复杂环境下基于强化学习与灰狼优化的多无人机路径规划算法OA
针对复杂环境下传统多无人机路径规划算法存在的收敛速度慢、易陷入局部最优与适应性不足等问题,提出了一种基于灰狼优化(GWO)算法与强化学习的多无人机3维路径规划策略。为了提高复杂环境下传统GWO算法的路径规划综合性能,通过设计动态非线性收敛因子增强算法前期探索能力与后期精度,引入莱维飞行(Lévy flight)策略提升跳出局部最优的概率,优化位置更新策略平衡全局搜索与局部开发效率。为进一步提高算法在复杂环境下的适应性,将深度Q网络(DQN)与改进的灰狼优化算法深度融合,并对DQN的状态空间与奖励函数进行优化设计。在不同场景下,对本文提出的DQN-GWO算法进行对比仿真实验。实验结果表明,与传统优化算法相比,DQN-GWO算法在保持运行时间相近的同时,其收敛路径适应度平均提升了4%~6%,路径长度降低了2%~8%,最大转向角降低了30%~60%,显著提高了复杂环境下规划路径的质量与鲁棒性,为多无人机在复杂场景中的协同路径规划提供了一种有效的智能优化解决方案。
常绪成;朱锋;张心慧;党帅龙;王敬宇;胡繁
郑州航空工业管理学院自动化学院,河南郑州450046郑州航空工业管理学院航空宇航学院,河南郑州450046郑州航空工业管理学院航空宇航学院,河南郑州450046郑州航空工业管理学院航空宇航学院,河南郑州450046郑州航空工业管理学院航空宇航学院,河南郑州450046郑州航空工业管理学院航空宇航学院,河南郑州450046
信息技术与安全科学
多无人机灰狼优化(GWO)算法强化学习路径规划
《信息与控制》 2026 (2)
P.369-384,16
中国高校产学研创新基金项目(2024ZY019)河南省科技攻关项目(262102221005,252102220056,252102221025)河南省校企协同创新项目(26AXQXT109)郑州航院研究生教育创新计划基金项目(2025CX141)郑州航院科研团队项目(24ZHTD01003)河南省自然科学基金面上项目(252300421888)航空科学基金项目(20200001055001)河南省高等学校重点科研项目(26B590002)。
评论