布谷鳥算法的案例
230基于matlab的布谷鳥（COA）多目標優化算法 ￥12.9
基于matlab的布谷鳥（COA）多目標優化算法，以 滿意度、成本、時間、質量為目標的多目標優化求解代碼。程序已調通，可直接運行。
無人機避障算法綜述
此外，還有一些智能算法被用在無人機路徑規劃上，實現避障，如布谷鳥算法(Cuckoo Search, CS)[36]、鯨魚優化算法(Whale Optimization Algorithm, WOA)[37]、蟻獅算法(Ant Lion Optimizer, ALO)[38]、鴿群算法(Pigeon-Inspired Optimization, PIO)[39]、螢火蟲算法(Firefly Algorithm, FA)[40]、烏賊算法[41]等。
(5)A*/D*算法
A*算法是一種圖搜索算法，將啟發信息因素引入待求解問題目標信息中，使得搜索方向更加精準，降低收斂時間。A*算法支付代價為f(n)=g(n)+h(n)，其中g(n)表示航路代價，h(n)表示預測代價。在搜索過程中，將支付代價最小的節點插入路徑鏈表中，完成對障礙物的規避。馬云紅等[42]采用變步長策略，提高A*算法搜索效率，同時生成一系列滿足UAV俯仰角、偏航角等物理性能約束的可飛航線。祁玄玄等[43]從目標性擴展、目標可見性判斷、更換啟發函數、改變擴展節點選擇策略四個方面對A*算法進行改進，提高了算法的收斂效率，優化了路徑長度。宋雪倩等[44]將Dubins結合A*算法，使用“向量共享”原理，對解脫航向改變量進行計算，并進行路徑重規劃，可在短時間內獲取連續飛行安全路徑。
針對復雜環境動態變化的問題，傳統A*算法難以應用，因此一些學者在A*算法的基礎上進行改進，典型的改進算法有D*算法。Ganapathy等[45]提出Enhanced D* Lite算法，解決了穿越尖角障礙物產生的不安全路徑問題。Stentz[46]提出分批次局部更新航跡代價圖的D*算法，有效解決避障問題。常見的基于啟發式典型算法的避障算法的適用場景與優缺點如表2所示。
展開 