Résumé - Un optimiseur de serpent amélioré par plusieurs stratégies pour la planification des itinéraires et les problèmes d'ingénierie des UAV en trois dimensions

Un optimiseur de serpent amélioré par plusieurs stratégies pour la planification des itinéraires et les problèmes d'ingénierie des UAV en trois dimensions

2025-07-18 16:11:35

{"Genliang Li","Yaxin Cui","Jinyu Su"}

{cs.RO,cs.AI,cs.CE}

L'article présente un nouvel algorithme de réoptimiseur multistratégique du serpent (MISO) pour résoudre les problèmes d'optimisation, en mettant particulièrement l'accent sur la planification des itinéraires des UAV en trois dimensions et les problèmes de conception ingénierie. Voici un résumé des points clés : **Motivation** : * L'algorithme original de réoptimiseur du serpent (SO), inspiré du comportement de croisement des serpents, présente des limitations telles que la vitesse de convergence lente et la sensibilité aux optima locaux. * Le MISO vise à résoudre ces limitations en introduisant plusieurs stratégies d'amélioration. **Stratégies d'amélioration** : 1. **Stratégie de perturbation aléatoire adaptative (DSO)** : Cette stratégie utilise une fonction sinusoïdale pour introduire des perturbations aléatoires, aidant l'algorithme à s'échapper des optima locaux et à explorer plus efficacement l'espace de recherche. 2. **Stratégie de vol Levy adaptatif (LSO)** : Inspirée des schémas de vol des vols Levy, cette stratégie permet au leader de serpent mâle de réaliser des bonds longs, améliorant la capacité de recherche globale de l'algorithme. 3. **Stratégie de mise à jour de position adaptative (BSO)** : Cette stratégie combine la direction de leadership élitiste avec le mouvement brownien, permettant aux leaders femelles de l'exploration de l'espace de recherche local de manière plus efficace. **Évaluation** : * MISO a été testé sur 30 fonctions de test CEC2017 et 12 fonctions de test CEC2022, comparant ses performances avec 11 autres algorithmes d'optimisation populaires. * Les résultats ont montré que MISO surpassait constamment les autres algorithmes, démontrant son efficacité et son efficience. * MISO a également été appliqué à la planification des itinéraires des UAV en trois dimensions et à six problèmes de conception ingénierie, further validant sa praticité et son applicabilité. **Conclusions clés** : * MISO améliore efficacement la vitesse de convergence et la qualité des solutions de l'algorithme SO. * MISO présente une forte capacité de recherche globale et évite efficacement les optima locaux. * MISO est applicable à une large gamme de problèmes d'optimisation, y compris la planification des itinéraires des UAV et la conception ingénierie. **Perspectives** : * MISO peut être amélioré davantage par l'exploration de la méthode d'initialisation de la population et du contrôle des frontières. * MISO peut être appliqué à résoudre des problèmes pratiques supplémentaires, tels que le diagnostic des pannes, l'extraction des données et l'optimisation des paramètres des systèmes de production d'énergie photovoltaïque solaire. **Dans l'ensemble, MISO est un algorithme d'optimisation prometteur avec de larges applications. Son efficacité et son efficience en font un outil précieux pour résoudre des problèmes d'optimisation complexes**.