1.摘要
由于道路曲率穿透和参数不确定性带来的侧向偏差，自动驾驶车辆控制器面临提供准确、快速响应及小幅超调等性能挑战。本文提出了一种基于维度狩猎学习（DLH）机制改进秃鹰搜索算法（IBES）。此外，通过基于Hermite-Biehler定理的频率域界限，优化模型预测控制（MPC）的调整，以适应AV速度和道路曲率的变化。
2.秃鹰搜索算法BES原理
3.改进策略
在秃鹰搜索（BES）算法中，秃鹰依靠先前所有解
P
m
e
a
n
P_{mean}
Pmean来构建新解，但这种方法导致收敛缓慢、容易陷入局部最优，并且早期失去多样性。为了解决这些问题，本文引入了一种基于维度学习的狩猎（DLH）策略，通过从邻近秃鹰的学习中更新每只秃鹰的位置。DLH策略为种群中每只秃鹰生成额外的候选解，并通过计算每只秃鹰当前位置与候选位置之间的欧几里得距离，以精细化搜索过程。
E
i
=
∥
P
i
–
P
i
–
B
E
S
,
n
e
w
∥
E_i=\|P_i–P_{i–BES,new}\|
Ei=∥Pi–Pi–BES,new∥
根据欧几里得距离
E
i
E_i
Ei，推导出每只秃鹰
P
i
P_i
Pi的邻居
N
i
N_i
Ni：
N
i
=
{
P
j
∣
D
i
(
P
i
,
P
j
)
≤
N
i
,
P
j
∈
P
o
p
u
l
a
t
i
o
n
}
N_i= \begin{Bmatrix} P_j|D_i\left(P_i,P_j\right)\leq N_i,P_j\in Population \end{Bmatrix}
Ni={Pj∣Di(Pi,Pj)≤Ni,Pj∈Population}
其中，
D
i
D_i
Di 是
P
i
P_i
Pi和
P
j
P_j
Pj之间的欧几里得距离。通过邻居和随机选定的秃鹰学习得到的秃鹰
P
i
P_i
Pi的新解决方案的每个维度将按照以下方式更新：
P
i
−
D
L
H
,
n
e
w
=
P
i
+
r
a
n
d
×
(
P
n
−
P
r
)
P_{i-DLH,new}=P_i+rand\times(P_n-P_r)
Pi−DLH,new=Pi+rand×(Pn−Pr)
贪心保留：
P
i
,
n
e
w
=
{
P
i
−
B
E
S
,
n
e
w
,
i
f
f
(
P
i
−
B
E
S
)
<
f
(
P
i
−
D
L
H
)
P
i
−
D
L
H
,
n
e
w
,
\left.P_{i,new}=\left\{ \begin{array} {c}P_{i-BES,new},iff(P_{i-BES})<f(P_{i-DLH}) \\ P_{i-DLH,new}, \end{array}\right.\right.
Pi,new={Pi−BES,new,iff(Pi−BES)<f(Pi−DLH)Pi−DLH,new,
流程图
4.结果展示
5.参考文献
[1] Elsisi M, Essa M E S M. Improved bald eagle search algorithm with dimension learning-based hunting for autonomous vehicle including vision dynamics[J]. Applied Intelligence, 2023, 53(10): 11997-12014.