مسیریابی بهینه پهپاد مبتنی بر الگوریتم چندین هدفه تکاملی بردار مرجع هدایت شده

در مسیریابی پهپاد، به حداقل رساندنِ همزمانِ مسافت طی شده و تهدیدِ تشخیصِ رادار، دو معیار در بسیاری از کاربردهای نظامی است. استفاده از الگوریتم‌های بهینه سازی چندین هدفه تکاملی، در مسایلی که دارای اهداف متضاد هستند، می‌تواند نقش موثری در افزایش راندمان این مسایل داشته باشد. در این مقاله، مسئله برنامه‌ریزی مسیرِ پهپادِ چند منظوره بررسی می‌شود که یک الگوریتم بهینه‌سازی چندین هدفه برای حل یک مسئله برنامه‌ریزی مسیرِ پهپاد با اهداف متعدد، ارائه می‌شود. روش حل پیشنهادی، الگوریتم چندین هدفه تکاملی بردار مرجع هدایت شده می‌باشد. در این مقاله، از یک سَکّو در بستر نرم‌افزار متلب ، به نام پِلَت ای ام اّ ، استفاده شده است. روش پیشنهادی با سایر الگوریتم‌های تکاملی چند هدفه و چندین هدفه تکاملی که اخیر ارائه شده‌اند، مورد مقایسه و ارزیابی قرار گرفته و نتایج بدست آمده با معیار ارزیابی فرا حجم که تمام دسته‌بندی‌های لازم (همگرایی، تنوع و قدرتمندی) را پوشش می‌دهد، بیان شده است. مساله، بر روی دو گروه از مسایل بهینه‌‌سازی، تست و پیاده‌‌سازی شده‌‌اند. با مقایسه نتایج ارائه شده، مشاهده می‌شود که الگوریتم چندین هدفه تکاملی بردار مرجع هدایت شده، عملکرد بهتری از نظر کمی و پیچیدگی محاسباتی نسبت به سایر الگوریتم‌های مقایسه شده دارد و نرخ همگرایی، تنوع و قدرتمندی این الگوریتم نسبت به سایر الگوریتمهای مقایسه شده بالاتر است.

UAV optimal routing based on reference vector guided evolutionary algorithm

In UAV navigation, the simultaneous minimization of distance traveled and the threat of radar detection is two criteria in many military applications. The use of manyobjective evolutionary algorithms in problems with conflicting goals can play an effective role in increasing the efficiency of these problems. In this research, the multipurpose UAV route planning problem is considered and a manyobjective optimization algorithm is presented in a multipurpose UAV route planning problem. The proposed solution method is a reference vector evolutionary algorithm (RVEA). In this research, a platform in the MATLAB software, which is called PlatEMO, has been used. The proposed method is compared and evaluated with other manyobjective and multiobjective evolutionary algorithms that have been presented recently and the results are obtained with a volume evaluation criterion that covers all the necessary categories (convergence, diversity, and cardinality). Give, express. The problem has been tested on two groups of optimization problems. Comparing the presented results, it is observed that the reference vector evolutionary algorithm has a better performance than other compared algorithms, and the convergence rate, diversity, and robustness of this algorithm is higher than other compared algorithms.