基於無人機航跡規劃優化的幾種新型仿生智能優化演算法綜述

最新 02-21

(蘭州理工大學電氣工程與信息工程學院，甘肅蘭州 730050)

摘要：本文結合無人機航跡規劃優化及其相關研究領域，選取了猴群優化演算法、果蠅優化演算法、群居蜘蛛優化演算法和烏賊優化演算法等四種新型仿生智能優化演算法進行綜述.著重介紹了原始型演算法的基本原理和步驟，列舉了這四種新型仿生智能優化演算法在無人機航跡規劃及相關領域的近期研究成果，展望了仿生智能優化演算法的改進趨勢.

關鍵詞：無人機航跡規劃；仿生智能演算法；猴群優化演算法；果蠅優化演算法；群居蜘蛛優化演算法；烏賊優化演算法

自1970年起至今，研究人員在求解各種複雜優化問題時，突發奇想將自然界中不同生物的形態、習性和特徵以及各種自然現象及其客觀規律以仿生學和遺傳學角度切入，進行高層次的模擬復現，從而創立了一系列仿生智能優化演算法.一般意義上，傳統的仿生智能優化演算法有諸如遺傳演算法、蟻群優化演算法、微粒群優化演算法等，這些經典的演算法有數量龐雜的各種改進型演算法和融合型演算法，針對不同的優化問題均取得了不錯的求解效果.

近20年以來，伴隨著大數據、人工智慧和神經網路等學科研究的長足發展，各種新興的仿生智能優化演算法層出不窮，諸如螢火蟲優化演算法、狼群優化演算法、雞群優化演算法、猴群優化演算法、蝙蝠優化演算法、杜鵑搜索演算法、人工蜂群演算法、人工魚群演算法、磷蝦群優化演算法、果蠅優化演算法、群居蜘蛛優化演算法、烏賊優化演算法等等，還有很多.現在其應用方向已從最早的單目標優化問題逐步轉為多目標優化問題、多目標協同優化問題、多目標動態優化問題等方向.

無人機航跡規劃問題本身也是一個複雜的優化問題，因而利用各種仿生智能優化演算法及其各種改進型演算法或融合型演算法求解此類問題是無人機航跡規劃研究領域中不可忽視的重要方法.

本論文著重介紹四種在無人機航跡規劃優化問題及相關研究領域有應用的新型仿生智能優化演算法原理，並簡要介紹這些優化演算法在此領域的研究現狀.

1.1 演算法原理與步驟

猴群優化演算法(Monkey Optimization Algorithm，MOA)由Zhao和Tang[1]於2008年提出，演算法的設計思路是通過模擬自然界中猴群爬山過程中的攀爬、眺望和跳躍幾個動作而引出的，旨在設計其相對應的尋優搜索過程，在求解高維數、大規模、多峰值、非凸函數優化問題時具有明顯優勢.

猴群優化演算法的主要步驟分為初始化過程、攀爬過程、眺望-跳躍過程、空翻過程和終止過程等，詳細步驟如下：

Step1初始化過程.設置猴群種群規模，最大迭代次數，問題維數，隨機初始化每隻猴子的初始位置.

Step2攀爬過程.通過多次迭代不斷改變每隻猴子的所處位置，也即不斷更新目標函數的偽梯度值來逐步改善待優化問題的目標函數值，用於尋找局部最優解即每個猴子所在山峰的頂峰.

Step3眺望-跳躍過程.執行完攀爬過程後，猴群中所有猴子均到達各自所在位置附近的山峰的頂峰，也即目標函數達到了局部最優解，因而搜索停滯.此時站在頂峰的每隻猴子都會向周圍眺望，考察在當前區域的鄰近區域內是否有更優解也即有更高的頂峰存在,若存在，則從當前位置跳躍過去，之後重複執行攀爬過程，以便於加快搜索速度.

Step4空翻過程.以當前猴群整體的重心為空翻支點，從當前搜索區域以一定步長空翻轉移至新搜索區域，確保猴群跳出局部最優區域，以免演算法陷入局部極值並早熟收斂.

Step5終止過程.迭代尋優，重複步驟(1)～(4)，當迭代次數達到預設最大值時演算法將停止執行，此時具有最優適應度值的猴子所在位置輸出即為所求全局最優解.

1.2 在無人機航跡規劃及相關領域的研究現狀

在無人機航跡規劃問題中，障礙物碰撞檢測是極為重要的方面，它是使用各種避障演算法的先決條件.賈賽賽等[2]將人工魚群演算法中的人工魚追尾行為引入猴群優化演算法，形成一種混合猴群優化演算法，該演算法在凸多面體障礙物碰撞檢測中能加快猴群整體進化速度，避免陷入局部極值和早熟收斂，同時提高了求解精度，且實驗證明可行.

對於經典的旅行銷售員問題(Traveling Salesman Problem，TSP)，最早由美國賓夕法尼亞州的Ramser B[3]於1959年以車輛線路「一筆畫」問題為由而提出，可以描述為：由一個銷售員為位置確定的不同客戶配送貨物，該配送任務由一個車隊執行，要求規劃並選擇一條遍歷所有老客戶位置的行車路徑且路徑無重複，目標是使總行車裡程最短.TSP問題可以看成是一個廣義的路徑規劃問題，對於二維平面內或者俯視三維空間而轉化形成的二維平面內，基於已指定所需遍歷航跡點的物資給養配送無人機的航跡規劃問題也有一定借鑒意義.徐小平等[4]利用猴群優化演算法求解TSP問題：採用整數編碼方式表示猴群位置，解決了猴群演算法在處理離散型優化問題時攀爬過程失效的問題,在猴群攀爬過程中引入好動策略並給出改進演算法，有效的提高了猴群演算法的性能.

2.1 演算法原理與步驟

果蠅優化演算法(Fruit Fly Optimization Algorithm，FFOA)由潘文超[5-6]於2011年提出，演算法的設計思路是基於自然界中果蠅覓食行為而推演引出的，旨在設計其相對應的尋優搜索過程，在求解數學函數極值、數據挖掘、廣義回歸神經網路參數優化等領域已有初步成果.果蠅首先利用敏銳的嗅覺排查空氣中漂浮的各種氣味以期找到食物源散發的氣味，食物源氣味濃度與果蠅和食物源間距離有關，距離越近，氣味濃度越高，相應地果蠅感知能力就越強.由此可見，果蠅優化演算法是一種基於氣味源識別尋優原理的優化演算法.果蠅優化演算法在尋優過程中具有一定的隨機性，為了確保果蠅群體向著正確的方向飛行，該演算法引入了氣味濃度判定值和氣味濃度判定函數.

果蠅搜索食物源的過程可以描述為：果蠅群體中每個個體從初始位置向隨機方向飛出，之後所有果蠅根據存在個體差異的嗅覺能力再飛向已知食物氣味濃度最高的果蠅位置，飛近該位置後，再利用敏銳的視覺尋找食物源或同伴聚集的位置，形成新的果蠅群體位置，再沿隨機方向飛出，進而飛往新的食物氣味濃度最高的果蠅位置並再次聚集，不斷循環往複，直到找到食物源為止.

果蠅優化演算法的主要步驟如下：

Step1參數初始化.設置果蠅種群規模，最大迭代次數，隨機初始化果蠅種群的初始位置.

Step2分配果蠅個體利用嗅覺搜尋食物源氣味的隨機方向與距離.

Step3估計每隻果蠅個體與原點的距離，距離的倒數即為氣味濃度判定值.

Step4將氣味濃度判定值代入氣味濃度判定函數求出該果蠅個體位置氣味濃度.

Step5找出果蠅群體中個體位置氣味濃度判定值最大的那隻果蠅.

Step6保留這隻果蠅的位置坐標與此時的最佳氣味濃度判定值(這隻果蠅所在位置的氣味濃度判定值)，此時果蠅群體利用嗅覺飛向該位置.

Step7迭代尋優，重複步驟(2)～(5)，並判斷氣味濃度是否優於前次迭代的氣味濃度，若是則執行步驟(6)，當迭代次數達到預設最大值時演算法將停止執行，此時具有最優氣味濃度判定值的果蠅所在位置輸出後即為所求全局最優解.

2.2 在無人機航跡規劃及相關領域的研究現狀

月球探測巡視器常被稱為「月球車」，這是一種能夠在月球表面實施短距離移動、探測照相、土壤岩石標本採樣等作業任務的小型航天器.月球車在探測周圍陌生環境的過程中，需要找到從起始位置到目標位置的安全行進路徑，也即需要進行路徑規劃.「月球車」路徑規劃問題與無人機航跡規劃問題有異曲同工之妙，「月球車」和無人機都隸屬於無人駕駛機器人，在二維平面內或者俯視三維空間而轉化形成的二維平面內，基於動態飛行環境中無人機航跡規劃優化演算法就可以從「月球車」動態路徑規劃優化演算法中得到啟發和借鑒，存在一定的創新價值和推廣意義.毛正陽和方群等[7]針對「月球車」動態路徑規劃的實時性要求，提出一種基於改進型果蠅優化演算法的「月球車」路徑規劃方法：通過改進氣味濃度判定值避免演算法陷入局部極值和早熟收斂；同時，提出了一種動態環境下「月球車」遇到未知靜態障礙物時的避障策略，為月面探測技術進一步發展提供了技術支撐.之後毛正陽和方群等[8]在自己之前研究的基礎上，將果蠅個體與原點間距離直接帶入氣味濃度判定函數，也能避免演算法陷入局部極值和早熟收斂，實驗表明這種改進型果蠅優化演算法能夠既快又好地找到「月球車」全局優化路徑.

對於求解TSP問題，Li Hengyu等[9]針對標準果蠅優化演算法易陷入局部極值和收斂速度慢等缺陷，提出一種改進型果蠅優化演算法：引入變異運算元，改善種群多樣性以避免早熟收斂，採用自適應變步長策略，高效提升搜索速率，實驗結果證明有效.Lvjiang Yin等[10]將遺傳演算法和微粒群優化演算法中諸多操作手法引入果蠅優化演算法的框架中，形成一種新的融合型演算法：在嗅階段，將果蠅集群機理用於拷貝食物氣味濃度最高的果蠅位置，將遺傳演算法中的變異操作用於隨機搜索時果蠅個體間的信息交流，在視覺搜索階段，使用廣義的微粒群優化演算法以平衡全局搜索能力和局部搜索能力,實驗證明可行有效.段艷明等[11]提出一種改進型果蠅優化演算法：把應用於連續型空間的果蠅優化演算法離散化處理，來求解路徑規劃這個離散型優化問題,利用輪盤賭方法初始化路徑參數以代替種群的隨機初始化,將遺傳演算法中的交叉運算元、變異運算元用於全局路徑優化,將C2Opt(Complete2-Option)運算元應用於局部路徑優化以提升局部搜索能力和收斂速度,實驗證明可行有效.

3.1 演算法原理與步驟

群居蜘蛛優化演算法(Social Spider Optimization Algorithm，SSOA)由Erik Cuevas等[12]於2013年提出，演算法的設計思路是基於模擬自然界中某種群居蜘蛛合作捕食行為，織網交流行為和繁衍後代行為等而引出的.群居蜘蛛優化演算法相較於其他大多數仿生智能優化演算法最突出的差異在於，模型中蜘蛛個體是根據性別來分工合作.這種設定不但能真實模仿群體中不同個體間的合作行為，而且在一定程度上權衡了演算法的探測能力和開採能力.在群居蜘蛛優化演算法中，將蜘蛛網等效為搜索空間，蜘蛛個體在空間中所處位置代表優化問題的一個解，通過讓雌雄蜘蛛不斷協同進化，最終實現問題的求解尋優.

在生物學中，蜘蛛的大小將用於評價蜘蛛個體完成所指派任務能力的強弱.對應於群居蜘蛛優化演算法，將通過計算為每個蜘蛛分配一個權重值，以此代表這個蜘蛛的質量或大小.

在自然界中，蜘蛛個體間的交流方式為主要通過震動公共蛛網來傳遞信息，震動強度由蜘蛛大小以及兩個蜘蛛間的距離共同決定，蜘蛛質量越大，距離越近，震動就越強烈，於是通過公共蛛網所傳遞的信息亮就越大.群居蜘蛛優化演算法中針對震動信息的接收做出如下理想假設，即每隻蜘蛛只接收來自其它三類蜘蛛的震動信息：距離它最近且比它重的蜘蛛的震動信息；全局最優蜘蛛個體的震動信息；距離它最近的雌性個體的震動信息.

群居蜘蛛優化演算法的主要步驟分為：參數初始化過程、種群協作過程、繁殖交配過程和終止過程等，具體步驟為：

(1)參數初始化過程.

Step1設置搜索空間維數、最大迭代次數、概率因子，計算每一維的蜘蛛交配半徑.

Step2根據蜘蛛種群中雌雄比例分配種群性別比例，從而初始化蜘蛛種群規模(包含由隨機數計算生成的雌性個體數目和進而得到的雄性個體數目)，進而計算並初始化雌性初始種群中雌性個體的初始位置和雄性初始種群中雄性個體的初始位置，開始優化迭代過程.

Step3根據目標函數計算蜘蛛個體適應度值，為每隻蜘蛛分配權重值.找到全局最優的蜘蛛個體，找到與每隻蜘蛛距離自己最近的雌性個體和距離自己最近且權重值比自己更高的蜘蛛個體，並分別計算這三種蜘蛛的震動因子.

(2)種群協作過程.

Step1雌性種群協作過程.雌性蜘蛛通過震動公共蛛網來吸引或排斥其它個體，群居蜘蛛優化演算法為模擬這一行為，針對雌性個體設計了依概率判別吸引或者排斥的兩種合作震動模式，由此計算更新雌性蜘蛛位置.

Step2雄性種群協作過程.雄性蜘蛛會根據權重值大小被分為統治雄蜘蛛與被統治雄蜘蛛.權重較大的統治雄蜘蛛會吸引雌性蜘蛛進行繁殖交配行為，而權重較小的被統治雄蜘蛛則會向種群的中間位置聚集，協同其它被統治雄蜘蛛利用統治雄蜘蛛所浪費的食物和資源等存活下來.在雄性子種群中，雄性個體按權重值降序排列，取中間權重值為參考值，由此計算更新雄性蜘蛛位置.

(3)繁殖交配過程.

Step1蜘蛛種群中的雌性蜘蛛將與在她交配半徑範圍內的統治雄蜘蛛發生交配繁殖行為，同時在統治雄蜘蛛的交配半徑範圍內也可能存在不止一隻雌性蜘蛛，因而對相互處於交配半徑範圍內的雌性蜘蛛與統治雄蜘蛛採用輪盤賭機制產生新生蜘蛛個體的位置，概率為父代蜘蛛權重值佔總權重值的比例.

Step2為了真實再現自然界中「物競天擇，適者生存」的法則，同時為了保證種群規模的穩定性：評價新生蜘蛛個體的適應度值，將其與種群中適應度值最差的蜘蛛個體進行比較:若新生個體較好，則淘汰原有最差個體，將新生個體保留加入蜘蛛種群；若新生個體較差，則淘汰新生個體，蜘蛛種群無變化.

Step3再次評價蜘蛛群體中所有個體適應度值，找出最優蜘蛛個體及其位置.

(4)終止過程.迭代尋優，重複步驟(2)～(3)，當迭代次數達到預設最大值時演算法將停止執行，此時輸出的最優蜘蛛個體所在位置，即為所求全局最優解.

3.2 在無人機航跡規劃及相關領域的研究現狀

對於求解TSP問題，王麗等[13]為了改善群居蜘蛛優化演算法的尋優性能，提出一種自適應多種群回溯群居蜘蛛優化演算法：通過引入自適應決策半徑，保證演算法執行後期蜘蛛種群的多樣性,動態劃分蜘蛛種群為多個子種群，設計不同的蜘蛛個體適應度值更新方式，提升了演算法的局部深度尋優能力.根據進化程度差異執行不同的回溯迭代更新策略，以確保最大限度尋找到全部極值點.實驗結果表明這種改進型群居蜘蛛優化演算法具有較快收斂速度和較高收斂精度，並可以成功應用於TSP問題的求解.

4.1 演算法原理與步驟

烏賊優化演算法(Cuttlefish Optimization Algorithm，COA)由Adel Sabry Eesa等[14]於2013年提出，演算法的設計思路是通過模擬海洋中烏賊的皮膚細胞變色原理來尋找優化問題的最優解而引出的，在烏賊皮膚細胞變色過程中，反射和可見是兩個最主要的進程.反射進程模擬了入射光線的反射機制，可見進程則模擬了烏賊可見度的匹配模式，這兩個進程被用來做為全局最優解的搜索策略.簡單來說，烏賊優化演算法主要是通過潛在解(也即細胞)模擬烏賊皮膚中不同層次細胞反射和吸收光線的機制，進而迭代求解出搜索空間中個體代價最小的烏賊皮膚細胞.

烏賊作為一種通過改變身體顏色來適應環境變化而謀求生存的水生頭足類動物，是廣為人知的.烏賊能夠變色的原因在於皮膚表面堆積了不同層次的三種細胞，分別為色素細胞、虹彩細胞和白色素細胞.色素細胞位於烏賊皮下第一層，是包含色素的彈性小囊細胞，每個小囊通過15～25塊肌肉來控制其伸縮：肌肉收縮時，細胞舒張，小囊內部色素大面積呈現於細胞表面；肌肉舒張時，細胞收縮，色素則被回收到小囊內部.虹彩細胞位於烏賊皮下第二層，是由不同層次結構的高亮血小板堆積而成，其主要作用是反射光線來隱藏烏賊器官.白色素細胞位於烏賊皮下第三層，是使烏賊呈現白色斑點的扁平結構細胞，能夠有效反射大部分可見光波長的入射光線，使得烏賊呈現出與入射光線同波長的顏色並自然而然「隱身」融入周圍環境當中，這種能力常被用於躲避天敵.

色素細胞中含有紅色、橙色、黃色、黑色、棕色這五種染料，加上白色素細胞本身的白色，則烏賊體內共存在六種染料.烏賊皮膚能根據周圍環境顏色變化而適應性呈現出相同顏色，主要依賴這三種細胞共同作用，相互協調來達成.具體而言，烏賊皮膚呈現的顏色取決於光線入射到皮膚時，被哪種細胞或哪幾種細胞共同反射，此時將虹彩細胞和白色素細胞統稱為反射細胞，這三種細胞的生理可變性確保了烏賊皮膚產生不同的光學效果.

烏賊優化演算法的主要步驟如下：

Step1初始化過程.在搜索空間內隨機生成初始烏賊皮膚細胞種群，並確定種群規模和最大迭代次數.

Step2計算每個烏賊皮膚細胞的代價函數，以此評估每個烏賊皮膚細胞位置優劣程度.

Step3將烏賊皮膚細胞種群均勻分為四個子種群.

Step4計算烏賊皮膚細胞種群的平均代價並存儲.

Step5分別計算生成第一、二、三、四子種群中每個烏賊皮膚細胞的反射度和可見度，由此計算每個烏賊皮膚細胞的個體代價.

Step6終止過程.迭代尋優，重複步驟(4)～(5)，並判斷本次四個子種群中烏賊皮膚細胞的個體代價是否大於前次迭代得到的最優烏賊皮膚細胞代價：若是，則保留前次迭代得到的最優烏賊皮膚細胞的位置和代價值，將其更新為本次迭代後得到的最優烏賊皮膚細胞，而後轉去執行步驟(4)～(5)；若不是，則將本次四個子種群中個體代價最小的烏賊皮膚細胞更新為本次迭代後得到的最優烏賊皮膚細胞，保留其位置和代價值，而後執行步驟(4)～(5).直到迭代次數達到預設最大值時演算法將停止執行，此時具有最小個體代價的烏賊皮膚細胞所在位置輸出即為所求全局最優解.

4.2 在無人機航跡規劃及相關領域的研究現狀

舒緯偉等[15]將基本的烏賊優化演算法與概率地圖演算法相結合，應用於不確定戰場環境中無人機航跡規劃優化問題的求解，有效縮小了概率地圖的規劃空間，減小了無人機航跡規劃搜索範圍，提高了演算法收斂速度，縮短了計算時間.實驗證明這種烏賊優化演算法與概率地圖演算法相結合的融合型演算法相較於傳統的概率地圖演算法在求解無人機航跡規劃優化問題時，複雜度更低，計算內存佔用更少，更能滿足無人機航跡規劃的要求.

Mohammed Essaid Riffi等[16]首次將基本烏賊優化演算法離散化處理，形成一種離散烏賊優化演算法，並用此演算法成功求解了TSP問題.

考慮到無人機航跡規劃優化演算法需要與時俱進以滿足日益複雜的飛行任務與飛行環境的要求，本論文選取了猴群優化演算法、果蠅優化演算法、群居蜘蛛優化演算法和烏賊優化演算法四種新型仿生智能優化演算法進行綜述.著重介紹了其原始型演算法的基本原理和步驟，基於無人機航跡規劃優化及相關研究領域，列舉了這四種新型仿生智能優化演算法的近期研究成果.

仿生智能優化演算法是一類不確定性擬自然演算法，不但現有演算法的各種改進型演算法和融合型演算法層出不窮，而且時常誕生新的演算法.由此可見，其發展前景廣闊，在未來依然會是智能優化領域的研究熱點之一.

展望未來，將混沌、動態自適應、量子力學、反向學習和小生境等原理融合進演算法的進化過程，是仿生智能優化演算法改進的一個新趨勢.將種群內部並發執行策略和若干子種群間信息傳遞與交互需求納入仿生智能優化演算法的群體適應度值評價體系和隨機搜索策略等範疇，則又是仿生智能優化演算法改進的另一個新趨勢.

參考文獻：

[1] ZHAO R Q， TANG W S. Monkey algorithm for global numerical optimization[J]. Journal of Uncertain Systems，2008，2(3)：164-175.

[2] 賈賽賽，劉志勤，楊雷,等.基於混合猴群演算法的凸多面體碰撞檢測[J].計算機工程與設計，2016，37(10)：2789-2793.

[3] 王凌.智能優化演算法及其應用[M].北京：清華出版社，2001.

[4] 徐小平，張東傑.基於猴群演算法求解旅行商問題[J/OL].計算機工程與應用，2017-02-10.(2017-02-10)[2017-04-12].http：//www.cnki.net/kcms/detail/11.2127.TP.20170210.0832.026.html.

[5] 潘文超.果蠅最佳化演演算法[M].台北：滄海書局，2011.

[6] PAN Wentsao. A new fruit fly optimization algorithm：taking the financial distress model as an example[J]. Knowledge-based Systems，2012(26)：69-74.

[7] 毛正陽，方群，李克行,等.應用改進果蠅優化演算法的月面巡視器路徑規劃[J].中國空間科學技術，2014(5)：87-93.

[8] 毛正陽，方群.基於果蠅優化演算法的月球車全局路徑規劃[J].電子設計工程，2014，22(23)：45-50.

[9] LI Heng-yu, CHEN Ji-qing, HUANG Quan-zhen, et al. An improvement of fruit fly optimization algorithm for solving traveling salesman problems[R]. Hailar, China: International Conference On Information And Automation，2014.

[10] YIN Lv-jiang, LI Xin-yu, GAO Liang, et al. A new improved fruit fly optimization algorithm for traveling salesman problem[R]. Chiang Mai, Thailand: 8th International Conference On Advanced Computational Intelligence，2016.

[11] 段艷明，肖輝輝.求解TSP問題的改進果蠅優化演算法[J].計算機工程與應用，2016，52(6)：144-149.

[12] CUEVAS E, CIENFUEGOS M, ZALDIVA D, et al. A swarm optimization algorithm inspired in the behavior of the social spider[J]. Expert System with Applications，2013，40(16)：6374-6384.

[13] 王麗，宮建平，王曉凱.自適應多種群回溯群居蜘蛛演算法求解TSP問題[J].數學的實踐與認識，2017，47(2)：221-229.

[14] EESA A S, BRIFCANI A M A, ORMAN Z. A new tool for global optimization problems: cuttlefish algorithm[J]. International Journal of Mathematical, Computational, Physical, Electrical and Computer Engineering，2014，8(9)：1235-1239.

[15] 舒緯偉，敬忠良，董鵬.基於烏賊演算法的無人機航跡規劃[J].科學技術與工程，2017，17(2)：120-125.

[16] MOHAMMED Essaid Riffi, MORAD Bouzidi. Discrete cuttlefish optimization algorithm to solve the traveling salesman problem[R]. Marrakech, Morocco: 3rd World Conference On Complex Systems，2015.

[責任編輯：史寶明]

TIANJiang

(School of Electrical Engineering and Information Engineering, Lanzhou University of Technology,

Lanzhou 730030, China)

Abstract:Considering the UAV (Unmanned Aerial Vehicle) trajectory planning optimization and other correlative research fields, four new types of bionic intelligence optimization algorithm: monkey optimization algorithm, fruit fly optimization algorithm, social spider optimization algorithm and cuttlefish optimization algorithm have been selected and reviewed in this paper. First, it emphatically introduces the basic principles and general steps of those algorithms』 archetypes; second, it enumerates the recent research achievements of these four new types of bionic intelligence optimization algorithm in the UAV trajectory planning and other correlative research fields; third, it forecasts the future trend of bionic intelligence optimization algorithm.

Key words:UAV trajectory planning；bionic intelligence algorithm；monkey optimization algorithm；fruit fly optimization algorithm；social spider optimization algorithm；cuttlefish optimization algorithm

收稿日期：2017-04-12

文章編號：2095-6991(2017)06-0080-06

中圖分類號：V279.2

文獻標誌碼：A

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！