基于改进AHA与GPU加速的无人机协同路径规划算法研究OA

针对多无人机协同路径规划中“大规模任务下计算效率与优化精度难以兼顾、复杂场景下实时响应与约束适配耦合”的核心挑战,提出一种基于GPU(graphics processing unit)加速的改进人工蜂鸟算法(artificial hummingbird algorithm,AHA)。首先,构建融合路径长度、任务均衡度、避障代价的多目标数学模型,明确覆盖完整性、无人机动力、避碰与避障等约束条件;其次,设计领地、迁徙、定向觅食相结合的混合探索策略,并引入约束补偿机制实现避障与寻优协同;最后,基于CUDA(compute unified device architecture)架构搭建CPU+GPU异构并行框架,通过线程块优化与共享内存调度提升计算效率。结果表明:AHA-GPU算法较传统CPU架构算法计算速度提升10~48倍,总路径长度缩短7%~13%;在含障碍环境中,算法区域覆盖度达97.05%,避障代价4.7090,5 m×5 m室内实机实验中避障成功率达100%,各项对比指标均处于前列,在性能显著提升的同时,保证了优异的求解质量。该算法有效突破了大规模复杂任务下“效率-精度-安全”的多维矛盾,为复杂环境下多无人机协同作业提供了高效可靠的路径规划解决方案。