En raison des capacités insuffisantes de recherche globale de l'algorithme classique de l'optimisation par essaims particulaires dans le processus de planification de trajectoire tridimensionnelle des drones et de sa tendance à se coincer dans des optima locaux, cette étude propose un algorithme d'optimisation par essaims particulaires amélioré multidimensionnel. L'algorithme introduit d'abord un facteur d'amélioration pour ajuster dynamiquement le poids d'inertie à chaque étape de recherche, améliorant ainsi l'adaptabilité de la population et la capacité à surmonter les optima locaux ; ensuite, il utilise des équations de contraintes dynamiques pour renforcer les facteurs d'apprentissage, favorisant un partage plus efficace de l'information entre les particules et améliorant la capacité d'auto-apprentissage de l'algorithme ; puis il intègre de manière ordonnée les avantages des stratégies telles que l'initialisation chaotique et l'apprentissage inverse élite, reconfigurant le processus d'évolution de l'essaim pour renforcer l'équilibre et la diversité des particules au cours des itérations et améliorer la précision de convergence de l'algorithme. Lors des expériences, à travers une comparaison transversale des fonctions de test et une application longitudinale dans des scénarios complexes de tâches tridimensionnelles, l'algorithme amélioré multidimensionnel a amélioré la capacité de planification de trajectoire des drones selon les nouvelles fonctions objectifs multidimensionnelles par rapport à l'algorithme classique, démontrant une bonne efficacité et compétitivité parmi cinq algorithmes comparés.

drone;planification de trajectoire;algorithme d'optimisation par essaims particulaires;chaos;stratégie d'apprentissage inverse élite