基于量子隧穿与生物光趋性驱动的增强型矮 mongoose 优化器用于无人机轨迹规划与工程问题
机器人学
2025-11-13 v1 最优化与控制
摘要
随着无人机 (UAV) 的广泛采用，有效的路径规划变得日益重要。虽然传统搜索方法已被广泛应用，但元启发式算法因其效率和问题特定的启发式方法而受到欢迎。然而， prematurely 收敛和解的多样性不足仍阻碍其在复杂场景中的性能。为此，本文提出了增强型多策略矮 mongoose 优化器 (EDMO)，专为三维无人机轨迹规划于动态和障碍丰富的环境设计。EDMO 集成了三个新策略：(1) 动态量子隧穿优化策略 (DQTOS) 以启用粒子以概率方式逃离局部最优；(2) 受生物光趋性驱动的动态聚焦搜索策略 (BDFSS) 受微生物光照趋向性启发，用于自适应局部细化；(3) 正交透镜反向学习策略 (OLOBL) 通过结构化维度重组来增强全局探索。EDMO 在 CEC2017 和 CEC2020 的 39 个标准测试函数上进行基准测试，相较于 14 个先进算法在收敛速度、鲁棒性和优化精度方面均表现出优异。此外，针对无人机三维路径规划和三个工程设计任务的实际验证确认了其在需要智能、自适应和高效规划的现场机器人任务中的实用性与有效性。
引用
@article{arxiv.2511.09020,
title = {A Quantum Tunneling and Bio-Phototactic Driven Enhanced Dwarf Mongoose Optimizer for UAV Trajectory Planning and Engineering Problem},
author = {Mingyang Yu and Haorui Yang and Kangning An and Xinjian Wei and Xiaoxuan Xu and Jing Xu},
journal= {arXiv preprint arXiv:2511.09020},
year = {2025}
}