DOI: https://doi.org/10.1038/s41598-025-85912-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39814793
تاريخ النشر: 2025-01-16
المؤلف: Yanfei Liu وآخرون
الموضوع الرئيسي: خوارزميات تخطيط المسار الروبوتي
نظرة عامة
تتناول الأبحاث التحديات المتعلقة بتخطيط مسار الطائرات بدون طيار (UAV)، والتي تُؤطر كمشكلة تحسين متعددة الأهداف مقيدة. تعتبر طرق تحسين سرب الجسيمات الحالية (PSO) غير كافية بسبب إغفالها لديناميات الطائرات بدون طيار، مما يؤدي إلى حلول غير قابلة للتطبيق وتقارب دون المستوى. للتغلب على هذه القيود، يقترح المؤلفون خوارزمية جديدة قائمة على الجسيمات الكروية التكيفية (SAEPSO). تدمج هذه الطريقة قيود ديناميكية الطائرات بدون طيار، وتعزز تنوع الحلول الأولية من خلال تحسين خريطة الخيمة وتقنيات التعلم العكسي، وتوازن بين الاستكشاف والاستغلال مع عوامل غير خطية ديناميكية وتكيفية. كما تعزز استراتيجية تسريع تكيفية للجسيمات ذات الأداء الضعيف وقدرة البرمجة التطورية قدرات التحسين. تُظهر الدراسات المقارنة عبر ستة سيناريوهات مرجعية أن SAEPSO تتفوق بشكل كبير على الخوارزميات الحالية من حيث فعالية التهيئة، ودقة الحل النهائي، واستقرار التقارب، وقابلية التوسع.
في الختام، تعالج الطريقة المقترحة SAEPSO بشكل فعال تخطيط مسار الطائرات بدون طيار من خلال مراعاة عوامل حاسمة مثل السلاسة، والسلامة، واستهلاك الطاقة، والتوقيت، مما يؤدي إلى هدف تحسين فردي جديد. تظهر الخوارزمية أداءً متفوقًا في التهيئة والعثور على المسار الأمثل عبر تعقيدات مختلفة، مع تأكيد التحليلات الإحصائية لاستقرار التقارب وقابلية التوسع. ومع ذلك، فإن التعقيد الحسابي المتزايد ومتطلبات الموارد لـ SAEPSO تمثل تحديات يسعى المؤلفون لمعالجتها في الأعمال المستقبلية، بما في ذلك تعزيز سرعة التقارب واستكشاف تطبيقات أوسع في بيئات الطيران الواقعية للطائرات بدون طيار.
النتائج
في هذا القسم، يقدم المؤلفون تحليلًا مقارنًا لأداء خوارزمية SAEPSO مقابل PSO التقليدية وSPSO في سياق تخطيط مسار الطائرات بدون طيار. تتضمن الدراسة إحداثيات كروية لتعزيز الخوارزميات وتقييم ثلاث طرق تهيئة: التهيئة العشوائية التقليدية القائمة على الإحداثيات الكارتيزية (CCS)، وتهيئة نظام الإحداثيات الكروية (SCS)، وطريقة محسنة تستخدم خرائط الخيمة وتقنيات التعلم المعتمدة على المعارضة. تم استخدام سرب من 200 وكيل في 20 تجربة لتقييم كفاءة هذه الطرق التهيئة، مع تحليل النتائج باستخدام اختبار T عند مستوى ثقة 95%.
تشير النتائج إلى أن طريقة التهيئة المحسنة (SAEPSO) تتفوق بشكل كبير على كل من PSO وSPSO في توليد حلول صالحة عبر سيناريوهات مختلفة، لا سيما في البيئات المعقدة. بينما تظهر SPSO بعض المزايا بسبب خصائصها الكروية، إلا أنها تواجه صعوبات في السيناريوهات ذات القيود المعقدة. بالمقابل، لا تعزز الطريقة المقترحة فقط تجانس توزيع التهيئة، بل تحسن أيضًا استكشاف فضاء الحلول، مما يؤدي إلى عدد أكبر من الوكلاء الصالحين وكفاءة بحث عامة أعلى. تؤكد النتائج على الدور الحاسم للتهيئة الفعالة في حل مشكلات تخطيط مسار الطائرات بدون طيار، لا سيما في السيناريوهات المعقدة.
المناقشة
تسلط قسم المناقشة من ورقة البحث الضوء على التقدم والتعديلات التي تم إجراؤها على تحسين سرب الجسيمات (PSO) لتعزيز أدائها في حل مشكلات التحسين، لا سيما في سياق تخطيط مسار الطائرات بدون طيار. تشير الأدبيات إلى أن PSO التقليدية غالبًا ما تعاني من مشكلات مثل التقارب المبكر والاحتجاز في الأمثل المحلي. لمعالجة هذه التحديات، اقترح الباحثون تحسينات متنوعة مصنفة إلى أربعة مجالات رئيسية: تحسين المعلمات الفائقة، تحسينات الطوبولوجيا، إعادة بناء طريقة الترميز، ودمج الخوارزميات.
في مجال تحسين المعلمات الفائقة، ظهرت عدة استراتيجيات مبتكرة، مثل طريقة وزن القصور الذاتي التكيفية وPSO ذاتية التنظيم (SRPSO)، التي أظهرت سرعات تقارب وجودة حلول متفوقة مقارنة بـ PSO التقليدية. لقد عززت التحسينات الطوبولوجية، بما في ذلك إدخال طوبولوجيات سرب ذكية واستراتيجيات سكانية تكيفية، كفاءة PSO بشكل أكبر. بالإضافة إلى ذلك، تم تطوير طرق ترميز جديدة، مثل تمثيل زاوية الطور والتحديثات المستوحاة من الكم، لمعالجة تحديات التحسين عالية الأبعاد. أخيرًا، أظهر دمج PSO مع خوارزميات أخرى، مثل الخوارزميات الجينية وتقنيات البحث عن العسل، نتائج واعدة في تحسين قدرات البحث المحلية والعالمية.
كما تؤكد الورقة على أهمية استخدام خرائط نموذج الارتفاع الرقمي (DEM) لمحاكاة بيئات الطيران المعقدة للطائرات بدون طيار، مما يساعد في بناء سيناريوهات تهديد متنوعة. إن صياغة القيود المتعلقة بارتفاع الطيران، وزوايا الانعطاف والصعود، وإقامة دالة لياقة شاملة تأخذ في الاعتبار تكلفة المسار، والسلامة، وتغير الارتفاع، وتكاليف تغير الزاوية أمر حاسم لضمان تخطيط فعال لمسار الطائرات بدون طيار. يُلاحظ أن دمج PSO مع خوارزميات أخرى هيuristic، مثل مُحسّن الذئب الرمادي وخوارزمية تحسين الحوت، هو اتجاه مهم في معالجة تحديات تخطيط مسار الطائرات بدون طيار، مما يُظهر مرونة وقدرة منهجيات ذكاء السرب في مهام التحسين المعقدة.
DOI: https://doi.org/10.1038/s41598-025-85912-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39814793
Publication Date: 2025-01-16
Author(s): Yanfei Liu et al.
Primary Topic: Robotic Path Planning Algorithms
Overview
The research addresses the challenges of unmanned aerial vehicle (UAV) path planning, which is framed as a constrained multi-objective optimization problem. Current particle swarm optimization (PSO) methods are inadequate due to their neglect of UAV dynamics, leading to infeasible solutions and suboptimal convergence. To overcome these limitations, the authors propose a novel spherical vector-based adaptive evolutionary particle swarm optimization (SAEPSO) algorithm. This approach integrates UAV dynamic constraints, enhances initial solution diversity through improved tent map and reverse learning techniques, and balances exploration and exploitation with dynamic nonlinear and adaptive factors. An adaptive acceleration strategy for underperforming particles and an evolutionary programming strategy further bolster optimization capabilities. Comparative studies across six benchmark scenarios demonstrate that SAEPSO significantly outperforms existing algorithms in terms of initialization effectiveness, final solution accuracy, convergence stability, and scalability.
In conclusion, the proposed SAEPSO method effectively addresses UAV path planning by considering critical factors such as smoothness, safety, energy consumption, and timing, culminating in a new singular optimization objective. The algorithm exhibits superior performance in initialization and optimal pathfinding across various complexities, with statistical analyses confirming its convergence stability and scalability. However, the increased computational complexity and resource demands of SAEPSO present challenges that the authors aim to address in future work, including enhancing convergence speed and exploring broader applications in realistic UAV flight environments.
Results
In this section, the authors present a comparative analysis of the performance of the SAEPSO algorithm against traditional PSO and SPSO in the context of UAV path planning. The study incorporates spherical coordinates to enhance the algorithms and evaluates three initialization methods: traditional random initialization based on Cartesian coordinates (CCS), spherical coordinate system (SCS) initialization, and an improved method utilizing tent maps and opposition-based learning. A swarm of 200 agents was employed in 20 experiments to assess the efficiency of these initialization methods, with results analyzed using a T-test at a 95% confidence level.
The findings indicate that the optimized initialization method (SAEPSO) significantly outperforms both PSO and SPSO in generating valid solutions across various scenarios, particularly in complex environments. While SPSO demonstrates some advantages due to its spherical vector characteristics, it struggles in scenarios with intricate constraints. In contrast, the proposed method not only enhances the uniformity of the initialization distribution but also improves the exploration of the solution space, leading to a higher number of valid agents and overall search efficiency. The results underscore the critical role of effective initialization in solving UAV path planning problems, particularly in complex scenarios.
Discussion
The discussion section of the research paper highlights the advancements and modifications made to Particle Swarm Optimization (PSO) to enhance its performance in solving optimization problems, particularly in the context of UAV path planning. The literature indicates that traditional PSO often suffers from issues such as premature convergence and local optima entrapment. To address these challenges, researchers have proposed various enhancements categorized into four main areas: hyperparameter optimization, topology improvements, encoding method reconstruction, and algorithm fusion.
In the realm of hyperparameter optimization, several innovative strategies have emerged, such as the adaptive inertia weight method and self-regulating PSO (SRPSO), which have demonstrated superior convergence speeds and solution quality compared to traditional PSO. Topological improvements, including the introduction of intelligent swarm topologies and adaptive population strategies, have further enhanced the efficiency of PSO. Additionally, novel encoding methods, such as phase angle representation and quantum-inspired updates, have been developed to tackle high-dimensional optimization challenges. Lastly, the fusion of PSO with other algorithms, such as genetic algorithms and bee foraging techniques, has shown promising results in improving both local and global search capabilities.
The paper also emphasizes the importance of employing Digital Elevation Model (DEM) maps for simulating complex UAV flight environments, which aids in constructing various threat scenarios. The formulation of constraints related to flight altitude, turning and climbing angles, and the establishment of a comprehensive fitness function that incorporates path cost, safety, height variation, and angle variation costs are crucial for ensuring effective UAV path planning. The integration of PSO with other heuristic algorithms, such as the Grey Wolf Optimizer and Whale Optimization Algorithm, is noted as a significant trend in addressing UAV path planning challenges, showcasing the versatility and adaptability of swarm intelligence methodologies in complex optimization tasks.