、捕食和繁殖机制。首先，一种鱼群聚集装置（FAD）机制通过自适应、范围感知的扰动促进行为多样性。其次，一种最佳-最差位置变异（BWPM）算子对表现最佳个体进行精细化的高斯调整，同时利用带有柯西扰动的差分更新引导最差个体向当前最佳位置移动。第三，基于准反射学习的（QRBL）引入准相反候选者以增强探索能力和种群多样性。这些策略的集成在不降低开发能力的同时增强了探索能力，从而实现更平衡的优化过程。对23个基准函数的评估证明了moSHO的鲁棒性。此外，在威胁环境下的无人机路径规划模型实验证明其在识别安全可行路径方面的可靠性。
Keyword:
metaheuristics
multi-strategy
opposite-based learning
Sea Horse Optimization
unmanned aerial vehicle path planning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
F
IF:
3
论文数:
522
被引数:
6.9K
机构
引用论文
iADA*-RL: Anytime Graph-Based Path Planning with Deep Reinforcement Learning for an Autonomous UAV
OAAI
OAAI分享收藏State-of-the-Art Advances and Emerging Challenges in UAV Routing Optimization: A Comprehensive Review无人机航路优化的最新进展和新挑战: 综合评述
PREAI
分享收藏A reinforcement learning-based metaheuristic algorithm for solving global optimization problems一种求解全局优化问题的基于强化学习的元启发式算法
PREAI
分享收藏A drone fleet model for last-mile distribution in disaster relief operations救灾行动中最后一英里分配的无人机舰队模型
PREAI
分享收藏Kumar, P.; Pal, K.; Govil, M. Comprehensive Review of Path Planning Techniques for Unmanned Aerial Vehicles (UAVs). ACM Comput. Surv. 2025, accepted. [Google Scholar] [CrossRef]Kumar, P.; Pal, K.; Govil, M. 无人机（UAVs）路径规划技术综述. ACM Comput. Surv. 2025, 已录用. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Path Planning of UAV Based on Improved Adaptive Grey Wolf Optimization Algorithm基于改进自适应灰狼优化算法的无人机航迹规划IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Improved Multi-Strategy Sand Cat Swarm Optimization for Solving Global OptimizationBIOMIMETICSOAAI
BIOMIMETICSIF3.9
OAAI分享收藏
查看更多内容