基于遗传算法与Q-learning算法的无人机低能耗协同路径规划

《农业工程学报》2026年第42卷第11期刊载了华南农业大学等单位曾文岐、陆健强、兰玉彬、王婷、苏柳、史凯涛的论文——“基于遗传算法与Q-learning算法的无人机低能耗协同路径规划”。该研究由宁夏回族自治区重点研发计划项目重大专项（2025BBF01004）、内蒙古自治区重点研发与成果转化项目（2026SYFDZ0645）、广东省重点领域研发计划项目(2023B0202090001)、国家重点研发计划项目(2023YFD2000200)、高等学校学科创新引智计划(D18019)等资助。

引文信息：曾文岐，陆健强，兰玉彬，等. 基于遗传算法与Q-learning算法的无人机低能耗协同路径规划[J]. 农业工程学报，2026， 42(11)：270-280.

DOI: 10.11975/j.issn.1002-6819.202603256

阅读全文链接：
http://www.tcsae.org/cn/article/doi/10.11975/j.issn.1002-6819.202603256?sessionid=

研究目的与方法：

针对复杂农业环境下无人机多航点路径规划过程中存在的能耗较高、路径转向频繁及收敛稳定性不足等问题，该研究提出一种融合改进Q学习与遗传算法的低能耗路径规划方法（improved Q-learning genetic algorithm，IQL-GA）。

首先，采用墨卡托投影构建无人机二维作业环境地图，并综合考虑路径长度、转向代价及障碍物规避成本，建立无人机综合能耗模型。其次，用改进型遗传算法进行全局搜索，通过选择、交叉和变异操作生成多模态候选路径集，有效维持解空间多样性并规避局部最优陷阱；将遗传算法得出的优质非支配解映射为Q-table初始值，采用Q-learning算法结合Boltzmann探索策略与能耗惩罚项进行局部精细化调整；再通过2-opt局部搜索消除路径交叉，进一步降低飞行能耗。最后，通过仿真试验与实地飞行测试对算法性能进行验证。

结果与结论：

消融试验表明，IQL-GA算法在能源利用效率方面优于标准GA和QL算法，路径总能耗分别降低11.6%和19.0%，同时保持低碰撞率与近优路径成本；对比试验表明，与模拟退火算法（simulated annealing，SA）、粒子群优化算法（particle swarm optimization，PSO）及另外两种混合算法相比，IQL-GA算法的平均能耗降低了13.0%。田间试验结果共同验证了该算法的工程实用价值。该研究为资源受限条件下的无人机自主导航提供了解决方案，具有良好的应用前景。