2024年数学SCI1区TOP：改进海洋捕食者算法MMPA用于UAV路径规划，深度解析+性能实测
目录
- 1.摘要
- 2.海洋捕食者算法MPA原理
- 3.改进策略
- 4.结果展示
- 5.参考文献
- 6.获取代码
1.摘要
本文提出了一种改进海洋捕食者算法（MMPA），用于解决具有多重威胁的复杂环境中的全局优化问题，针对无人机（UAV）路径规划问题。为克服原始MPA算法的不足，本文引入了四种创新策略：自适应参数控制、非线性惯性权重、基于柯西变异算子以及改进差分变异策略。这些策略显著提高了算法的收敛速度，并在保证精度的同时，增强了MPA的整体性能。
2.海洋捕食者算法MPA原理
【智能算法】海洋捕食者算法（MPA)原理及实现
3.改进策略
自适应参数控制策略
MPA算法通过模拟捕食者和猎物的运动，借鉴了自然界中的行为模式，用于平衡探索与开发。尽管它在这两者之间取得了一定的平衡，MPA仍然面临一些问题，如在局部最优解处停滞，并未能达到全局最优解。MMPA算法采用了一种线性变化的自适应参数，用以调节捕食者的运动步长，从而增强算法的优化能力：
C
F
n
e
w
=
2
×
l
t
e
r
M
a
x
I
t
e
r
CF_{\mathrm{new}}=2\times\frac{lter}{Max_{Iter}}
CFnew=2×MaxIterlter
非线性惯性权重
为了有效平衡算法的探索与开发能力，论文通过自适应参数控制引入了一种非线性惯性权重策略：
w
=
α
×
e
(
−
(
α
×
l
t
e
r
M
a
x
I
t
e
r
)
α
)
w=\alpha\times\mathrm{e}^{\left(-\left(\alpha\times\frac{lter}{Max_{Iter}}\right)^\alpha\right)}
w=α×e(−(α×MaxIterlter)α)
其中，
α
=
3
\alpha=3
α=3表示比例步长控制参数。
柯西变异算子
物种进化通常伴随着遗传变异的出现，为了更好地模拟这一进化现象，我们引入了基于柯西分布的柯西变异策略。柯西分布的特点使其能够生成远离中心的随机数，从而增强个体逃离局部极值的能力。
R
→
n
e
w
=
1
+
tan
(
0.5
×
π
×
(
r
a
n
d
−
0.5
)
)
\overrightarrow{R}_{new}=1+\tan(0.5\times\pi\times(rand-0.5))
Rnew=1+tan(0.5×π×(rand−0.5))
结合Levy飞行和差分变异策略
在MPA算法的初始阶段，算法面临全局搜索与局部开发之间的平衡问题，导致收敛速度较慢。论文引入了差分进化DE/best/2和Levy飞行，提出了一种新的初始阶段更新规则：
s
t
e
p
s
i
z
e
i
→
=
R
L
→
⊗
(
P
r
e
y
r
1
→
−
P
r
e
y
r
2
→
)
+
R
L
→
⊗
(
P
r
e
y
r
3
→
−
P
r
e
y
r
4
→
)
\overrightarrow{\mathrm{stepsiz}e_i}=\overrightarrow{R_L}\otimes\left(\overrightarrow{Prey_{r1}}-\overrightarrow{Prey_{r2}}\right)+\overrightarrow{R_L}\otimes\left(\overrightarrow{Prey_{r3}}-\overrightarrow{Prey_{r4}}\right)
stepsizei=RL⊗(Preyr1−Preyr2)+RL⊗(Preyr3−Preyr4)
伪代码
4.结果展示
UAV路径规划
5.参考文献
[1] Lyu L, Yang F. MMPA: A modified marine predator algorithm for 3D UAV path planning in complex environments with multiple threats[J]. Expert Systems with Applications, 2024, 257: 124955.