自适应USV群体优化用于动态环境中的目标跟踪

本研究探讨了使用自适应粒子群优化与k近邻（APSO-kNN）算法在多目标跟踪场景下无人水面航行器（USV）的性能与效率。该研究考察了多种搜索模式——随机游走、螺旋、割草机和聚类搜索——以评估其在动态环境中的有效性。通过大量仿真，我们评估了不同搜索策略的影响，包括目标数量和USV感知能力的变化，并引入追捕-逃避模型以测试适应性。我们的发现表明，螺旋和割草机等系统性搜索模式能够提供优越的覆盖范围和跟踪精度，使其成为全面区域探索的理想选择。相比之下，随机游走模式虽然具有高度适应性，但由于其非确定性本质而表现出较低的精度，而聚类搜索保持群体凝聚力但严重依赖目标分布。混合策略结合多种模式，在各种场景下提供鲁棒性能，而APSO-kNN有效平衡了探索与利用，使其成为监视、搜救和环境监测等实际应用的有前景方法。本研究为优化USV群体的搜索策略和感知配置提供了有价值的见解，最终提升了其在复杂环境中的运行效率和任务成功率。