基于改进PSO并结合AFS与HJS的警用无人机路径规划方法

天上的更聪明之眼

警务部门越来越多地使用小型无人机——警用无人机——来监视繁忙街道、搜寻失踪人员并应对突发事件。但对于无人机而言，“下一步飞往何处”并非一个简单的问题：它必须快速到访多个地点、避开禁飞区并节省电池能量，同时在拥挤的城市空域中运行。本研究提出了一种新的自动规划飞行路径的方法，使警用无人机即便在复杂的城市环境中也能更快、更安全地完成任务覆盖。

寻找更优路线的挑战

想象一辆可以跨越交通堵塞和建筑物的巡逻车——这大致就是警用无人机所能做到的。然而，它的航线仍需谨慎选择。现有来自机器人学和人工智能的路径规划方法可以提供帮助，但各自都有权衡：有些方法搜索效果好但耗时长，另一些虽快却易陷入次优解。警务任务带来额外复杂性：无人机可能需要拜访许多目标、绕开受限空域并适应动态变化。作者针对这一特殊的路线规划问题提出称为警用UAV路径规划问题（PU3P）的定义。

借鉴鸟群的思想

为了解决PU3P，研究者基于一种流行的优化方法——粒子群优化（PSO）。在该方法中，许多简单的虚拟“粒子”在搜索空间中游走，类似鸟群在田野中铺开寻找食物。每个粒子记住自己找到的最好位置，并关注群体发现的最优位置。经过多轮迭代，群体会趋向有前景的区域，这里对应优秀的飞行路径。然而，经典版本主要为平滑、连续的问题设计，而非定义无人机航线的离散航点序列，它们也容易过早收敛到一般性答案。

两项改进以提升搜索效率

论文提出两项关键改进以增强这种群体式搜索。第一项称为自适应因子策略，会逐步改变粒子将先前运动态势带入下一步的强度。早期这有助于广泛探索；后期则利于在优良候选附近进行微调。第二项称为半跳跃策略，会定期将部分粒子部分地推向迄今为止发现的最佳位置，而不是让它们完全独立游走。两项策略结合形成了改进的群体算法，命名为AFS‑HJS‑PSO，它既能广泛探索又能快速收敛。作者随后将该改进群体适配到PU3P的离散目标访问序列，定义了一个适应度评分以衡量警用无人机完成所有指定地点访问的总飞行距离。

将新方法付诸测试

为检验其方法的效果，团队将AFS‑HJS‑PSO与几种知名对手进行比较：标准粒子群方法、受进化启发的遗传算法、借鉴冶金学的模拟退火以及经典的非线性优化求解器。他们首先在20个常用的数学基准问题上测试这些方法。在大多数测试中，改进后的群体能找到更优解、用时更短或表现得更稳定。随后，他们将注意力转向实际的警用无人机路径问题，对相同的一组目标位置分别运行每种方法30次。改进群体再次能找到平均更短的路线，并在速度与可靠性方面与其他技术相比具有竞争力。

对未来警用无人机的意义

简而言之，该研究表明，让虚拟鸟群在运行中自适应调整行为并朝良好方向采取“半步”靠近策略，可以生成更优的警用无人机飞行计划。该改进方法并非完美——其稳定性和资源消耗仍有提升空间——但在所测条件下，它优于多种已有工具。随着无人机在公共安全领域愈加普及，这类路线规划的进步可帮助它们更快响应、减少空中滞留时间并降低拥挤空域的风险。

引用: Wang, D., Qian, X. Police UAV path planning method based on improved PSO using AFS and HJS. Sci Rep 16, 12417 (2026). https://doi.org/10.1038/s41598-026-40670-9

关键词: 警用无人机, UAV路径规划, 群体优化, 路线规划算法, 城市监测