Angesichts der unzureichenden globalen Suchfähigkeit des klassischen Partikelschwarm-Algorithmus im dreidimensionalen Flugbahnenplanungsprozess von Drohnen und der Neigung, in lokale Optima zu verfallen, wird in der Studie ein multidimensional verbesserter Partikelschwarmoptimierungsalgorithmus vorgeschlagen. Der Algorithmus führt zunächst einen Verbesserungsfaktor ein, um das Trägheitsgewicht in allen Phasen der Partikelsuche dynamisch anzupassen, wodurch die Anpassungsfähigkeit der Population verbessert und lokale Optima überwunden werden; anschließend werden mithilfe dynamischer Nebenbedingungen die Lernfaktoren verstärkt, was einen effizienteren Informationsaustausch zwischen Partikeln ermöglicht und die Selbstlernfähigkeit des Algorithmus verbessert; anschließend werden geordnet die Vorteile von Strategien wie chaotischer Initialisierung und elitativem inversen Lernen integriert, der Entwicklungsfluss des Schwarms wird neu geplant, wodurch die Ausgewogenheit und Diversität der Partikel im Iterationsprozess verbessert und die Konvergenzgenauigkeit des Algorithmus erhöht wird. In Experimenten zeigte der multidimensional verbesserte Partikelschwarmoptimierungsalgorithmus durch Quervergleiche von Testfunktionen und longitudinale Anwendungen in komplexen dreidimensionalen Aufgabenszenarien im Vergleich zum klassischen Algorithmus eine verbesserte Fähigkeit zur Flugbahnenplanung von Drohnen und zeigte unter fünf Vergleichsalgorithmen gute Effektivität und Wettbewerbsfähigkeit.

Drohne;Flugbahnenplanung;Partikelschwarmalgorithmus;Chaos;elitärer inverser Lernstrategie