Les véhicules aériens sans pilote (UAV) effectuant des tâches de transport dans des zones montagneuses complexes sont confrontés à des défis liés à un terrain non structuré et au besoin d'évitement dynamique des obstacles. L'algorithme d'Optimisation par Loup Gris (GWO) se caractérise par sa structure simple et son ajustement de paramètres minimal, et a démontré une forte performance dans des applications pratiques. Cependant, il souffre d'une vitesse de convergence lente et d'une forte tendance à se coincer dans desoptima locaux. Par conséquent, cette étude propose un algorithme d'Optimisation Adaptative Intelligente par Loup Gris (AIGWO) pour la planification de trajectoire de transport des UAV dans des environnements montagneux complexes. Pour caractériser objectivement l'environnement montagneux et évaluer quantitativement la qualité des trajectoires, un modèle spatial tridimensionnel intégrant le terrain statique, les obstacles dynamiques et le bruit aléatoire, ainsi qu'une fonction d'évaluation multi-objectifs prenant en compte la longueur du chemin, l'altitude de vol et l'angle de virage, ont été construits. Afin d'accélérer la convergence, une stratégie de recherche adaptative a été développée pour équilibrer dynamiquement l'exploration globale et l'exploitation locale. Pour améliorer la capacité d'exploitation de l'algorithme et améliorer la diversité de la population, une stratégie de mise à jour des positions candidates basée sur l'apprentissage dimensionnel a été proposée. De plus, des modèles d'évolution dynamique des obstacles et des mécanismes d'interférence de bruit aléatoire ont été établis pour évaluer rigoureusement la robustesse de l'algorithme. Enfin, l'algorithme AIGWO proposé a été comparé à cinq algorithmes avancés (à savoir GWO, IGWO, LGWO, PSO et GA). Les résultats démontrent que l'AIGWO atteint un temps d'exécution raisonnable tout en réduisant le nombre d'itérations de convergence de 38,8 %, en réduisant la longueur du trajet de vol de 4,6 % et en améliorant la valeur de précision optimale de 20,0 % par rapport aux algorithmes de référence. Ces résultats confirment la supériorité significative de l'algorithme proposé pour la planification de trajectoire de transport des UAV dans des zones montagneuses complexes.
Zhou et al. (Sun,) ont étudié cette question.