1. 项目概述当遗传算法遇上无人机路径规划最近在做一个挺有意思的私人项目核心就是用遗传算法来解决无人机在多目标场景下的路径规划问题并且用Python完整地实现了出来。这听起来可能有点学术但实际应用场景非常接地气。比如你有一架植保无人机需要在一片农田里规划一条喷洒路径这条路径不仅要覆盖所有需要作业的区域目标点还要尽可能短以节省电量和时间同时要避开高压线、树木等障碍物还得考虑飞行高度变化带来的能耗。这就不再是简单的“找最短路径”而是一个典型的多目标优化问题路径长度、安全性、能耗、任务完成度这些目标往往相互冲突你需要找到一个最佳的平衡点。遗传算法Genetic Algorithm, GA正是处理这类多目标优化问题的利器。它模拟自然界“物竞天择适者生存”的进化过程不需要复杂的数学推导通过种群的迭代进化就能在一大堆可能的路径中筛选出那些综合表现最好的“精英路径”。用Python来实现一方面是因为其丰富的科学计算库如NumPy, DEAP让算法原型开发变得异常高效另一方面Python代码的清晰易读性也便于我们将算法逻辑与实际无人机飞控的约束条件如转弯半径、最大爬升率进行结合与调试。这个项目适合谁呢如果你是对无人机自动化、机器人路径规划感兴趣的开发者或学生或者你正在寻找一种解决复杂优化问题的实践方案那么通过这个项目你不仅能深入理解遗传算法的核心机制还能掌握如何将一个理论算法落地到一个具体的工程问题中并输出可直接用于仿真甚至实际飞控的路径序列。整个过程我们会从问题建模开始一步步走到代码实现和参数调优。2. 核心问题拆解与建模思路2.1 多目标路径规划到底在优化什么无人机路径规划不是简单地画一条从A到B的线。在多目标规划框架下我们需要同时考虑多个有时甚至是相互矛盾的性能指标。以我们常见的巡查、植保或物流配送场景为例主要的目标通常包括路径长度最短化最直观的目标减少飞行时间节省能源。这是旅行商问题TSP的核心但在这里只是多个目标之一。安全性最大化或威胁代价最小化路径需要远离障碍物建筑物、山脉、禁飞区。我们可以给地图上的障碍物区域赋予一个“威胁代价”无人机飞得越近代价越高。目标就是最小化整条路径累积的威胁代价。平滑度优化无人机不是质点它有物理约束。过于尖锐的拐角会导致无人机需要急剧减速、转向增加控制难度和能耗甚至可能失稳。因此我们希望路径的转弯角度尽可能平缓航向变化连续。高度变化优化对于山区或城市环境保持飞行高度平稳可以减少能耗但有时为了避障又需要爬升或下降。这也需要作为一个优化项。这些目标无法同时达到最优。一条绝对最短的直线路径可能穿山而过一条绝对安全的路径可能绕了巨大的圈子。因此我们的目标是找到一组“帕累托最优”解。所谓帕累托最优就是指在不使任何一个目标变差的情况下无法再使至少一个目标变得更好。这组解构成了“帕累托前沿”决策者可以根据实际需求比如今天电量充足更看重安全或者任务紧急更看重时间从这个前沿中挑选一个最终执行方案。2.2 为什么选择遗传算法面对这样一个高维、非线性、多目标的优化问题传统的数学规划方法往往束手无策。遗传算法的优势就凸显出来了对问题域要求低不需要目标函数可导、连续只要你能对一条路径即一个解进行评价计算它的长度、安全代价等GA就能工作。这非常适合我们这种由多个复杂指标组合而成的评价体系。全局搜索能力强通过选择、交叉、变异操作GA能够在整个解空间中进行探索避免陷入局部最优。这对于路径规划这种解空间巨大的问题至关重要。天然适合多目标优化GA维护一个种群可以同时逼近整个帕累托前沿。通过引入像NSGA-II非支配排序遗传算法II这样的多目标优化框架算法能够在迭代中很好地保持解集的多样性和收敛性。易于与领域知识结合我们可以将无人机的物理约束如最小转弯半径、最大爬升角直接编码到“染色体”中或者通过惩罚函数的形式融入适应度计算让进化过程自然遵守这些规则。简单来说GA提供了一套灵活的框架让我们能把复杂的工程约束和优化目标“翻译”成进化过程能理解的语言然后放手让它去自动寻找优质解。2.3 从物理世界到算法模型编码与适应度函数这是整个项目的基石也是最需要精心设计的部分。1. 路径编码染色体表示一条路径如何表示成遗传算法中的一条“染色体”常见的方法有节点序列编码最直观。将任务区域离散化为一系列航点包括起点、终点和目标点染色体就是这些航点的一个排列序列。例如有5个目标点一条染色体可能是[起点, A, C, B, D, E, 终点]。这种编码简单但需要进行可行性修复比如确保不重复访问。实数坐标编码染色体直接由一系列二维或三维坐标点组成[(x1,y1), (x2,y2), ..., (xn,yn)]。这种表示更灵活路径形状不受限于预设航点但搜索空间更大且需要额外的操作确保路径不穿过障碍。控制点编码如贝塞尔曲线、B样条用少数几个控制点来定义一条平滑曲线。染色体就是这些控制点的坐标。这种方式能天然保证路径的平滑性非常适合无人机动力学约束是工程上很推荐的方法。在我们的实现中为了平衡灵活性和复杂度我选择了节点序列编码与B样条曲线平滑后处理相结合的方式。即遗传算法主要负责优化航点访问顺序解决TSP问题然后对于确定顺序的航点用B样条插值生成一条平滑的飞行路径最后再对这条平滑路径进行精细化的适应度评估。2. 多目标适应度函数设计适应度函数是GA进化的“指挥棒”。对于多目标问题我们不再返回一个标量值而是一个目标向量。例如对于一个解路径我们计算f1 路径总长度米f2 路径总威胁代价无量纲或按距离加权f3 路径最大曲率或总转角变化量用于衡量平滑度在NSGA-II框架下算法会根据“非支配排序”和“拥挤度距离”来比较这些向量决定哪些个体更优秀。非支配排序确保优先选择那些不被其他解全面超越的个体拥挤度距离则用于在同等非支配层级中优先选择周围解比较稀疏的个体以保持种群多样性避免收敛到前沿上的一个点。注意适应度计算是算法最耗时的部分尤其是涉及复杂的地理信息查询如判断线段是否与障碍物相交时。一定要做好性能优化比如使用空间索引如四叉树、R树来加速碰撞检测或者对代价地图进行预计算。3. Python实现核心架构与关键模块3.1 环境搭建与工具选型工欲善其事必先利其器。以下是实现该项目推荐的核心Python库NumPy: 数值计算基础处理坐标、矩阵运算。DEAP (Distributed Evolutionary Algorithms in Python):强烈推荐。这是一个强大的进化计算框架原生支持多目标优化包括NSGA-II提供了丰富的选择、交叉、变异算子以及完整的进化流程工具。能让我们专注于问题建模而不是重复造轮子。Matplotlib: 可视化必备。用于绘制地图、障碍物、进化中的路径、帕累托前沿等。SciPy: 可选用。其空间模块和插值模块如scipy.interpolate用于B样条非常有用。Shapely: 处理几何对象点、线、面的利器用于高效的碰撞检测和几何计算。安装非常简单使用pip即可pip install numpy deap matplotlib scipy shapely3.2 核心类与数据结构设计一个清晰的项目结构能让开发事半功倍。我主要设计了以下几个核心类Environment: 环境类。负责加载地图可以是栅格地图或基于坐标的几何描述定义障碍物区域用Shapely的Polygon表示并提供check_collision(segment)方法来快速检测给定线段是否与任何障碍物相交。还可以在这里预计算一个“代价地图”加速适应度评估。PathIndividual: 个体类。继承自DEAP的creator创建的类。其主要属性就是chromosome染色体即航点序列列表。它包含一个fitness属性是一个多维的Fitness对象例如weights(-1.0, -1.0)表示两个目标都要最小化。GeneticPathPlanner: 规划器主类。这个类整合了所有逻辑初始化种群。定义适应度评估函数evaluate(individual)。注册遗传算子选择、交叉、变异。运行进化循环。提供结果分析和可视化方法。3.3 遗传算子定制交叉与变异标准GA的交叉和变异算子如两点交叉、位翻转对于序列编码不太适用。我们需要专门为路径规划问题设计算子。交叉算子 (Crossover):有序交叉 (OX): 这是解决TSP问题的经典交叉算子。它从父代1中随机截取一段子序列放入子代的相同位置然后从父代2中按顺序填入剩余城市跳过子代中已存在的城市。这样可以保证子代仍然是有效排列。基于位置的交叉 (PBX): 随机选择一些位置将父代1在这些位置上的城市直接复制给子代然后从父代2中按顺序填充空缺。同样能保证有效性。在DEAP中我们可以这样注册一个自定义的OX交叉算子import random from deap import tools def cxOrdered(ind1, ind2): 实现有序交叉(OX)。 size min(len(ind1), len(ind2)) a, b random.sample(range(size), 2) if a b: a, b b, a # 保留中间段 hole1 [i for i in ind2 if i not in ind1[a:b]] hole2 [i for i in ind1 if i not in ind2[a:b]] ind1[a:b], ind2[a:b] ind2[a:b], ind1[a:b] ind1[:a] hole1[:a] ind1[b:] hole1[a:] ind2[:a] hole2[:a] ind2[b:] hole2[a:] return ind1, ind2 # 在工具箱中注册 toolbox.register(mate, cxOrdered)变异算子 (Mutation):交换变异 (Swap Mutation): 随机选择染色体上的两个位置交换其值。简单有效。倒位变异 (Inversion Mutation): 随机选择一段子序列将其内部顺序反转。这种变异能产生较大的变化有助于跳出局部最优。插入变异 (Insertion Mutation): 随机选择一个基因将其插入到另一个随机位置。def mutSwap(individual, indpb): 以概率indpb交换两个位置。 size len(individual) for i in range(size): if random.random() indpb: swap_idx random.randint(0, size-2) if swap_idx i: swap_idx 1 individual[i], individual[swap_idx] individual[swap_idx], individual[i] return individual, toolbox.register(mutate, mutSwap, indpb0.05) # 每个基因有5%的概率发生交换3.4 多目标优化核心NSGA-II的实现DEAP内置了对NSGA-II的支持这使得实现变得异常简单。核心步骤如下创建适应度类型和个体类定义我们要最小化的目标个数。创建工具箱注册个体创建、种群初始化、适应度评估、选择、交叉、变异等方法。使用tools.selNSGA2进行选择这是NSGA-II算法的核心选择算子它综合考虑了非支配排序和拥挤度距离。进化循环使用varAnd交叉和变异和selNSGA2来生成新一代种群。关键代码框架如下from deap import base, creator, tools, algorithms # 定义适应度两个目标最小化 creator.create(FitnessMulti, base.Fitness, weights(-1.0, -1.0)) creator.create(Individual, list, fitnesscreator.FitnessMulti) toolbox base.Toolbox() # ... 注册属性生成、个体初始化、评估、交叉、变异函数 ... # 注册选择算子为NSGA-II toolbox.register(select, tools.selNSGA2) # 初始化种群 population toolbox.population(n300) # 评估初始种群 fitnesses list(map(toolbox.evaluate, population)) for ind, fit in zip(population, fitnesses): ind.fitness.values fit # 开始进化 for gen in range(100): # 迭代100代 # 选择下一代父代 offspring toolbox.select(population, len(population)) # 克隆选中的个体 offspring list(map(toolbox.clone, offspring)) # 对子代应用交叉和变异 for child1, child2 in zip(offspring[::2], offspring[1::2]): if random.random() CXPB: toolbox.mate(child1, child2) del child1.fitness.values del child2.fitness.values for mutant in offspring: if random.random() MUTPB: toolbox.mutate(mutant) del mutant.fitness.values # 评估所有新的个体 invalid_ind [ind for ind in offspring if not ind.fitness.valid] fitnesses map(toolbox.evaluate, invalid_ind) for ind, fit in zip(invalid_ind, fitnesses): ind.fitness.values fit # 用子代完全替换父代这是简单实现也可用精英保留 population[:] offspring # 可选每代记录一些统计信息4. 从粗糙序列到可飞路径平滑与可行性处理4.1 路径平滑B样条曲线应用遗传算法优化出的航点序列是离散的直接连接形成的折线路径不适合无人机飞行。我们需要进行平滑处理。B样条曲线因其局部可控性和天然的光滑特性成为机器人路径规划的常用工具。原理简述B样条曲线由控制点、节点向量和基函数定义。给定n1个控制点P_i和阶数k可以生成一条C^(k-1)连续的曲线。我们可以将遗传算法得到的航点作为拟合目标反算出B样条的控制点从而生成一条平滑且逼近原始航点的曲线。Python实现使用SciPyimport numpy as np from scipy.interpolate import splprep, splev def smooth_path_with_bspline(waypoints, num_points100, smoothness3): 使用B样条平滑路径。 Args: waypoints: 原始航点序列形状为 (n, 2) 或 (n, 3) 的数组。 num_points: 平滑后路径的采样点数。 smoothness: B样条平滑系数值越大曲线越平滑但可能偏离原始点越多。 Returns: smoothed_path: 平滑后的路径点数组。 waypoints np.array(waypoints) # 确保路径是闭合的还是开放的对于无人机通常是开放路径。 # 使用 splprep 进行参数化B样条拟合 tck, u splprep(waypoints.T, uNone, k3, ssmoothness) # k3为三次样条 # 在参数空间均匀采样生成平滑路径 u_new np.linspace(u.min(), u.max(), num_points) smoothed_path np.column_stack(splev(u_new, tck)) return smoothed_path实操心得s参数是关键。s0是插值强制曲线穿过所有航点但可能不够平滑s值越大平滑度越高但曲线可能会偏离原始航点。需要根据无人机的最小转弯半径和任务精度要求来权衡。可以先取一个较小的s值如路径总长度的0.1%到1%可视化检查平滑度和贴合度。4.2 动态约束整合转弯半径与爬升率平滑后的路径还需要满足无人机的动力学约束。最主要的两个是最小转弯半径无人机不能像汽车一样原地转弯。我们可以通过计算路径上每一点的曲率κ来检查。曲率半径R 1/|κ|。要求R R_min无人机的最小转弯半径。对于B样条曲线曲率有解析公式但计算稍复杂。一个实用的近似方法是在平滑路径上密集采样计算相邻三点构成圆的半径检查是否都大于R_min。最大爬升/下降率对于3D路径需要计算相邻路径点的高度差除以水平距离得到爬升角。要求其正切值不超过无人机最大爬升率对应的角度。如果路径不满足约束我们有几种处理策略惩罚函数法在适应度函数中增加惩罚项。例如fitness_penalty sum(max(0, R_min - R_i)) * penalty_weight。这种方法简单但惩罚权重需要仔细调整否则进化可能早期收敛到不可行解或者完全忽略约束。修复法在评估个体后主动修复违反约束的路径段。例如如果某处转弯太急可以在该处插入额外的航点或者局部调整B样条控制点使曲率降低。修复法能保证最终解可行但实现更复杂且可能改变个体的“基因”本质。可行性优先选择在NSGA-II的选择过程中修改排序规则让所有可行解支配不可行解并在不可行解中根据约束违反程度排序。DEAP可以通过自定义tools.sortNondominated函数来实现。在我的项目中初期使用了惩罚函数法进行快速验证后期为了获得更可靠的路径转向了可行性优先选择与局部修复相结合的策略。4.3 环境交互与实时避障考量上述规划属于全局静态路径规划即假设环境信息完全已知且不变。但真实环境中可能存在动态障碍物如其他无人机、飞鸟或突发禁飞区。这时就需要引入局部重规划或反应式避障。我们的遗传算法全局规划器可以与局部规划器如动态窗口法DWA、人工势场法APF结合分层架构全局规划器生成一条粗略的参考路径。无人机沿此路径飞行。局部感知机载传感器视觉、激光雷达实时探测周围环境。局部重规划当检测到路径前方有动态障碍物时局部规划器以当前状态和全局路径的下一段子目标为依据在线计算一条无碰撞的局部路径绕过障碍物。全局路径更新如果障碍物是永久的或者局部偏离太大可以触发全局路径的重新规划。此时可以将当前无人机位置作为新的起点剩余目标点作为任务点再次调用我们的遗传算法规划器但需要在更短的时间内通过减小种群大小或迭代次数得到一个更新后的全局路径。这种“全局局部”的框架是当前无人机和机器人导航中的主流做法。我们的遗传算法项目完美地扮演了全局规划器的角色。5. 参数调优、结果分析与实战踩坑记录5.1 遗传算法参数调优指南遗传算法的性能很大程度上依赖于参数设置。没有放之四海而皆准的“最佳参数”但有一些经验性的起点和调优方向参数典型范围/值影响与调优建议种群大小 (pop_size)50 - 500越大搜索能力越强但每代计算越慢。问题越复杂目标点多种群应越大。可以从100-200开始。迭代代数 (ngen)50 - 1000代数越多越可能收敛到更好的帕累托前沿。可以通过观察前沿变化曲线来判断收敛。通常200-500代对于中等规模问题足够。交叉概率 (CXPB)0.7 - 0.9控制探索新区域的能力。太高0.9可能导致优秀基因结构被破坏太低0.6则搜索缓慢。常用0.8。变异概率 (MUTPB)0.01 - 0.2维持种群多样性、避免早熟的关键。对于序列编码每个基因的变异概率indpb通常设得较低0.01-0.1。总变异概率可以稍高。选择算子selNSGA2NSGA-II的核心。其“拥挤度距离”计算中的ndim参数通常设为目标函数个数。精英保留通常启用DEAP的eaMuPlusLambda或自定义循环中保留上代最优个体能保证进化不倒退。调优流程建议固定其他调种群和代数先用一组默认的CXPB(0.8)、MUTPB(0.1)尝试不同的种群大小如50, 100, 200和代数100, 300观察最终帕累托前沿的分布和质量目标值、多样性。找到能稳定找到较好解的最小种群和代数组合以平衡效果和效率。调整交叉与变异概率在第一步的基础上微调CXPB和MUTPB。如果发现种群过早收敛所有个体很快变得相似尝试提高MUTPB或降低CXPB。如果发现进化缓慢、不稳定尝试降低MUTPB或提高CXPB。可视化监控每代或每N代绘制当前种群在所有目标函数空间中的分布散点图以及历代最优前沿的演进动画。这是最直观的调试工具。5.2 结果可视化从数据到洞察可视化不仅能展示结果更是调试和理解的利器。我通常会做以下几类图环境与路径图在二维地图上绘制障碍物、起点、目标点并用不同颜色线条叠加绘制帕累托前沿中的几条代表性路径如最短路径、最安全路径、折中路径。帕累托前沿图对于两个目标的问题可以绘制二维散点图X轴和Y轴分别代表两个目标函数值如长度 vs 威胁代价。每一代的非支配解用不同颜色或深浅表示可以清晰看到前沿的收敛过程。进化过程动画将上述帕累托前沿图按代生成序列合成GIF或视频直观展示种群的进化动态。路径属性分析图对于选定的最终路径可以绘制其高度剖面图、曲率变化图、速度/加速度建议剖面图基于动力学模型评估其可飞性。使用Matplotlib的示例代码片段绘制帕累托前沿import matplotlib.pyplot as plt def plot_pareto_front(population, gen): 绘制某一代种群的帕累托前沿。 fits np.array([ind.fitness.values for ind in population]) # 找出非支配解 front tools.sortNondominated(population, len(population), first_front_onlyTrue)[0] front_fits np.array([ind.fitness.values for ind in front]) plt.figure(figsize(10, 6)) plt.scatter(fits[:, 0], fits[:, 1], cblue, alpha0.5, s20, labelfGen {gen} Population) if len(front_fits) 0: # 按第一个目标排序后连线更美观 sorted_front front_fits[front_fits[:, 0].argsort()] plt.plot(sorted_front[:, 0], sorted_front[:, 1], r-, linewidth2, labelPareto Front) plt.scatter(front_fits[:, 0], front_fits[:, 1], cred, s50, edgecolorsk, labelNon-dominated) plt.xlabel(Total Path Length (m)) plt.ylabel(Total Threat Cost) plt.title(fMulti-objective Optimization - Generation {gen}) plt.legend() plt.grid(True, alpha0.3) plt.tight_layout() plt.savefig(fpareto_gen_{gen:04d}.png, dpi150) plt.close()5.3 实战踩坑与性能优化记录在实现和调试过程中我遇到了不少坑这里分享出来希望能帮你节省时间坑1适应度计算成为性能瓶颈现象进化速度极慢尤其是种群规模稍大200时每代都要等很久。根因原始的碰撞检测是遍历路径的每一段线段与每一个障碍物进行相交判断复杂度是O(路径段数 × 障碍物数)。解决空间索引使用shapely.strtree.STRtree为所有障碍物构建R树索引。碰撞检测时先快速查询可能与当前线段相交的少数几个障碍物再进行精确判断。性能提升一个数量级。代价地图预计算对于栅格化地图可以预先计算每个栅格的威胁代价。评估路径代价时只需对路径经过的栅格进行采样和累加避免了复杂的几何运算。并行评估DEAP支持利用multiprocessing或concurrent.futures并行计算种群中个体的适应度。这对于计算密集型的评估函数效果显著。坑2算法早熟多样性丢失现象迭代几十代后种群中所有个体几乎一模一样帕累托前沿不再改善。根因选择压力过大或变异概率过低导致优秀个体迅速占据种群基因多样性枯竭。解决增加变异概率适当提高变异算子的概率特别是使用“倒位”这种能产生较大变化的变异算子。使用锦标赛选择在NSGA-II选择前可以先用一轮锦标赛选择来增加多样性虽然NSGA-II本身有拥挤度距离来保持多样性但结合使用有时效果更好。检查交叉算子确保交叉算子不会产生大量无效个体如重复访问的路径无效个体会被赋予极差的适应度从而被快速淘汰变相降低了多样性。坑3生成的路径“抖动”或不平滑现象即使使用了B样条平滑最终路径在某些局部仍有不必要的微小曲折。根因遗传算法优化的航点序列可能在某些区域过于密集或不规则导致拟合出的B样条曲线产生震荡。解决路径点均匀化预处理在将航点序列送给B样条拟合前先对序列进行重采样使得航点间距离大致均匀。调整B样条平滑参数增加s参数但要注意不能偏离原始任务点太多。在适应度中引入路径长度惩罚对于B样条控制点编码可以直接在适应度中加入对控制点之间距离的均匀性惩罚项。坑4三维规划中高度处理不当现象在3D场景中规划出的路径可能出现垂直方向的“过山车”不符合无人机飞行特性。根因将高度Z坐标与其他坐标X, Y同等对待进行交叉和变异破坏了高度变化的连续性约束。解决分层规划先进行二维X, Y路径规划再根据地形高程数据或固定飞行高度为路径分配高度。独立高度通道在染色体编码中将XY坐标和Z坐标分开处理。设计专门的、考虑爬升率约束的高度变异算子例如只允许高度在小范围内渐变。在适应度函数中强化高度惩罚对相邻点间的高度差与水平距离之比即爬升角进行严格惩罚。6. 项目扩展与工程化思考6.1 引入更多现实约束要让算法更贴近实际应用可以考虑引入更多约束续航约束将路径总长度与无人机续航里程关联超过则适应度急剧变差。通信链路约束模拟基站覆盖范围要求路径始终处于通信范围内或中断时间不超过阈值。任务时间窗口某些目标点需要在特定时间段访问这变成了带时间窗的路径规划问题VRPTW编码和适应度函数需要相应调整。多机协同扩展为多无人机协同规划需要分配任务并避免碰撞。染色体可以编码为多条路径的集合并引入新的目标如“最大任务完成时间最小化”makespan和防碰撞惩罚。6.2 与ROS和飞控集成Python实现的规划器可以作为ROS机器人操作系统中的一个节点。其典型工作流如下输入通过ROS话题Topic或服务Service接收任务请求包括起点、目标点列表、地图数据如OccupancyGrid。规划运行遗传算法得到一组帕累托最优路径。决策提供一个简单的决策逻辑如加权和或人机交互界面从帕累托前沿中选择一条最终路径。输出将最终路径发布为nav_msgs/Path类型的ROS消息包含一系列geometry_msgs/PoseStamped。执行下游的局部规划器如ROS的move_base或直接飞控接口订阅此路径控制无人机飞行。也可以将适应度评估中的碰撞检测模块与ROS的costmap_2d包结合直接使用实时更新的代价地图进行评估使规划更贴近真实的感知数据。6.3 算法改进方向基础的遗传算法NSGA-II已经能解决很多问题但仍有改进空间混合智能算法引入局部搜索算子。例如在每代进化后对帕累托前沿上的某些优秀个体使用模拟退火、变邻域搜索等进行局部精细优化提升解的质量。自适应参数让交叉概率、变异概率随着进化代数或种群多样性自适应变化。例如当种群多样性下降时自动增加变异概率。偏好注入标准的NSGA-II寻找整个帕累托前沿。但有时决策者可能有明确的偏好如“路径长度比安全性重要一倍”。可以引入参考点法如NSGA-III或基于偏好的排序方法让搜索更集中在决策者感兴趣的前沿区域。并行与分布式计算将大规模种群评估分布到多台机器或多核CPU上进行显著缩短规划时间满足部分实时性要求。这个项目从理论到实践走通了一遍最大的体会是优化算法的魅力在于将复杂的工程问题转化为可计算的模型并通过迭代自动寻找优质解。虽然遗传算法不能保证找到数学上的最优解但在面对像无人机多目标路径规划这样复杂、多约束、黑箱的问题时它提供了一种非常强大且灵活的求解思路。把代码跑起来看着散点图上的帕累托前沿一代代向更好的方向移动最终生成几条可供选择的飞行路径那种感觉是非常实在的。