摘要
针对传统人工蜂群算法（ABC）在无人机（UAV）轨迹规划中易陷入局部最优、鲁棒性不足的问题，提出了一种融合树突逻辑网络的多目标人工蜂群算法（DDMOABC），该算法将无人机路径规划建模为包含路径长度、高度、安全性和平滑度等指标的多目标约束优化问题，并引入树突逻辑网络作为引导机制，以增强算法在复杂搜索空间中的搜索能力，结合 DE/rand/1 改进搜索策略，提高算法的自适应性和进化效率。
问题描述
无人机三维路径由 N 个航点组成：
$P_i = (x_i, y_i, z_i),\quad P=[P_1,P_2,\ldots,P_N]$
模型被建模为四目标最小化问题：
$\min J=[J_1,J_2,J_3,J_4]$
其中，$J_1-J_4$分别表示路径长度，路径安全，路径高度，路径平滑度。
DDMOABC 算法
DDMOABC 通过 DD 引导 + 强化搜索两阶段协同机制，在保证种群多样性的同时提升收敛能力，实现对帕累托前沿的高质量逼近。
基于树突网络引导的子代生成机制
在雇佣蜂阶段与观察蜂阶段引入 DD 模型以指导子代生成，其能够从训练样本中提取有效信息，引导种群进化方向。训练数据来源于二元锦标赛随机选择得到的优胜个体与劣势个体，通过区分两类样本对模型进行训练，从而增强对优良解特征的学习能力。
DD 模型由 L 层前馈网络构成，每一层通过加权与非线性变换生成输出，其计算形式为：
$A_l = W_{l,l-1} A_{l-1} \circ X$
其中，$A_{l-1}$与$A_l$分别表示第$l-1$层与第$l$层的输出，$W_{l,l-1}$为连接两层的权重矩阵，$X$为输入数据，符号$\circ$表示 Hadamard 积。
整个网络结构可表示为：
$Y = W_{L,L-1}[\cdots W_{2,1}(W_{10} X \circ X) \circ X \cdots] \circ X \cdots$
其中，$X$和$Y$分别表示输入空间与输出空间，$L$为网络总层数，最终一层为线性输出层。
结果展示
参考文献
[1] Huang C, Peng Y, Deng W. A Dendrite Net learning Multi-objective Artificial Bee Colony Algorithm for UAV Path Planning[J]. Applied Soft Computing, 2025: 114449.