TỐI ƯU HÓA QUỸ ĐẠO UAV DƯỚI CÁC RÀNG BUỘC AN TOÀN BẰNG THUẬT TOÁN PSO VÀ GA

Đào Thị Ngà , Hoàng Trọng Nghĩa; Nguyễn Thị Thương, Đặng Hoàng Anh; Đỗ Phương Nhung, Quách Thị Hạnh

doi:10.59266/houjs.2025.588

Authors

Đào Thị Ngà , Hoàng Trọng Nghĩa
Nguyễn Thị Thương, Đặng Hoàng Anh
Đỗ Phương Nhung, Quách Thị Hạnh

DOI:

https://doi.org/10.59266/houjs.2025.588

Keywords:

UAV, tối ưu hóa, thuật toán bầy đàn POS, thuật toán di truyền GA, thuật toán lai kết hợp POS và GA

Abstract

Bài toán tối ưu hóa quỹ đạo an toàn cho UAV trong môi trường phức tạp, nơi tồn tại các chướng ngại và các ràng buộc an toàn. Mục tiêu then chốt là xác định quỹ đạo tối ưu, tối thiểu hóa thời gian bay, năng lượng tiêu thụ hoặc độ dài đường đi, đồng thời đảm bảo UAV di chuyển một cách an toàn từ điểm xuất phát đến điểm đích, tránh mọi va chạm và tuân thủ nghiêm ngặt các giới hạn về vận tốc, gia tốc, độ cao. Ứng dụng ba phương pháp tối ưu hóa dựa trên quần thể: Thuật toán tối ưu bầy đàn (PSO), thuật toán di truyền (GA), và một thuật toán lai PSO và GA (PSO-GA-UAV). Điểm mới của nghiên cứu là việc đề xuất và phát triển thuật toán lai PSO - GA - UAV, kỳ vọng tận dụng khả năng khám phá không gian rộng lớn của GA và tốc độ hội tụ nhanh chóng của PSO để đạt được hiệu suất tối ưu hóa vượt trội. Cuối cùng, hiệu suất của cả ba thuật toán sẽ được đánh giá và so sánh dựa trên quỹ đạo, khả năng đáp ứng ràng buộc, tốc độ hội tụ và tính ổn định, hứa hẹn mang lại một phương pháp hiệu quả cho việc lập quỹ đạo an toàn và tối ưu cho UAV trong nhiều ứng dụng thực tế.

References

[1]. Abhishek, B., Ranjit, S., Thangavelu, S., Eappen, G., Sivasankar, P., & Rajesh, A. (2020). Hybrid PSO-HSA and PSO-GA algorithm for 3D path planning in autonomous UAVs. SN Applied Sciences, 1850.

[2]. Alhijawi, B. & Awajan, A. (2024). Genetic algorithms: Theory, genetic operators, solutions, and applications. Evolutionary Intelligence, 1245-1256.

[3]. Eshelman, L. J. (2018). Genetic algorithms: Evolutionary Computation. CRC Press, 102-118.

[4]. Jain, M., Saihjpal, V., Singh, N., & Singh, S. B. (2022). An overview of variants and advancements of pso algorithm. Applied Sciences, 12(17), 8392.

[5]. Kamboj, V. K. (2016). A novel hybrid PSO-GWO approach for unit commitment problem. Neural Computing and Applications 27 (2016): 1643-1655., 1643-1655.

[6]. Lambora, A., Gupta, K., & Chopra, K. (2019). Genetic algorithm-a literature review. In 2019 international conference on machine learning, big data, cloud and parallel computing (COMITcon) (pp. 380-384).

[7]. Lingaraj, H. (2016). A study on genetic algorithm and its applications. International Journal of Computer Sciences Engineering, 139-143.

[8]. Marini, F., & Walczak, B. (2015). Particle swarm optimization (PSO). A tutorial. Chemometrics and Intelligent Laboratory Systems, 149, 153-165.

[9]. Meng, Z. (2022). PSO-sono: A novel PSO variant for single-objective numerical optimization. Information Sciences 586 (2022), 176-191.

[10]. Mirjalili, S., & Mirjalili, S. (2019). Genetic algorithm. Evolutionary algorithms and neural networks: Theory and applications, 43-55.

[11]. Wang, L., Li, Z., Adenutsi, C. D.,Zhang, L., Lai, F., & Wang, K. (2021). A novel multi-objective optimization method for well control parameters based on PSO-LSSVR proxy model and NSGA-II algorithm. Journal of Petroleum Science and Engineering, 196,107694.

[12]. Zaini, F. A., Sulaima, M. F., Razak, I.A. W. A., Zulkafli, N. I., & Mokhlis, H. (2023). A review on the applications of PSO-based algorithm in demand side management: challenges and opportunities. IEEE Access, 11, 53373- 53400.