一、杜鹃鸟鲶鱼优化算法
杜鹃鸟鲶鱼优化(Cuckoo Catfish Optimizer,CCO)算法模拟了杜鹃鸟鲶鱼的搜索、捕食和寄生慈鲷行为。该算法的早期迭代侧重于执行多维包络搜索策略和压缩空间策略,并结合辅助搜索策略来有效限制慈鳔的逃逸空间。此阶段确保对解决方案空间进行广泛探索。在迭代的中间阶段,该算法采用过渡策略促进从勘探到开发的平滑过渡,赋予了算法一定的勘探能力和开发能力。在后期阶段,该算法使用混沌捕食机制在慈鳷周围制造干扰,以提高对最优解的利用。在整个优化过程中,整合了个体的引导、寄生和死亡机制,让个体能够实时调整位置,提高整体收敛精度。
参考文献
1\]Tian-Lei Wang, Shao-Wei Gu, Ren-Ju Liu, Le-Qing Chen, Zhu Wang\*, Zhi-Qiang Zeng\*. Cuckoo Catfish Optimizer: A New Meta-Heuristic Optimization Algorithm. Artificial Intelligence Review,2024
## 二. 无人机路径规划数学模型
### 2.1 路径最优性
为了提高无人机的操作效率,规划的路径需要在特定的应用标准下达到最优。在我们的研究中,主要关注空中摄影、测绘和表面检查,因此选择最小化路径长度作为优化目标。由于无人机通过地面控制站(GCS)进行控制,飞行路径 X i X_i Xi 被表示为无人机需要飞越的一系列 n n n 个航路点的列表。每个航路点对应于搜索地图中的一个路径节点,其坐标为 P i j = ( x i j , y i j , z i j ) P_{ij} = (x_{ij}, y_{ij}, z_{ij}) Pij=(xij,yij,zij)。通过表示两个节点之间的欧几里得距离为 $\| \\overrightarrow{P_{ij}P_{i,j+1}} \|,与路径长度相关的成本 F 1 F_1 F1 可以计算为:
F 1 ( X ) = ∑ j = 1 n − 1 ∥ P i j P i , j + 1 → ∥ F_1(X) = \\sum_{j=1}\^{n-1} \\\| \\overrightarrow{P_{ij}P_{i,j+1}} \\\| F1(X)=j=1∑n−1∥PijPi,j+1 ∥
### 2.2 安全性和可行性约束
除了最优性之外,规划的路径还需要确保无人机的安全操作,引导其避开操作空间中可能出现的威胁,这些威胁通常由障碍物引起。设 K K K 为所有威胁的集合,每个威胁被假设为一个圆柱体,其投影的中心坐标为 C k C_k Ck,半径为 R k R_k Rk,如下图 所示。

对于给定的路径段 ∥ P i j P i , j + 1 → ∥ \\\| \\overrightarrow{P_{ij}P_{i,j+1}} \\\| ∥PijPi,j+1 ∥,其相关的威胁成本与它到 C k C_k Ck 的距离 d k d_k dk 成正比。考虑到无人机的直径 D D D 和到碰撞区域的危险距离 S S S,威胁成本 F 2 F_2 F2 在障碍物集合 K K K 上计算如下:
F 2 ( X i ) = ∑ j = 1 n − 1 ∑ k = 1 K T k ( P i j P i , j + 1 → ) , F_2(X_i) = \\sum_{j=1}\^{n-1} \\sum_{k=1}\^K T_k(\\overrightarrow{P_{ij}P_{i,j+1}}), F2(Xi)=j=1∑n−1k=1∑KTk(PijPi,j+1 ),
其中
T k ( P i j P i , j + 1 → ) = { 0 , if d k \> S + D + R k ( S + D + R k ) − d k , if D + R k \< d k ≤ S + D + R k ∞ , if d k ≤ D + R k T_k(\\overrightarrow{P_{ij}P_{i,j+1}}) = \\begin{cases} 0, \& \\text{if } d_k \> S + D + R_k \\\\ (S + D + R_k) - d_k, \& \\text{if } D + R_k \< d_k \\leq S + D + R_k \\\\ \\infty, \& \\text{if } d_k \\leq D + R_k \\end{cases} Tk(PijPi,j+1 )=⎩ ⎨ ⎧0,(S+D+Rk)−dk,∞,if dk\>S+D+Rkif D+Rk\