通过改进的蜜蜂食学习粒子群群优化算法,考虑多种能源消耗的多个无人机路径规划

科学领域:

• 机器人和自动化机器人与自动化
• 无线传感器网络 无线传感器网络
• 优化算法 优化算法

背景情况:

• 无人驾驶飞行器 (UAV) 在无线传感器网络中越来越多地用于数据收集.
• 精确的能源消耗建模对于多无人机路径规划至关重要.
• 现有的模型往往忽略了动态飞行状态,如加速和转.

研究的目的:

• 开发一个多无人机路线规划模型 (MUAVPP-MEC),考虑各种能源消耗因素.
• 为了最大限度地减少能源限制下的UAV总飞行时间.
• 为解决 MUAVPP-MEC 问题提出一个高效的优化算法.

主要方法:

• 开发了多个无人机路径规划考虑多个能源消耗 (MUAVPP-MEC) 模型.
• 提出了一种改进的蜜蜂食学习粒子集群优化 (IBFLPSO) 算法.
• 整合了蜜蜂食概念与粒子群优化,并采用了能源受限制的2-opt本地搜索.

主要成果:

• MUAVPP-MEC模型准确地反映了更多的数据收集点增加的时间和能源消耗.
• 与传统的PSO,PSO-2OPT,GA和BFLPSO相比,IBFLPSO算法显示出更高的性能.
• IBFLPSO实现了明显更好的最佳解决方案,高达54.64%的表现优于其他.

结论:

• 拟议的MUAVPP-MEC模型和IBFLPSO算法对于能源意识的多UAV路径规划是有效的.
• IBFLPSO为无人机网络中复杂的优化问题提供了强大而高效的解决方案.
• 这些发现强调了全面能源建模对于优化无人机运营的重要性.