A hawk-inspired metaheuristic for trajectory optimization of UAVs in precision agriculture
Gigin Durai Chelladurai · Lenin Fred Alfred
提出鹰启发式元启发算法HITO，优化无人机在精准农业中的全覆盖轨迹，降低路径长度和能耗。
模拟鹰的翱翔、巡逻、俯冲阶段，设计热上升探索、领地巡逻转换、俯冲开发算子及覆盖修
HITO相比最优基线平均路径缩短12.4%，能耗降低14.1%，收敛更快，统计显著。
可探索将HITO扩展到多无人机协同、动态障碍物环境，或结合实时传感器数据实现自适应路径规划。
提出新型元启发式算法优化无人机植保轨迹，显著提升效率，对精准农业有实质贡献。
无人机（UAV）已成为精准农业的核心工具，在大面积农田上高效的轨迹规划直接决定了任务可行性、能源消耗以及所采集数据的质量。本文针对单一无人机在 plantation 场景（以航点图建模）中生成最优全覆盖轨迹的问题展开研究。该问题属于旅行商问题（TSP）的一种受约束变体，要求访问所有航点，同时最小化总路径长度和转弯成本，并满足能量预算约束。现有元启发式算法，如粒子群优化（PSO）、灰狼优化器（GWO）和哈里斯鹰优化（HHO），在平衡探索能力与 plantation 场景严格覆盖约束方面存在困难，且在不规则布局下容易过早收敛。为此，我们提出了一种新型基于种群的元启发式算法——鹰启发轨迹优化器（HITO），其搜索行为受鹰的翱翔、巡逻和俯冲三个阶段启发。HITO 引入了热气流翱翔探索算子、领地巡逻过渡算子以及俯冲下击开发算子，并辅以覆盖修复机制，确保每次迭代的可行性。我们提供了基于马尔可夫链的收敛性论证，并给出了每迭代复杂度上界 O(N·n²)，其中 N 为种群规模，n 为航点数量。HITO 在模拟的 1、3 和 5 公顷 plantation 农田上，与七种基线算法进行了对比测试，并在十二个 CEC 2017 基准函数上进行了验证。在三十次独立运行中，HITO 相较于最佳基线算法，平均路径长度减少了 12.4%，能耗降低了 14.1%，覆盖鲁棒性得到提升，且收敛所需的迭代次数更少。统计显著性通过 Wilcoxon 符号秩检验和 Friedman 检验得到确认。