魏永超a，邓 岚**，李 涛c，邓 毅c，邓春艳

(1.中国民用航空飞行学院 a.学院科研处；b.民航飞行技术与飞行安全科研基地；c.民航安全工程学院，四川 广汉 618307)

0 引 言

基于上述算法的局限性，本文提出一种基于改进细菌觅食优化算法(Improved Bacterial Foraging Optimization,IBFO)的航迹规划算法，且针对基本细菌觅食优化算法(Bacterial Foraging Optimization,BFO)易早熟和收敛速度慢等缺陷，对算法的趋向步长、游动及迁徙操作进行改进。首先，在趋向时，通过赋予细菌自适应的步长来代替细菌的固定趋向步长；其次，嵌入粒子群算法(Partical Swarm Optimization,PSO)的学习因子思想，一个细菌的游动不仅受限于自身的觅食能力，还受到其他细菌的影响；最后，在迁徙时，提出一种自适应的迁徙概率代替固定的迁徙概率。

算法通过比较目标函数，找到代价最小的航迹点，最终得到最优的航迹结果。通过Matlab建立三维环境模型，仿真测试后验证，该算法是可行和有效的，且相比基本的细菌觅食优化算法和粒子群算法提高了收敛速度和求解质量，能够快速安全地实现无人机的航迹规划。

1 IBFO算法原理

将基本的BFO算法通过三个方面的改进得到IBFO，并应用于无人机航迹规划。

1.1 基本BFO理论

细菌觅食优化算法(Bacterial Foraging Optimization，BFO)是由 Passino 基于大肠杆菌的觅食行为，于2002年提出的一种新型仿生类的群体智能优化算法。该算法模仿Eeoli大肠杆菌在人体肠道内吞噬食物的行为，通过模拟细菌迁徙、趋向、聚集、复制四种行为求解问题[9]。

(1)迁徙(Elimination and Dispersal)：当细菌所处的局部环境逐渐发生变化或者突变时(如食物消耗殆尽或温度突然升高)，细菌会随机以给定的迁徙概率Ped迁徙到一个新的区域以应对这种改变。……