查看更多>>摘要:本研究提出了一种混合遗传算法,即K-means聚类分析结合基于模拟退火改进的遗传算法,以优化无人机森林防火巡护路径规划.首先,通过K-means聚类分析对巡护点进行分类,有效降低解空间,并适应无人机的续航限制.接着,初始化种群时采用自然数编码表示每个巡护点,形成初始解集.在进化机制中,采用改进的顺序交叉(OX)技术进行基因交换,并通过模拟退火算法优化选择操作,增强局部寻优能力,防止陷入局部最优.文章以浙江省青田县腊口镇为例,实证结果表明,K-means聚类分析将腊口镇防火巡护点分为 2个簇,使用改进的遗传算法对每个簇进行优化,均能达到全局最优解.仿真实验结果表明,改进后的混合遗传算法在不同规模的防火巡护点路径规划中表现出色:当巡护点规模为 10个以下时,传统遗传算法和混合遗传算法没有明显差距,当巡护点规模增加 20个以上时混合遗传算法优化结果优势明显.当巡护点规模为 30个时,优化时间增加约3.37秒,但最优路径长度减少了 23.90%.当巡护点规模为 40个时,优化时间增加约 4.83秒,但最优路径长度减少了 30.18%.结论显示,K-means聚类分析有效降低了解空间并适应无人机续航限制,遗传算法的全局寻优与模拟退火的局部寻优相结合,显著提高了无人机巡护效率和资源配置效果,为无人机在森林防火中的应用提供了新思路.