多无人机三维路径规划的MSDBO算法改进与实现

1. 多无人机协同三维路径规划概述

在应急救援、地理测绘、电力巡检等实际应用场景中，多无人机协同作业已成为提高任务效率的关键手段。然而，复杂三维环境下的路径规划问题一直是制约无人机集群效能发挥的技术瓶颈。传统路径规划方法在处理高维、多约束的协同规划问题时往往力不从心，亟需更智能、更高效的解决方案。

2. 多策略改进蜣螂算法（MSDBO）设计

2.1 原始蜣螂算法及其局限性

蜣螂优化算法（Dung Beetle Optimizer，DBO）是近年来提出的一种新型群体智能算法，模拟了蜣螂滚球、觅食、产卵和偷窃等自然行为。虽然该算法在简单优化问题上表现尚可，但在处理多无人机三维路径规划这类高维复杂问题时，存在三个明显缺陷：

1. 收敛精度不足：原始算法在迭代后期容易陷入局部最优，难以找到全局最优解
2. 搜索效率低下：线性收敛因子导致算法在复杂解空间中探索能力有限
3. 稳定性较差：对初始种群敏感，不同次运行结果差异较大

2.2 五项核心改进策略

针对上述问题，我们提出了五项关键改进策略，显著提升了算法性能：

2.2.1 混沌初始化策略

采用Tent混沌映射替代随机初始化，确保初始种群在搜索空间内分布更均匀。Tent映射的数学表达式为：

code复制x_{n+1} = {
  2x_n,           当x_n < 0.5时
  2(1 - x_n),     当x_n ≥ 0.5时
}

这种初始化方式能有效避免种群聚集在局部区域，为全局搜索奠定良好基础。

2.2.2 非线性收敛因子

将线性收敛因子改进为非线性形式：

code复制R = 1 - (t/T)^2

其中t为当前迭代次数，T为最大迭代次数。这种改进使得算法在早期保持较强的全局探索能力，后期则快速转入局部精细搜索。

2.2.3 自适应惯性权重

设计随迭代次数变化的惯性权重：

code复制w = 0.9 - 0.5*(t/T)

权重从0.9非线性递减至0.4，平衡了算法在不同阶段的探索与开发能力。

2.2.4 莱维飞行机制

引入莱维飞行策略增强算法跳出局部最优的能力。莱维飞行的步长服从重尾分布，可实现长短跳跃交替的搜索模式，其概率密度函数为：

code复制L(s) ~ |s|^{-1-β}, 1<β≤