مسيريابي بهينه پهپاد مبتني بر الگوريتم چندين هدفه تكاملي بردار مرجع هدايت شده

UAV optimal routing based on reference vector guided evolutionary algorithm

در مسيريابي پهپاد، به حداقل رساندنِ همزمانِ مسافت طي شده و تهديدِ تشخيصِ رادار، دو معيار در بسياري از كاربردهاي نظامي است. استفاده از الگوريتم‌هاي بهينه سازي چندين هدفه تكاملي، در مسايلي كه داراي اهداف متضاد هستند، مي‌تواند نقش موثري در افزايش راندمان اين مسايل داشته باشد. در اين مقاله، مسئله برنامه‌ريزي مسيرِ پهپادِ چند منظوره بررسي مي‌شود كه يك الگوريتم بهينه‌سازي چندين هدفه براي حل يك مسئله برنامه‌ريزي مسيرِ پهپاد با اهداف متعدد، ارائه مي‌شود. روش حل پيشنهادي، الگوريتم چندين هدفه تكاملي بردار مرجع هدايت شده مي‌باشد. در اين مقاله، از يك سَكّو در بستر نرم‌افزار متلب ، به نام پِلَت اي ام اّ ، استفاده شده است. روش پيشنهادي با ساير الگوريتم‌هاي تكاملي چند هدفه و چندين هدفه تكاملي كه اخير ارائه شده‌اند، مورد مقايسه و ارزيابي قرار گرفته و نتايج بدست آمده با معيار ارزيابي فرا حجم كه تمام دسته‌بندي‌هاي لازم (همگرايي، تنوع و قدرتمندي) را پوشش مي‌دهد، بيان شده است. مساله، بر روي دو گروه از مسايل بهينه‌‌سازي، تست و پياده‌‌سازي شده‌‌اند. با مقايسه نتايج ارائه شده، مشاهده مي‌شود كه الگوريتم چندين هدفه تكاملي بردار مرجع هدايت شده، عملكرد بهتري از نظر كمي و پيچيدگي محاسباتي نسبت به ساير الگوريتم‌هاي مقايسه شده دارد و نرخ همگرايي، تنوع و قدرتمندي اين الگوريتم نسبت به ساير الگوريتم-هاي مقايسه شده بالاتر است.

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 many-objective evolutionary algorithms in problems with conflicting goals can play an effective role in increasing the efficiency of these problems. In this research, the multi-purpose UAV route planning problem is considered and a many-objective optimization algorithm is presented in a multi-purpose 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 many-objective and multi-objective 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.