当前位置：首页 > news >正文

2025年IEEE IOTJ SCI2区TOP，用于三维低空城市环境中无人机路径规划的多策略改进粒子群优化算法，深度解析+性能实测

news 2026/3/27 6:03:55

1.摘要

针对三维低空城市环境中无人机路径规划问题，本文提出一种多策略改进粒子群优化算法（MSIPSO），该算法通过局部死锁跳出策略、参数自适应调节以及多种群差异化进化策略，提升了算法在复杂障碍环境中的路径规划能力。

2.无人机路径规划

环境模型

物联网通过传感器网络为无人机提供实时环境数据与通信支持，但城市低空密集建筑增加了路径规划难度。本文采用立方体障碍物建模提高空间利用率，并利用B样条曲线与控制点优化将路径规划转化为优化问题，通过 MSIPSO 算法优化控制点位置以获得平滑且无碰撞的最优路径。

约束条件与目标函数

为实现无人机在城市低空环境中的最优路径规划，综合考虑路径长度、安全性、飞行高度和角度变化等约束（常见UAV模型，单目标处理）：
F = λ f L + μ f S + ϕ f H + γ f A F=\lambda f_L+\mu f_S+\phi f_H+\gamma f_AF=λfL+μfS+ϕfH+γfA

3.提出算法

局部死锁跳出策略

在高密集障碍环境中，PSO算法容易因初始粒子位置不佳而陷入局部死锁，表现为路径与障碍物重叠且适应度值长期较高。为此，MSIPSO引入局部死锁逃逸策略，通过设定适应度阈值判断是否进入死锁状态，当全局最优适应度超过阈值时触发该策略，从而改变粒子搜索方式并提高随机性，使粒子能够跳出当前局部区域并在整个解空间重新探索。
适应度阈值：
F m a x = K m a x ⋅ ∥ p e n d − p s t a r t ∥ F_{max} = K_{max} \cdot \|p_{end} - p_{start}\|Fmax=Kmax⋅∥pend−pstart∥
触发条件：
F ( g t ) > F m a x F(g_t) > F_{max}F(gt)>Fmax
速度更新公式：
v i t + 1 = A − 2 A ⋅ r 3 v_i^{t+1} = A - 2A \cdot r_3vit+1=A−2A⋅r3
A = L N A = \frac{L}{N}A=NL
其中L LL为搜索空间维数长度，N NN为粒子数量，r 3 ∈ [ 0 , 1 ] r_3 \in [0,1]r3∈[0,1]。

多样化进化策略

多种群差异化进化策略根据粒子适应度将种群划分为三类，并采用不同更新策略以提升搜索效率与避免局部最优。

精英种群D 1 D_{1}D1接近当前最优解，采用精细搜索策略：

p i D 1 ( t + 1 ) = p i D 1 ( t ) + ( a 1 + ( a 2 − a 1 ) t M ) ν i ( t + 1 ) p_i^{D1}(t+1)=p_i^{D1}(t)+\left(a_1+(a_2-a_1)\frac{t}{M}\right)\nu_i(t+1)piD1(t+1)=piD1(t)+(a1+(a2−a1)Mt)νi(t+1)

中等种群D 2 D_{2}D2数量较多，采用较大范围搜索策略：

p i D 2 ( t + 1 ) = p i D 2 ( t ) + ( b 1 + ( b 2 − b 1 ) t M ) ν i ( t + 1 ) p_i^{D2}(t+1)=p_i^{D2}(t)+\left(b_1+(b_2-b_1)\frac{t}{M}\right)\nu_i(t+1)piD2(t+1)=piD2(t)+(b1+(b2−b1)Mt)νi(t+1)

较差种群D 3 D_{3}D3远离当前最优解，采用随机更新策略：

p i D 3 ( t + 1 ) = r 4 ( p m a x − p m i n ) p_i^{D3}(t+1)=r_4(p_{max}-p_{min})piD3(t+1)=r4(pmax−pmin)

4.结果展示

5.参考文献

[1] Tao F, Chen Z, Wang Z, et al. Multi-Strategy Improved Particle Swarm Optimization Algorithm for Path Planning of UAV in 3-D Low Altitude Urban Environment[J]. IEEE Internet of Things Journal, 2025.