عنوان فارسی مقاله:برنامه ریزی مسیر پهپاد بر اساس الگوریتم پیشرفته بهینه سازی شامپانزه

چکیده

برنامه ریزی مسیر یکی از موضوعات کلیدی در تحقیقات فناوری پهپاد است. هدف برنامه ریزی مسیر یافتن بهترین مسیر بین نقطه شروع و مقصد است. اگرچه توصیه‌های تحقیقاتی زیادی در مورد برنامه‌ریزی مسیر پهپاد در منابع و مطالعات وجود دارد، اما روش‌های بهینه‌سازی مسیر که هم محیط پیچیده پرواز و هم محدودیت‌های عملکرد خود پهپاد را در نظر می‌گیرد، وجود ندارد. ما یک نسخه پیشرفته از الگوریتم بهینه سازی شامپانزه (TRS-ChOA) را برای حل مسئله برنامه ریزی مسیر پهپاد در یک محیط سه بعدی پیشنهاد می‌کنیم. در مرحله اول، ما عملگر جهش دیفرانسیل (تفاضلی) را برای افزایش قابلیت جستجوی الگوریتم و جلوگیری از همگرایی زودرس ترکیب می‌کنیم. ثانیاً، ما از یادگیری معکوس بهبود یافته برای گسترش دامنه جستجوی الگوریتم استفاده می‌کنیم، و به طور مؤثری مانع زیان راه‌حل‌های با کیفیت بالا توسط الگوریتم می‌شویم. در نهایت، ما یک وزن اولویت شباهت را برای جلوگیری از جذب بیش از حد افراد و افزایش توانایی الگوریتم برای فرار از بهینه محلی پیشنهاد می‌کنیم. از طریق آزمایش بر روی ۱۳ تابع معیار و ۲۹ تابع پیچیده CEC2017، TRS-ChOA قابلیت بهینه‌سازی و دقت بالاتری را در مقایسه با سایر الگوریتم‌ها نشان می‌دهد. ما TRS-ChOA را به همراه پنج الگوریتم معروف برای حل مسائل برنامه ریزی مسیر در سه محیط سه بعدی اعمال می‌کنیم. نتایج تجربی نشان می‌دهد که TRS-ChOA میانگین طول مسیر/مقدار تناسب (برازش) را به ترتیب ۲۳٫۴%/۶۵٫۰%، ۸٫۶%/۸۱٫۰% و ۱۶٫۳%/۴۱٫۷% نسبت به سایر الگوریتم‌ها در سه محیط کاهش می‌دهد. این نشان می‌دهد که مسیرهای پروازی برنامه ریزی شده توسط TRS-ChOA مقرون به صرفه‌تر، هموارتر و ایمن‌تر هستند.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: UAV Path Planning Based on an Improved Chimp Optimization Algorithm

Abstract

Path planning is one of the key issues in the research of unmanned aerial vehicle technology. Its purpose is to find the best path between the starting point and the destination. Although there are many research recommendations on UAV path planning in the literature, there is a lack of path optimization methods that consider both the complex flight environment and the performance constraints of the UAV itself. We propose an enhanced version of the Chimp Optimization Algorithm (TRS-ChOA) to solve the UAV path planning problem in a 3D environment. Firstly, we combine the differential mutation operator to enhance the search capability of the algorithm and prevent premature convergence. Secondly, we use improved reverse learning to expand the search range of the algorithm, effectively preventing the algorithm from missing high-quality solutions. Finally, we propose a similarity preference weight to prevent individuals from over-assimilation and enhance the algorithm’s ability to escape local optima. Through testing on 13 benchmark functions and 29 CEC2017 complex functions, TRS-ChOA demonstrates superior optimization capability and robustness compared to other algorithms. We apply TRS-ChOA along with five well-known algorithms to solve path planning problems in three 3D environments. The experimental results reveal that TRS-ChOA reduces the average path length/fitness value by 23.4%/65.0%, 8.6%/81.0%, and 16.3%/41.7% compared to other algorithms in the three environments, respectively. This indicates that the flight paths planned by TRS-ChOA are more cost-effective, smoother, and safer.