针对原始灰狼优化(Grey Wolf Optimization,GWO)算法求解多无人机三维航迹规划问题时会出现缺乏多样性、收敛速度慢和易陷入局部最优等问题,提出一种基于差分进化多重策略混合灰狼优化算法(DC_GWO)。基于差分进化算法的突变策略进行种...针对原始灰狼优化(Grey Wolf Optimization,GWO)算法求解多无人机三维航迹规划问题时会出现缺乏多样性、收敛速度慢和易陷入局部最优等问题,提出一种基于差分进化多重策略混合灰狼优化算法(DC_GWO)。基于差分进化算法的突变策略进行种群优化,为算法全局搜索过程中丰富种群多样性奠定基础;根据算法的收敛特性构建新型非线性收敛因子,平衡算法的全局和局部搜索能力;在灰狼位置更新中引入莱维飞行策略,使灰狼具有更强的全局搜索能力,避免算法过早地陷入局部最优。为验证DC_GWO算法的有效性,进行了6个国际通用的标准测试函数收敛性对比实验。实验结果表明,DC_GWO算法有较高的求解精度和较快的求解速度。为验证DC_GWO算法在航迹规划上的优势,进行了多无人机航迹规划仿真实验。实验结果表明,DC_GWO算法相较于GWO算法,适应度最优值降低了6%、适应度平均值降低了8%和适应度方差降低了86%,验证了DC_GWO算法在多无人机航迹规划上具有一定参考价值。展开更多
文摘针对原始灰狼优化(Grey Wolf Optimization,GWO)算法求解多无人机三维航迹规划问题时会出现缺乏多样性、收敛速度慢和易陷入局部最优等问题,提出一种基于差分进化多重策略混合灰狼优化算法(DC_GWO)。基于差分进化算法的突变策略进行种群优化,为算法全局搜索过程中丰富种群多样性奠定基础;根据算法的收敛特性构建新型非线性收敛因子,平衡算法的全局和局部搜索能力;在灰狼位置更新中引入莱维飞行策略,使灰狼具有更强的全局搜索能力,避免算法过早地陷入局部最优。为验证DC_GWO算法的有效性,进行了6个国际通用的标准测试函数收敛性对比实验。实验结果表明,DC_GWO算法有较高的求解精度和较快的求解速度。为验证DC_GWO算法在航迹规划上的优势,进行了多无人机航迹规划仿真实验。实验结果表明,DC_GWO算法相较于GWO算法,适应度最优值降低了6%、适应度平均值降低了8%和适应度方差降低了86%,验证了DC_GWO算法在多无人机航迹规划上具有一定参考价值。
