Debido a la insuficiente capacidad de búsqueda global del algoritmo clásico de enjambre de partículas en el proceso de planificación de trayectorias tridimensionales de drones y su tendencia a quedar atrapado en óptimos locales, la investigación propone un algoritmo de optimización de enjambre de partículas mejorado multidimensional. El algoritmo primero introduce un factor de mejora para ajustar dinámicamente el peso de inercia en cada fase de búsqueda de partículas, mejorando la adaptabilidad de la población y superando los óptimos locales; luego, dependiendo de ecuaciones de restricción dinámicas, fortalece los factores de aprendizaje para lograr un intercambio de información más eficiente entre partículas y mejorar la capacidad de autoaprendizaje del algoritmo; posteriormente, fusiona ordenadamente las ventajas de estrategias como la inicialización caótica y el aprendizaje inverso élite para reorganizar el proceso evolutivo del enjambre, fortaleciendo el equilibrio y la diversidad de partículas durante las iteraciones y mejorando la precisión de convergencia del algoritmo. En los experimentos, mediante comparación transversal con funciones de prueba y aplicación longitudinal en escenarios complejos de tareas tridimensionales, el algoritmo de optimización mejorado multidimensional mostró mejoras en la capacidad de planificación de trayectorias de drones según nuevos indicadores de función objetivo multidimensional en comparación con el algoritmo clásico, demostrando buena efectividad y competitividad entre cinco algoritmos comparados.

dron;planificación de trayectorias;algoritmo de enjambre de partículas;caos;estrategia de aprendizaje inverso élite