論文の概要: A multi-strategy improved snake optimizer for three-dimensional UAV path planning and engineering problems
- arxiv url: http://arxiv.org/abs/2507.14043v2
- Date: Wed, 13 Aug 2025 14:12:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-14 16:17:42.694056
- Title: A multi-strategy improved snake optimizer for three-dimensional UAV path planning and engineering problems
- Title（参考訳）: 3次元UAV経路計画と工学問題のためのマルチストラテジー改良型ヘビ最適化器
- Authors: Genliang Li, Yaxin Cui, Jinyu Su,
- Abstract要約: そこで本研究では, 局所最適に閉じ込められるリスクを回避すべく, MISO (Multi-strategy Improved Snake) を提案する。
我々は、エリートリーダーシップとブラウン運動を組み合わせた位置更新戦略を提案し、精度を確保しつつ、効果的に速度を加速させた。
実験結果から,MISOは他の競合アルゴリズムよりも解の質や安定性が優れていることが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Metaheuristic algorithms have gained widespread application across various fields owing to their ability to generate diverse solutions. One such algorithm is the Snake Optimizer (SO), a progressive optimization approach. However, SO suffers from the issues of slow convergence speed and susceptibility to local optima. In light of these shortcomings, we propose a novel Multi-strategy Improved Snake Optimizer (MISO). Firstly, we propose a new adaptive random disturbance strategy based on sine function to alleviate the risk of getting trapped in a local optimum. Secondly, we introduce adaptive Levy flight strategy based on scale factor and leader and endow the male snake leader with flight capability, which makes it easier for the algorithm to leap out of the local optimum and find the global optimum. More importantly, we put forward a position update strategy combining elite leadership and Brownian motion, effectively accelerating the convergence speed while ensuring precision. Finally, to demonstrate the performance of MISO, we utilize 30 CEC2017 test functions and the CEC2022 test suite, comparing it with 11 popular algorithms across different dimensions to validate its effectiveness. Moreover, Unmanned Aerial Vehicle (UAV) has been widely used in various fields due to its advantages of low cost, high mobility and easy operation. However, the UAV path planning problem is crucial for flight safety and efficiency, and there are still challenges in establishing and optimizing the path model. Therefore, we apply MISO to the UAV 3D path planning problem as well as 6 engineering design problems to assess its feasibility in practical applications. The experimental results demonstrate that MISO exceeds other competitive algorithms in terms of solution quality and stability, establishing its strong potential for application.
- Abstract（参考訳）: メタヒューリスティックアルゴリズムは多様な解を生成する能力のため、様々な分野に広く応用されている。
そのようなアルゴリズムの一つに、プログレッシブ最適化アプローチであるSnake Optimizer (SO)がある。
しかし、SOは収束速度の遅い問題と局所最適性への感受性に悩まされている。
これらの欠点を踏まえ、我々は新しいマルチストラテジー改善スネークオプティマイザ(MISO)を提案する。
まず,局所的な最適点に閉じ込められるリスクを軽減するため,正弦関数に基づく適応的ランダム乱れ防止戦略を提案する。
第2に、スケールファクターとリーダーに基づく適応型レヴィ飛行戦略を導入し、オスのヘビリーダーに飛行能力を与えることにより、アルゴリズムが局所的な最適化から飛び出し、グローバルな最適化を見つけやすくする。
さらに、エリートリーダーシップとブラウン運動を組み合わせた位置更新戦略を提案し、精度を確保しつつ収束速度を効果的に加速させた。
MISOの性能を示すために,30のCEC2017テスト関数とCEC2022テストスイートを用いて,異なる次元にまたがる11のアルゴリズムと比較し,その妥当性を検証した。
さらに、無人航空機(UAV)は低コスト、高移動性、容易な運転の利点から、様々な分野で広く利用されている。
しかし、UAV経路計画問題は飛行の安全性と効率に不可欠であり、経路モデルの確立と最適化には依然として課題がある。
そこで本研究では,UAV3D経路計画問題と6つの工学設計問題にMISを適用し,その実用性を評価する。
実験の結果, MISOは他の競合アルゴリズムよりも解の質や安定性が優れており, 応用の可能性が高まっていることがわかった。
関連論文リスト
- Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。
大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。
統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
論文 参考訳（メタデータ） (2025-05-13T16:47:00Z) - Navigation Variable-based Multi-objective Particle Swarm Optimization for UAV Path Planning with Kinematic Constraints [0.8192907805418583]
無人航空機(UAV)は、UAVがタスクを完了するために従わなければならない経路を決定するため、経路計画が不可欠である。
この研究は、ナビゲーション変数に基づく多目的粒子群最適化(NMOPSO)と呼ばれる新しいアルゴリズムを導入する。
このアルゴリズムは、航法変数に基づく新しい経路表現を特徴とし、キネマティック制約を含み、UAVの操作可能な特性を利用する。
論文 参考訳（メタデータ） (2025-01-03T16:07:37Z) - Preventing Local Pitfalls in Vector Quantization via Optimal Transport [77.15924044466976]
我々はシンクホーンアルゴリズムを用いて最適な輸送問題を最適化する新しいベクトル量子化法であるOptVQを紹介する。
画像再構成タスクの実験では,OptVQが100%のコードブック利用を実現し,現在最先端のVQNを超越していることが示された。
論文 参考訳（メタデータ） (2024-12-19T18:58:14Z) - Towards Robust Spacecraft Trajectory Optimization via Transformers [17.073280827888226]
我々は,非最適制御問題をリアルタイムに解くための自律生成モデルを開発した。
我々はARTの能力を拡張し、確率制約のある最適制御問題に対処する。
この作業は、宇宙船のような安全クリティカルな自律システムにAI駆動のソリューションを確実に展開するための最初のステップである。
論文 参考訳（メタデータ） (2024-10-08T00:58:42Z) - UAV-enabled Collaborative Beamforming via Multi-Agent Deep Reinforcement Learning [79.16150966434299]
本稿では,UAVを用いた協調ビームフォーミング多目的最適化問題 (UCBMOP) を定式化し,UAVの伝送速度を最大化し,全UAVのエネルギー消費を最小化する。
ヘテロジニアス・エージェント・信頼領域ポリシー最適化(HATRPO)を基本フレームワークとし,改良されたHATRPOアルゴリズム,すなわちHATRPO-UCBを提案する。
論文 参考訳（メタデータ） (2024-04-11T03:19:22Z) - Enhanced Teaching-Learning-based Optimization for 3D Path Planning of
Multicopter UAVs [2.0305676256390934]
本稿では,無人航空機(UAV)の新しい経路計画アルゴリズムを提案する。
まず,UAVの移動と安全操作の制約と経路長の要件を組み込んだ目的関数を定義する。
次に, 目的関数の定式化を最小化するために, Multi-subject TLBO というアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-31T16:00:32Z) - Multi-Agent Deep Reinforcement Learning in Vehicular OCC [14.685237010856953]
我々は車載OCCにおけるスペクトル効率最適化手法を提案する。
我々は最適化問題をマルコフ決定プロセス(MDP)としてモデル化し、オンラインで適用可能なソリューションの利用を可能にする。
提案手法の性能を広範囲なシミュレーションにより検証し,提案手法の様々な変種とランダムな手法との比較を行った。
論文 参考訳（メタデータ） (2022-05-05T14:25:54Z) - Evolutionary Gait Transfer of Multi-Legged Robots in Complex Terrains [14.787379075870383]
本稿では、Tr-GOと呼ばれる歩行最適化のための移動学習に基づく進化的フレームワークを提案する。
この考え方は、トランスファーラーニング技術を用いて高品質な人口を初期化することを目的としており、どんな集団ベースの最適化アルゴリズムでもこのフレームワークにシームレスに統合できる。
実験の結果,3つの多目的進化アルゴリズムに基づく歩行最適化問題に対する提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-12-24T16:41:36Z) - Distributed Multi-agent Meta Learning for Trajectory Design in Wireless
Drone Networks [151.27147513363502]
本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。
値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
論文 参考訳（メタデータ） (2020-12-06T01:30:12Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳（メタデータ） (2020-02-21T07:29:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。