2026年ASOC SCI2区TOP，基于树状网络的多目标人工蜂群学习算法在无人机中的应用，深度解析+性能实测
目录
1.摘要
针对传统人工蜂群算法（ABC）在无人机（UAV）轨迹规划中易陷入局部最优、鲁棒性不足的问题，提出了一种融合树突逻辑网络的多目标人工蜂群算法（DDMOABC），该算法将无人机路径规划建模为包含路径长度、高度、安全性和平滑度等指标的多目标约束优化问题，并引入树突逻辑网络作为引导机制，以增强算法在复杂搜索空间中的搜索能力，结合 DE/rand/1 改进搜索策略，提高算法的自适应性和进化效率。
2.问题描述
无人机三维路径由 N N N个航点组成：
P i = ( x i , y i , z i ) , P = [ P 1 , P 2 , … , P N ] P_i=(x_i,y_i,z_i),\quad P=[P_1,P_2,\ldots,P_N] Pi=(xi,yi,zi),P=[P1,P2,…,PN]
模型被建模为四目标最小化问题：
min J = [ J 1 , J 2 , J 3 , J 4 ] \min J=[J_1,J_2,J_3,J_4] minJ=[J1,J2,J3,J4]
其中， J 1 − J 4 J_1-J_4 J1−J4分别表示路径长度，路径安全，路径高度，路径平滑度。
3.DDMOABC算法
DDMOABC 通过DD引导 + 强化搜索两阶段协同机制，在保证种群多样性的同时提升收敛能力，实现对帕累托前沿的高质量逼近。
基于树突网络引导的子代生成机制
在雇佣蜂阶段与观察蜂阶段引入DD模型以指导子代生成，其能够从训练样本中提取有效信息，引导种群进化方向。训练数据来源于二元锦标赛随机选择得到的优胜个体与劣势个体，通过区分两类样本对模型进行训练，从而增强对优良解特征的学习能力。
DD 模型由 L L L 层前馈网络构成，每一层通过加权与非线性变换生成输出，其计算形式为：
A l = W l , l − 1 A l − 1 ∘ X A_l = W_{l,l-1} A_{l-1} \circ X Al=Wl,l−1Al−1∘X
其中， A l − 1 A_{l-1} Al−1 与 A l A_l Al 分别表示第 l − 1 l-1 l−1 层与第 l l l 层的输出， W l , l − 1 W_{l,l-1} Wl,l−1 为连接两层的权重矩阵， X X X 为输入数据，符号 ∘ \circ ∘ 表示 Hadamard 积。
整个网络结构可表示为：
Y = W L , L − 1 [ ⋯ W 2 , 1 ( W 10 X ∘ X ) ∘ X ⋯ ] ∘ X ⋯ Y = W_{L,L-1} [\cdots W_{2,1} (W_{10} X \circ X) \circ X \cdots] \circ X \cdots Y=WL,L−1[⋯W2,1(W10X∘X)∘X⋯]∘X⋯
其中， X X X 和 Y Y Y 分别表示输入空间与输出空间， L L L 为网络总层数，最终一层为线性输出层。
4.结果展示
5.参考文献
[1] Huang C, Peng Y, Deng W. A Dendrite Net learning Multi-objective Artificial Bee Colony Algorithm for UAV Path Planning[J]. Applied Soft Computing, 2025: 114449.
6.代码获取
xx
7.算法辅导·应用定制·读者交流
xx
