UAV path planning optimization algorithm based on an improved dung beetle optimization algorithm with a mixed strategy

Jian Deng

doi:10.1007/s10586-026-06419-9

2026-07-29

PRE

DOI：10.1007/s10586-026-06419-9

原文链接

原文求助

摘要

En 中文

为有效解决多约束（包括路径长度和碰撞风险）下无人机（UAV）路径规划的多目标优化挑战，并克服传统蜣螂优化算法（DBO）在该领域的适应性不足问题，提出了一种混合策略改进的蜣螂优化算法（MIDBO）。具体而言，引入圆周-SPM混沌映射优化种群初始化过程，有效缓解因分布不均和种群多样性缺乏导致的早熟收敛问题。设计自适应权重与螺旋运动融合机制以增强全局搜索能力，从而防止因搜索范围不足引发的非收敛问题。此外，提出基于分数微积分的边界调整策略，为觅食阶段的局部最优逃逸提供有效机制。同时，构建分段模型约束机制，从优化阶段划分视角平衡局部开发与全局探索的资源分配。首先利用CEC2017基准函数验证MIDBO的局部与全局搜索平衡性能，随后建立多约束模型进一步优化适应性，在静态圆柱障碍环境中高效探索平衡碰撞风险、路径长度及轨迹平滑度的全局最优解。该协同融合机制有效解决了全局优化失衡与局部决策短视问题。实验结果表明，在CEC2017基准测试中，基于Friedman综合排名和Wilcoxon秩和检验统计量，MIDBO算法展现出高度竞争性的求解精度与稳定性。虽然在少数特定多模态函数上未取得显著优势，但其总体统计排名位列第一。在静态障碍环境下的3D无人机飞行任务Ⅰ-Ⅳ中，MIDBO相较于粒子群优化算法（PSO）、蚁群优化算法（ACO）、灰狼优化算法（GWO）、遗传算法（GA）、鲸鱼优化算法（WOA）、草地优化算法（GOA）、蜣螂优化算法（DBO）、改进蜣螂优化算法（AQDBO）、增强蜣螂优化算法（EDBO）、局部优化蜣螂优化算法（LODBO）和线性蜣螂优化算法（LTDBO）等11种先进算法具有显著优势。与这些对比算法的综合平均值相比，MIDBO在四项任务中分别降低了4.62%、5.03%、10.32%和12.91%的平均适应度。与上述11种算法相比，MIDBO在复杂静态环境中实现了跨模态优化能力和安全轨迹生成性能的显著提升。

Keyword:

Mixed strategy MIDBO algorithm

UAV path planning

Chaotic map

Adaptive weight

Fractional calculus