近年来随着科学技术的发展，无人机已广泛应用于农业、电力、通信、影视、气象、勘探、执法、救援和快递等诸多行业.随着无人机面对的工作环境日益复杂，无人机的路径规划就显得尤其重要.关于如何在复杂障碍环境下，快速找到距离更短、安全性更高、无碰撞、能耗更低且更符合无人机运动约束的路径是目前亟待解决的问题之一.目前无人机的路径规划方法主要有A*搜索算法[1]、RRT算法[2]、遗传算法[3]和速度障碍法[4]等.A*搜索算法是最直接有效的搜索方法，但只适用于静态环境；基于随机规划方法的RRT算法鲁棒性良好且可以处理多约束条件问题，但算法节点的随机采样性导致该算法得到的路径往往不是最优值；遗传算法通过个体的多次迭代筛选从而得到最佳避障路径，具有较好的鲁棒性和寻优能力，但寻优速度难以控制，运算速度较慢，往往需要大量的时间和运行内存；速度障碍法可以较好地应对障碍环境中运动的障碍物，但计算复杂度较高.本研究为使算法更具实际工程意义，引入新的成本函数，将路径规划转换为一个函数求解问题，包含障碍物威胁、飞行高度等地图约束条件与俯仰角、偏航角等平稳约束条件[5,6].总成本函数计算出的适应度值越低，则代表规划出的无人机路径越平稳且安全.沙猫群优化算法(sandcatswarmoptimiza⁃tion,SCSO)是2022年提出的元启发式优化算法[7]，该算法灵感来源于沙猫的捕食行为，沙猫群会通过搜索阶段和捕食阶段获得食物.其中算法额外使用自适应的rG和R以达到搜索阶段和捕食阶段的无缝切换.该算法具有寻优能力强、收敛速度快等特点，但仍存在全局探索能力较弱、算法后期易陷入局部最优等缺点.提高算法性能有多种策略[8]，如准反向学习策略[9]可以提高种群多样性，增强算法的搜索空间，因此本文将准反向学习策略引入沙猫群优化算法，形成融合准反向学习策略的沙猫群优化算法(quasireflectionlearningsandcatswarmoptimization,QRLSCSO)，以增强算法全局搜索能力和跳出局部最优的能力.为验证QRLSCSO算法在实际应用中的有效性，对7种不同的群智能算法在5种不同的障碍模型下进行对比.仿真实验结果表明，QRLSCSO算法比其他算法的避障能力更强，寻优性更好，且在不同的障碍环境中都能够找到最优路径，有效验证了该算法在无人机三维路径规划中的工程实用性.改进沙猫群优化算法的无人机三维路径规划贾鹤鸣，王琢，文昌盛，饶洪华，苏媛媛（三明学院信息工程学院,福建三明365004）摘要：为提高无人机在复杂三维障碍环境中的路径规划效率及准确性,...
