DOI: https://doi.org/10.1038/s41598-025-99001-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40295663
تاريخ النشر: 2025-04-27
المؤلف: Yuanhang Qi وآخرون
الموضوع الرئيسي: أبحاث خوارزميات التحسين الميتاهيرستية
نظرة عامة
تقدم ورقة البحث نموذج تخطيط مسار لعدة طائرات مسيرة (UAVs)، يسمى تخطيط مسار متعدد الطائرات المسيرة مع مراعاة استهلاك الطاقة المتعدد (MUAVPP-MEC). يتناول هذا النموذج استهلاك الطاقة للطائرات المسيرة متعددة المراوح خلال حالات الطيران المختلفة، بما في ذلك الطيران المستقر، والتسارع، والتباطؤ، والصعود، والدوران. الهدف الرئيسي هو تقليل إجمالي وقت الطيران مع ضمان عدم تجاوز استهلاك الطاقة للطائرات المسيرة للطاقة المخزنة القصوى. لحل هذه المشكلة، يقترح المؤلفون خوارزمية تحسين سرب الجسيمات مع تحسين تعلم جمع النحل (IBFLPSO)، التي تعزز إطار عمل تحسين سرب الجسيمات التقليدي من خلال دمج خوارزمية جمع النحل ومشغل بحث محلي 2-opt مقيد بالطاقة.
يتم إثبات صحة نموذج MUAVPP-MEC وخوارزمية IBFLPSO من خلال ثلاث دراسات حالة، تظهر استقرارها وفعاليتها. تشير النتائج إلى أنه مع زيادة عدد نقاط الجمع، يرتفع كل من إجمالي وقت الطيران واستهلاك الطاقة بشكل كبير، مما يؤكد دقة النموذج. علاوة على ذلك، تتفوق IBFLPSO على أربع خوارزميات أخرى، محققة حلولًا مثالية أفضل بنسبة 54.64%، 49.45%، 25.78%، و22.92% مقارنة بتلك التي أنتجتها PSO التقليدية، PSO-2OPT، GA، وBFLPSO، على التوالي. ستركز الأبحاث المستقبلية على تحسين النموذج من خلال مراعاة عوامل إضافية مثل حمولة الطائرات المسيرة.
طرق
في هذه الدراسة، استخدم المؤلفون نموذج هكسكوبتر X4108 لتجارب المحاكاة، مزودًا ببطارية سعة 10,000 مللي أمبير جهد تشغيل 11.1 فولت، مما أدى إلى سعة طاقة فعالة تبلغ 399,600 جول. تم اشتقاق مجموعة البيانات التجريبية من الأدبيات الموجودة، مع قيم الإحداثيات التي تم تعديلها بعامل 50 وقيم الارتفاع التي تم توليدها عشوائيًا ضمن نطاق من 0 إلى 150 متر. تم الإشارة إلى معلمات النموذج، بما في ذلك استهلاك الطاقة الزاوي والصعود، من الدراسات ذات الصلة. تم إجراء المحاكاة على منصة Windows 10 مع معالج Intel(R) Core(TM) i5-10400F وذاكرة وصول عشوائي سعتها 16 جيجابايت.
للحفاظ على الاتساق، تم تثبيت حجم السكان لكل خوارزمية عند 40، وخضعت كل خوارزمية لـ 500 تكرار. لتعزيز موثوقية النتائج، تم تنفيذ كل خوارزمية بشكل مستقل 10 مرات عبر سيناريوهات حالة متنوعة. كان هذا الإطار المنهجي يهدف إلى ضمان نتائج قوية وموثوقة، مما يمهد الطريق للنتائج والتحليلات التجريبية اللاحقة.
مناقشة
في هذا القسم، تركز المناقشة على التقدم في تكنولوجيا الطائرات المسيرة (UAV) ودمجها مع الشبكات اللاسلكية الاستشعار، مما يعزز كفاءة جمع البيانات ومرونة النظام. تسلط الورقة الضوء على التحديات في تحسين المسارات لعدة طائرات مسيرة، لا سيما في تعظيم جمع البيانات مع الالتزام بقيود الطاقة. ركزت الدراسات السابقة بشكل أساسي على تحسين مسار الطائرات المسيرة الفردية، ولكن مع توسع التطبيقات، أصبح من الواضح الحاجة إلى تعاون متعدد الطائرات المسيرة. تم اقتراح نماذج مختلفة لمعالجة استهلاك الطاقة خلال حالات الطيران المختلفة، ومع ذلك، تجاهل العديد منها تعقيدات متطلبات الطاقة خلال التسارع، والتباطؤ، والدوران.
يقدم المؤلفون نموذجًا جديدًا، وهو تخطيط مسار الطائرات المسيرة المتعددة مع مراعاة استهلاك الطاقة المتعدد (MUAVPP-MEC)، الذي يأخذ في الاعتبار الطاقة المستهلكة خلال مراحل الطيران المختلفة، بما في ذلك الطيران المستقر، والصعود، والدوران. يهدف هذا النموذج إلى تقليل إجمالي وقت الطيران مع الالتزام بقيود سعة البطارية. لحل MUAVPP-MEC، تقترح الورقة خوارزمية تحسين سرب الجسيمات مع تحسين تعلم جمع النحل (IBFLPSO)، التي تعزز طرق PSO التقليدية من خلال دمج استراتيجيات الترميز والترميز الفعالة وبحث محلي مقيد بالطاقة. تظهر التحقق التجريبي الأداء المتفوق لـ IBFLPSO مقارنة بالخوارزميات الأخرى، مما يؤكد فعاليتها في تحسين تخطيط مسار الطائرات المسيرة تحت سيناريوهات استهلاك الطاقة المعقدة.
DOI: https://doi.org/10.1038/s41598-025-99001-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40295663
Publication Date: 2025-04-27
Author(s): Yuanhang Qi et al.
Primary Topic: Metaheuristic Optimization Algorithms Research
Overview
The research paper introduces a path planning model for multiple unmanned aerial vehicles (UAVs), named Multi-UAV Path Planning Considering Multiple Energy Consumptions (MUAVPP-MEC). This model addresses the energy consumption of multi-rotor drones during various flight states, including steady flight, acceleration, deceleration, climbing, and turning. The primary objective is to minimize the total flight time while ensuring that the energy consumption does not exceed the UAVs’ maximum stored energy. To solve this problem, the authors propose an improved Bee Foraging Learning Particle Swarm Optimization algorithm (IBFLPSO), which enhances the traditional particle swarm optimization framework by incorporating a bee-foraging algorithm and an energy-constrained 2-opt local search operator.
The validation of the MUAVPP-MEC model and the IBFLPSO algorithm is demonstrated through three case studies, showing their stability and effectiveness. The results indicate that as the number of collection points increases, both total cruising time and energy consumption rise significantly, affirming the model’s accuracy. Furthermore, IBFLPSO outperforms four other algorithms, achieving optimal solutions that are 54.64%, 49.45%, 25.78%, and 22.92% better than those produced by traditional PSO, PSO-2OPT, GA, and BFLPSO, respectively. Future research will focus on optimizing the model by considering additional factors such as UAV payload.
Methods
In this study, the authors utilized a hexacopter model X4108 for simulation experiments, equipped with a 10,000 mAh battery and an operating voltage of 11.1 V, resulting in an effective energy capacity of 399,600 J. The experimental dataset was derived from existing literature, with coordinate values scaled by a factor of 50 and altitude values generated randomly within a range of 0 to 150 m. Model parameters, including angular and climbing energy consumption, were referenced from relevant studies. The simulations were conducted on a Windows 10 platform with an Intel(R) Core(TM) i5-10400F CPU and 16 GB of RAM.
To maintain consistency, the population size for each algorithm was fixed at 40, and each algorithm underwent 500 iterations. To enhance the reliability of the findings, each algorithm was executed independently 10 times across various case scenarios. This methodological framework aimed to ensure robust and dependable results, setting the stage for subsequent experimental results and analysis.
Discussion
In this section, the discussion centers on the advancements in UAV (Unmanned Aerial Vehicle) technology and its integration with wireless sensor networks, which enhances data collection efficiency and system resilience. The paper highlights the challenges in optimizing paths for multiple UAVs, particularly in maximizing data acquisition while adhering to energy constraints. Previous studies have primarily focused on individual UAV path optimization, but as applications expanded, the need for multi-UAV collaboration became evident. Various models have been proposed to address energy consumption during different flight states, yet many have overlooked the complexities of energy demands during acceleration, deceleration, and turning.
The authors introduce a new model, the Multiple Unmanned Aerial Vehicles Path Planning Considering Multiple Energy Consumptions (MUAVPP-MEC), which accounts for energy consumed during various flight phases, including steady flight, ascent, and turning. This model aims to minimize total cruising time while adhering to battery capacity constraints. To solve the MUAVPP-MEC, the paper proposes an Improved Bee-Foraging Learning Particle Swarm Optimization (IBFLPSO) algorithm, which enhances traditional PSO methods by incorporating efficient encoding and decoding strategies and an energy-constrained local search. Experimental validation demonstrates the superior performance of IBFLPSO compared to other algorithms, affirming its effectiveness in optimizing UAV path planning under complex energy consumption scenarios.