汤安迪，韩 统，徐登武，谢 磊

（1.空军工程大学研究生院，西安 710038；2.空军工程大学航空工程学院，西安 710038；3.94855部队，浙江衢州 324000）

0 引言

随着无人机（Unmanned Aerial Vehicle，UAV）技术的不断发展，国内外学者对于无人机作战应用的研究日益增多。无人机航迹规划是任务规划系统的关键部分，是一个典型的非确定性多项式（Nondeterministic Polynomial，NP）问题［1］。随着规划问题复杂度的不断增加，其难度和计算量迅速增长，很难找到一种有效应对所有复杂环境的航迹规划方法。为解决不同条件下的航迹规划问题，学者们不断对航迹规划算法进行研究和改进。文献［2-8］研究了快速扩展随机树（Rapidexploration Random Tree，RRT）算法、A star 算法、粒子群优化（Particle Swarm Optimization，PSO）算法、遗传算法（Genetic Algorithm，GA）在UAV 航迹规划中的运用。Yang 等［2］将环境势场引入RRT 算法，但得到的规划航迹与实际最短航迹有一定差距；刘华伟等［3］将人的智能决策引入RRT算法，但是该算法依赖人的主观判断，容易陷入局部最优；赵锋等［4］将启发式权重系数引入A star 算法，但权重系数的线性调整策略不能很好地适应复杂的优化问题；Zhang 等［5］在PSO 算法中设置异步变化学习因子，但搜索能力依赖于步长的分段设置；程泽新等［6］在GA 中引入差分进化策略，但改进后的算法计算量增大，航迹规划实时性较差。

自1975 年美国教授Holland 根据达尔文进化论以及自然界优胜劣汰机制提出了GA 以后，越来越多的学者通过对不同生物种群和物理现象进行分析，从中获取灵感，提出了多种群智能优化算法，包括：灰狼优化算法（Grey Wolf Optimizier，GWO）［7］、萤火虫算法（Firefly Algorithm，FA）［8-9］、天牛须搜索（Beetle Antennae Search，BAS）算法［10］、鲸鱼优化算法（Whale Optimization Algorithm，WOA）［11］、天牛群优化算法（Beetle Swarm Optimization，BSO）［12］。……