Bu tədqiqat, maneələrin və təhlükə zonalarının olduğu mühitlərdə pilotsuz uçuş aparatları üçün həyata keçirilə bilən marşrut yaratmaq məqsədilə Multi-Strategy Cooperative Differential Evolution Algorithm (MuCDEA) adlı əməkdaşlığa əsaslanan diferensial təkamül çərçivəsi hazırlayır. Yanaşma müxtəlif diferensial təkamül strategiyalarını ayrı alt populyasiyalarda işlədir, onların performansını müəyyən aralıqlarla qiymətləndirir və daha uğurlu strategiyaya daha böyük populyasiya payı ayırır. Metod 2B və 3B olmaqla ümumilikdə 20 yol planlaşdırma halında, iki fərqli yol diskretləşdirmə səviyyəsində və hər hal üçün 30 müstəqil işə salınma ilə müqayisə edildi. CEC-2022 əsaslı ümumi qiymətləndirmədə JADE, SaDE və SHADE-in birlikdə istifadə edildiyi MuCDEA24, 292823 xalla birinci, SHADE isə 290737 xalla ikinci yeri tutdu. Bununla belə, tədqiqat real uçuş sınağı deyil; nəticələr sabit maneələrin istifadə olunduğu ədədi yol planlaşdırma problemlərinə əsaslanır.
UAV yol planlaşdırma problemi yalnız başlanğıc ilə hədəf arasında ən qısa xəttin tapılması kimi nəzərdən keçirilmir. Məqsəd funksiyasında yol uzunluğunu təmsil edən yanacaq xərci ilə təhlükə zonalarına məruz qalma birlikdə qiymətləndirilir. Bundan əlavə, ardıcıl yol hissələrində tangaj və sapma bucaqları məhdudlaşdırılaraq həddən artıq aqressiv manevrlərin qarşısının alınmasına çalışılır. Beləliklə, alqoritm yalnız qısa deyil, maneələrdən yayınan və uçuş həndəsəsi baxımından daha həyata keçirilə bilən yollar yaratmağa yönəldilir.
MuCDEA24-ün gücü bütün sınaqlarda ayrı-ayrılıqda ən yaxşı nəticəni verməsindən irəli gəlmir. SHADE 20 halın səkkizində birinci olduğu halda MuCDEA24 yeddi halda birinci oldu; lakin MuCDEA24 heç bir halda beşinci yerdən aşağı düşmədi. Tədqiqatın ümumi sıralamasında bu daha sabit davranış həlledici oldu. Tədqiqatçılar müxtəlif axtarış strategiyalarının əməkdaşlığının dəyişən maneə paylanmalarına və problem ölçülərinə qarşı daha tarazlı kəşf-istismar münasibəti yarada bildiyini göstərirlər.
Ümumi performans təhlilində MuCDEA24-ün 20 hal üzrə orta məqsəd funksiyası dəyəri 2538,42, SHADE-in isə 3450,70 olaraq bildirildi. Bu, tədqiqatdakı hesablamaya görə orta məqsəd funksiyası baxımından təxminən %26,4 azalma deməkdir. Məqsəd funksiyasının standart sapmasında da SHADE ilə müqayisədə təxminən %51,4 azalma bildirildi. Buna qarşılıq orta yol uzunluğu MuCDEA24 üçün 1750,91, SHADE üçün 1741,37 olaraq verildi. Buna görə MuCDEA24-ün üstünlüyü yalnız daha qısa yol yaratmaq deyil; təhlükə xərci, həyata keçirilə bilmə və nəticə sabitliyinin birlikdə qiymətləndirilməsindən qaynaqlanır.
MuCDEA24-ün orta simulyasiya müddəti hər işə salınma üçün 3,38 saniyədir. Bu dəyər SHADE-in 3,32 saniyəsinə və MuCDEA5-in 3,27 saniyəsinə yaxındır. Lakin bu müddətlər istifadə olunan eksperimental hesablama şəraitindəki optimallaşdırma müddətləridir və metodun real bir UAV üzərində real vaxtda yenidən planlaşdırma apara bildiyini sübut etmir.
Türkiyə baxımından qiymətləndirmə: Belə bir metod; avtonom hava vasitələrinin mürəkkəb ərazilərdə marşrut yaratması, infrastrukturun yoxlanması, axtarış-xilasetmə və ya çatılması çətin bölgələrdə uçuş planlaşdırması kimi sahələr baxımından tədqiqat dəyəri daşıyır. Lakin Türkiyədəki real əməliyyatlara tətbiq üçün yerli uçuş məhdudiyyətləri, real xəritə və sensor məlumatları, külək, hərəkətli maneələr, batareya sərfiyyatı, rabitə şəraiti və vasitənin dinamikası ayrıca doğrulanmalıdır. Bu tədqiqat bunların sahə tətbiqini göstərmir.
Tədqiqatın əsas problemi nədir?
Pilotsuz uçuş aparatı yol planlaşdırmasında məqsəd başlanğıc və hədəf nöqtələri arasında yalnız həndəsi baxımdan qısa yol tapmaq deyil. Yol maneələri kəsməməli, təhlükə zonalarından mümkün qədər uzaq keçməli və vasitənin yerinə yetirə bilməyəcəyi qədər kəskin istiqamət dəyişiklikləri ehtiva etməməlidir. Mühit 3B olduqda və maneələrin sayı artdıqda mümkün yol kombinasiyalarının sayı da sürətlə artır.
Tədqiqatda klassik A*, Dijkstra və potensial sahə kimi metodların müəyyən problem strukturlarındakı əhəmiyyətinə toxunularkən, yüksəkölçülü və qeyri-xətti davamlı optimallaşdırma problemləri üçün populyasiya əsaslı metaevristik metodlara diqqət yetirilir. Tədqiqatın mərkəzində Diferensial Təkamül (Differential Evolution, DE) ailəsi dayanır.
Diferensial təkamül necə işləyir?
Standart DE populyasiyadakı namizəd həllər arasındakı fərqlərdən istifadə edərək yeni həll vektorları yaradır. Əsas DE/rand/1 mutasiyası tədqiqatda aşağıdakı şəkildə verilir:
\[ v_i^{G+1}=x_{r1}^{G}+F\left(x_{r2}^{G}-x_{r3}^{G}\right) \]
Burada \(F\) fərq vektorunun miqyaslama əmsalıdır. Mutasiyadan sonra çarpazlaşdırma və seçim tətbiq edilir. Daha yeni DE variantları isə mutasiya strategiyasını, çarpazlaşdırma nisbətini, arxiv istifadəsini, parametr uyğunlaşdırmasını və ya populyasiya davranışını dəyişdirərək fərqli problem strukturlarında daha yaxşı performans əldə etməyə çalışır.
MuCDEA-nın əsas yeniliyi
MuCDEA-nın yanaşması yalnız bir neçə mutasiya operatorunu eyni DE daxilində növbə ilə istifadə etmək deyil. Başlanğıc populyasiyası seçilmiş DE alqoritmlərinə uyğun ayrı alt populyasiyalara bölünür. Tədqiqatda istifadə edilə bilən strategiya hovuzu JADE, CoDE, EPSDE, SaDE, MIDE və SHADE-dən ibarətdir.
Hər alt populyasiya öz alqoritminin davranışına uyğun təkamül keçirir. Müəyyən yenidən qiymətləndirmə aralıqlarında hər strategiyanın yaxın dövrdə yaratdığı yaxşılaşma alt populyasiyanın ölçüsünə görə normallaşdırılır:
\[ \Delta R(j)=\frac{\Delta G(j)}{\max(1,|I_j|)} \]
Ən yüksək normallaşdırılmış yaxşılaşmanı təmin edən strategiya həmin dövrün ən uğurlu strategiyası kimi seçilir. Ümumi populyasiyanın baza payı
\[ s=\left\lfloor \frac{NP}{M+1}\right\rfloor \]
kimi müəyyən edilərkən qalan fərdlərin sayı
\[ r=NP-s(M+1) \]
şəklində hesablanır. Seçilmiş ən yaxşı strategiya \(2s+r\) fərd, digər strategiyalar isə \(s\) fərd alır. Beləliklə, sistem uğurlu axtarış davranışına daha çox hesablama resursu ayırarkən, digər strategiyaları tamamilə sıradan çıxarmadığı üçün müxtəlifliyi qorumağa çalışır.
Araşdırılan MuCDEA konfiqurasiyaları
- MuCDEA24: JADE + SaDE + SHADE
- MuCDEA5: JADE + SHADE
- MuCDEA14: SaDE + SHADE
Nəticələrin mühüm məqamlarından biri daha çox alqoritmi əməkdaşlığa cəlb etməyin avtomatik olaraq daha yaxşı nəticə verməməsidir. MuCDEA14 ümumi sıralamada altıncı olduğu halda onu təşkil edən SHADE ikinci, SaDE isə dördüncü yeri tutdu. Bu nəticə əməkdaşlıq strukturunun uğurunun istifadə olunan strategiyaların bir-birini həqiqətən tamamlamasından asılı olduğuna işarə edir.
UAV yol planlaşdırma probleminin qurulması
2B təcrübələrdə başlanğıc nöqtəsi \((0,0)\), hədəf \((1000,1000)\); 3B təcrübələrdə başlanğıc \((0,0,0)\), hədəf \((1000,1000,1000)\) olaraq təyin edildi. Beş 2B və beş 3B əsas maneə düzümü iki fərqli yol diskretləşdirmə səviyyəsi ilə qiymətləndirilərək ümumilikdə 20 test halı yaradıldı.
- Cases 1–5: 2B, \(d=10\)
- Cases 6–10: 3B, \(d=10\)
- Cases 11–15: 2B, \(d=20\)
- Cases 16–20: 3B, \(d=20\)
\(d=20\) istifadəsi marşrutun daha çox aralıq nöqtə ilə müəyyən edilməsinə imkan verir. Tədqiqatdakı 2B və 3B yol təsvirləri daha yüksək diskretləşdirmə səviyyəsində maneələr ətrafındakı dönüşlərin və hündürlük dəyişikliklərinin daha mərhələli şəkildə tənzimlənə bildiyini göstərir. Bunun müqabilində qərar dəyişənlərinin sayı və optimallaşdırma yükü artır.
Məqsəd funksiyası
Ümumi yol xərci yanacaq/yol xərci ilə təhlükə xərcinin çəkili birləşməsi kimi müəyyən edilir:
\[ J_{total}=\alpha J_{fuel}+(1-\alpha)J_{threat} \]
UAV sürətinin sabit qəbul edilməsi səbəbindən \(J_{fuel}\) birbaşa ətraflı elektrik gücü və ya batareya sərfiyyatı modeli deyil; həndəsi yol uzunluğu enerji/yanacaq xərci üçün əvəzləyici dəyişən kimi istifadə olunur. Təhlükə xərci isə yolun hər hissəsindəki beş nümunə götürmə nöqtəsinin təhlükə mərkəzlərinə olan məsafələrinə əsasən hesablanır. Təhlükə və ya maneə zonasını kəsən marşrutların məqsəd funksiyası böyük cəza alır.
Mənbə qeydi: Tədqiqatdakı Tənlik (18)-də ilk ifadə \(\alpha J_{fuel}+(1-\alpha)J_{threat}\) formasında olduğu halda, dərhal ardınca verilən inteqral açılımında yanacaq inteqralının önündə \(\alpha\) əmsalı görünmür. Bu məzmunda mənbə səssizcə düzəldilməyib; əsas tərif tədqiqatda verilən ilk ifadəyə uyğun çatdırılıb.
Uçuş həndəsəsi məhdudiyyətləri
Yol hissələri arasındakı tangaj və sapma dəyişiklikləri də məhdudlaşdırılıb:
\[ \theta_k= \left| \arctan\left( \frac{z_{k+1}-z_k}{x_{k+1}-x_k} \right) \right| \leq \theta_{\max} \]
\[ \Phi_k= \left| \arctan\left( \frac{y_{k+1}-y_k}{x_{k+1}-x_k} \right) \right| \leq \Phi_{\max} \]
Bu məhdudiyyətlər yol planlaşdırıcının həddən artıq kəskin manevrlər yaratmasını azaldır. Lakin bunlar tam aktuator modeli deyil. Mühərrik/servo doyumu, dəyişmə sürəti məhdudiyyətləri və ətraflı enerji sərfiyyatı mövcud tədqiqatın optimallaşdırma modelində birbaşa modelləşdirilməyib.
Müqayisə və statistik qiymətləndirmə
Hər alqoritm hər hal üçün 30 müstəqil dəfə işə salındı. Bütün metodlara eyni funksiya qiymətləndirmə büdcəsi tətbiq edildi. Nəticələrin ümumi müqayisəsində CEC-2022 əsaslı sıralama metodu istifadə edildi. Hər hal üçün müstəqil işə salınmalardan əldə edilən nəticələr birlikdə sıralanır və alqoritmlərin sıralama xalları daha sonra 20 hal boyunca birləşdirilir. Daha yüksək ümumi xal daha güclü ümumi performansı ifadə edir.
MuCDEA24 niyə birinci oldu?
MuCDEA24 ümumilikdə 292823 xalla ümumi sıralamada birinci, SHADE isə 290737 xalla ikinci oldu. İki metod arasındakı xal fərqi məhdud olduğuna görə nəticə MuCDEA24-ün hər şəraitdə açıq fərqlə üstün olduğu kimi şərh edilməməlidir.
SHADE 20 halın səkkizində birinci yeri tutduğu halda MuCDEA24 yeddi halda birinci oldu. Buna qarşılıq MuCDEA24 heç bir halda beşinci yerdən aşağı düşmədi. SHADE-in bəzi hallardakı performans dalğalanmasının daha yüksək olması MuCDEA24-ün ümumi sıralamada önə çıxmasına töhfə verdi.
Xüsusilə 3B Cases 16–20-də SHADE-in beş halın hamısında birinci olması problem strukturundan asılı olaraq ayrı-ayrı alqoritmlərin hələ də MuCDEA-dan daha güclü ola biləcəyini göstərir. Buna görə tədqiqatın əsas nəticəsi “MuCDEA hər problemdə ən yaxşı alqoritmdir” deyil, əməkdaşlığa əsaslanan resurs bölgüsünün araşdırılan UAVPP test dəstində daha sabit ümumi performans təmin edə bilməsidir.
Yol uzunluğu ilə ümumi optimallaşdırma uğuru eyni şey deyil
MuCDEA24-ün 20 hal üzrə orta yol uzunluğu 1750,91 olduğu halda bu dəyər SHADE üçün 1741,37, MuCDEA14 üçün 1727,71 və MuCDEA5 üçün 1732,29 olaraq bildirildi. Buna görə ümumi sıralamada birinci olan MuCDEA24 ən qısa orta yolu yaradan metod deyil.
Bu fərq mühümdür: tədqiqatda marşrut keyfiyyəti yalnız həndəsi məsafə üzrə qiymətləndirilmir. Təhlükə zonalarından yayınma və həyata keçirilə bilmə cəzaları da məqsəd funksiyasına daxil edildiyi üçün daha qısa, lakin maneə və ya təhlükə zonaları baxımından pis yol ümumi optimallaşdırma baxımından daha aşağı keyfiyyətə malik ola bilər.
Hesablama yükü
Orta simulyasiya müddəti MuCDEA24 üçün 3,38 saniyə, SHADE üçün 3,32 saniyə və MuCDEA5 üçün 3,27 saniyədir. SaDE üçün 3,53 saniyə, EDEV üçün 3,82 saniyə, ADEDMR üçün 4,23 saniyə və LensOBLDE üçün 8,43 saniyə bildirilib. Bu nəticə MuCDEA24-ün əlavə əməkdaşlıq mexanizminin test mühitində həddən artıq hesablama yükü yaratmadığını göstərir.
Lakin yüksəkölçülü, hərəkətli maneəli və sensor məlumatlarının davamlı yeniləndiyi real UAV missiyasında real vaxtda işləmə ayrıca problemdir. Tədqiqatçılar da real vaxtlı daxili tətbiq iddiası irəli sürməzdən əvvəl profil çıxarılması, sürətləndirmə, paralelləşdirmə və avadanlıq doğrulamasının zəruri olduğunu vurğulayırlar.
Tədqiqatın dəstəklədiyi nəticələr
- MuCDEA24 araşdırılan 20 UAVPP halının ümumi CEC-2022 əsaslı sıralamasında birinci olub.
- Əməkdaşlığa əsaslanan DE yanaşması müxtəlif maneə düzülüşləri ilə 2B və 3B problemlərdə yüksək sıralama sabitliyi göstərib.
- MuCDEA24 standart DE və PSO kimi daha zəif müqayisə metodları ilə müqayisədə həyata keçirilə bilən, toqquşmasız marşrutları daha ardıcıl şəkildə yaradıb.
- MuCDEA24-ün əlavə əməkdaşlıq mexanizmi araşdırılan hesablama mühitində müqayisə edilə bilən işləmə müddəti ilə icra oluna bilib.
- Daha yüksək yol diskretləşdirilməsi marşruta daha çox həndəsi çeviklik verərkən problem ölçüsünü və hesablama yükünü artırır.
Tədqiqatın sübut etmədiyi nəticələr
- MuCDEA-nın bütün optimallaşdırma problemlərində ən yaxşı alqoritm olduğu göstərilməyib.
- Real UAV üzərində uçuş uğuru göstərilməyib.
- Real vaxtlı daxili yenidən marşrut planlaşdırması doğrulanmayıb.
- Hərəkətli maneələr və ya zamanla dəyişən uçuşa qadağan zonalar sınaqdan keçirilməyib.
- Küləyin təsiri birbaşa modelləşdirilməyib.
- LiDAR, kamera və ya RF əsaslı real vaxt sensor birləşdirməsi tətbiq edilməyib.
- Tam batareya, elektrik gücü və istilik modeli istifadə edilməyib.
- Aktuator doyumu və aktuator sürət məhdudiyyətləri birbaşa optimallaşdırma modelinə daxil edilməyib.
- Mobil robotlar və insansı robotlar üçün göstərilən mümkün istifadələr bu tədqiqatda eksperimental olaraq doğrulanmayıb.
Tədqiqatın Metodu və Nəticələri
Eksperiment dizaynının xülasəsi
| Xüsusiyyət | Tədqiqatda istifadə olunan struktur |
|---|---|
| Problem | Maneələrlə zəngin mühitdə UAV yol planlaşdırması |
| Test hallarının sayı | 20 |
| Məkan quruluşu | 2B və 3B |
| Yol diskretləşdirilməsi | d = 10 və d = 20 |
| Müstəqil işə salınma | Hər alqoritm və hal üçün 30 |
| Müqayisə edilən ümumi metod | 21 alqoritm/konfiqurasiya |
| Əsas məqsəd komponentləri | Yol/yanacaq xərci və təhlükə xərci |
| Uçuş həndəsəsi məhdudiyyətləri | Tangaj və sapma bucağı məhdudiyyətləri |
| Maneə növü | Sabit maneələr; 2B və 3B ssenarilər |
| Ümumi sıralama | CEC-2022 əsaslı qiymətləndirmə |
Verianla Live: MuCDEA Əməkdaşlığa Əsaslanan Optimallaşdırma Prosesi
MuCDEA seçilmiş diferensial təkamül strategiyalarını ayrı alt populyasiyalarda işlədir və müəyyən qiymətləndirmə aralıqlarında daha uğurlu strategiyaya daha çox populyasiya resursu ayırır.
| Mərhələ | İzah | Mənbə |
|---|---|---|
| 1 | Qərar dəyişəni sərhədləri daxilində qarışıq başlanğıc populyasiyası yaradılır və məqsəd funksiyası hesablanır. | MuCDEA alqoritmi |
| 2 | Populyasiya seçilmiş DE alqoritmlərinin sayına görə bir-birindən ayrı alt populyasiyalara bölünür. | MuCDEA alqoritmi |
| 3 | Hər alt populyasiya öz JADE, CoDE, EPSDE, SaDE, MIDE və ya SHADE davranışına uyğun bir təkamül addımı həyata keçirir. | MuCDEA alqoritmi |
| 4 | Hər strategiyanın əldə etdiyi yaxın dövr yaxşılaşması hesablanır və alt populyasiya ölçüsünə görə normallaşdırılır. | ΔR(j)=ΔG(j)/max(1,|Ij|) |
| 5 | Ən yüksək normallaşdırılmış yaxşılaşmanı təmin edən strategiya həmin qiymətləndirmə dövrünün ən uğurlu alqoritmi kimi seçilir. | MuCDEA alqoritmi |
| 6 | Ən uğurlu strategiyaya təxminən ikiqat populyasiya payı ayrılır; digər strategiyalar daha kiçik alt populyasiyalarla işləməyə davam edir. | MuCDEA alqoritmi |
| 7 | Alt populyasiyaların fərdləri, uyğunluq dəyərləri, arxivləri və alqoritmə xas parametr yaddaşları yenilənir. | MuCDEA alqoritmi |
| 8 | Qlobal ən yaxşı həll yenilənir və müəyyən edilmiş dayandırma şərtlərindən biri baş verənə qədər dövr davam edir. | MuCDEA alqoritmi |
| 9 | Əldə edilmiş UAV marşrutu yol uzunluğu, təhlükə xərci və uçuş həndəsəsi məhdudiyyətləri birlikdə nəzərə alınaraq qiymətləndirilir. | UAVPP məqsəd və məhdudiyyət modeli |
Verianla Live: Ümumi Sıralamadakı İlk Altı Metod
Cədvəl 20 UAV yol planlaşdırma halı üçün CEC-2022 əsaslı ümumi sıralama xallarının ilk altı nəticəsini göstərir. Daha yüksək xal daha güclü ümumi sıralamanı ifadə edir.
| Alqoritm | Ümumi CEC xalı | Ümumi sıra | Mənbə |
|---|---|---|---|
| MuCDEA24 | 292823 | 1 | Tədqiqat, ümumi sıralama cədvəli |
| SHADE | 290737 | 2 | Tədqiqat, ümumi sıralama cədvəli |
| MuCDEA5 | 261672 | 3 | Tədqiqat, ümumi sıralama cədvəli |
| SaDE | 244620 | 4 | Tədqiqat, ümumi sıralama cədvəli |
| JADE | 241130 | 5 | Tədqiqat, ümumi sıralama cədvəli |
| MuCDEA14 | 227035,5 | 6 | Tədqiqat, ümumi sıralama cədvəli |
MuCDEA24 və SHADE üçün əsas kəmiyyət müqayisəsi
| Meyar | MuCDEA24 | SHADE | Şərh |
|---|---|---|---|
| Ümumi CEC xalı | 292823 | 290737 | MuCDEA24 ümumi sıralamada birinci |
| Ümumi sıra | 1 | 2 | Xal fərqi məhduddur |
| Orta məqsəd funksiyası | 2538,42 | 3450,70 | MuCDEA24 üçün təxminən %26,4 daha aşağı |
| Orta yol uzunluğu | 1750,91 | 1741,37 | SHADE-in orta yolu bir qədər daha qısadır |
| Orta simulyasiya müddəti | 3,38 s | 3,32 s | Hesablama müddətləri bir-birinə yaxındır |
| 20 hal daxilində birincilik | 7 hal | 8 hal | MuCDEA24 daha az hal qazanmasına baxmayaraq daha sabit ümumi sıra əldə etdi |
Bu müqayisə tədqiqatın ən mühüm şərh sərhədini də göstərir: MuCDEA24-ün ümumi üstünlüyü yalnız yol qısalığına və ya hal üzrə birincilik sayına əsaslanmır. Birləşik məqsəd funksiyası, həyata keçirilə bilən marşrutun yaradılması və fərqli ssenarilərdə sıralama sabitliyi birlikdə nəticəni müəyyən edir.
Şəkillərin elmi mesajı
Tədqiqatın 2B və 3B marşrut təsvirlərində MuCDEA-nın maneə zonalarının içindən keçmək əvəzinə onların ətrafında alternativ marşrutlar yaratdığı görünür. \(d=10\) istifadə olunan marşrutlarda daha az aralıq nöqtə olduğu halda, \(d=20\) istifadə olunan hallar xüsusilə sıx maneə qrupları ətrafında daha incə istiqamət dəyişikliklərinə imkan verir. 3B nəticələr yalnız üfüqi sapmanı deyil, lazım olduqda hündürlük oxunda marşrut dəyişməsini də ehtiva edir.
Bununla belə, təsvirlər real dünyada fiziki bir UAV-nin bu marşrutları eyni uğurla uçduğunu göstərmir; bunlar optimallaşdırma nəticəsində yaradılmış ədədi yol həlləridir.
Mənbə və Metod Qeydi
Tam orijinal tədqiqat adı: UAV Path Planning in Obstacle-Rich Environments Using Intelligent Cooperative Differential Evolution Approach
Müəlliflər: Houssem Rafik El-Hana Bouchekara; Yusuf Abubakar Sha’aban; Mohammad Shoaib Shahriar; Ahmed Tijani Saluwudeen; Muhammad Sharjeel Javaid; Mostafa Kamel Smail; Naif Abdulrahman Najjar; Md Nurul Islam; Asim Seedahmed Ali Osman; Bander Marshud Alshammari.
Məsul müəllif: Houssem Rafik El-Hana Bouchekara.
Birgə birinci/birgə töhfə: Tədqiqatda birgə birinci müəlliflik və ya bərabər töhfə barədə bildiriş yoxdur.
Qurumlar:
- Department of Electrical Engineering, University of Hafr Al Batin, Hafr Al Batin, Saudi Arabia.
- Department of Computer, Electrical and Software Engineering, Embry-Riddle Aeronautical University, Prescott, Arizona, USA.
- Department of Electrical and Electronic Engineering, University of Jos, Jos, Nigeria.
- Department of Electrical and Electronic Engineering, Imperial College London, London, United Kingdom.
- IPSA Institute of Polytechnic Science and Aeronautics, Ivry-sur-Seine, France.
- GeePs Group of Electrical Engineering Paris, UMR 8507, CNRS CentraleSupelec, University Paris-Saclay, Sorbonne University, Gif-sur-Yvette, France.
- Department of Software Engineering, College of Computer Science & Engineering, University of Hafr Al Batin, Hafr Al Batin, Saudi Arabia.
Jurnal: Actuators
Nəşriyyat: MDPI
Nəşr məlumatı: Actuators 2026, 15(7), 386.
Rəsmi nəşr bağlantısı:MDPI – Actuators 15(7), 386
Qəbul edilmə tarixi: 18 May 2026.
Reviziya: 21 İyun 2026.
Qəbul: 24 İyun 2026.
Nəşr: 9 İyul 2026.
Mənbə növü və resenziya statusu: Resenziyalı orijinal tədqiqat məqaləsi. Elmi doğrulama böyük ölçüdə ədədi optimallaşdırma/simulyasiya müqayisələrinə əsaslanır.
Lisenziya: Creative Commons Attribution (CC BY).
Maliyyələşdirmə: Tədqiqat Səudiyyə Ərəbistanı Təhsil Nazirliyinin Deputyship for Research & Innovation qurumu tərəfindən 0027-1446-S nömrəli layihə çərçivəsində maliyyələşdirilib.
Məlumatların əlçatanlığı: Məlumatların məsul müəllifdən əsaslandırılmış sorğu əsasında əldə edilə biləcəyi bildirilib.
Maraqların toqquşması: Müəlliflər maraqların toqquşması barədə məlumat verməyiblər.
Süni intellektdən istifadə bəyanatı: Müəlliflər ChatGPT-5.5-in mətnin bəzi hissələrində yalnız redaktə, qrammatikanın düzəldilməsi və ifadə aydınlığının yaxşılaşdırılması məqsədilə istifadə edildiyini; texniki məzmunun, metodun, təhlilin, nəticələrin və çıxarılan nəticələrin müəlliflər tərəfindən hazırlandığını və doğrulandığını açıq şəkildə bəyan edirlər.
Müəllif töhfələri: Konseptuallaşdırma Houssem Rafik El-Hana Bouchekara və Yusuf Abubakar Sha’aban; metodologiya və proqram təminatı Houssem Rafik El-Hana Bouchekara; doğrulama Houssem Rafik El-Hana Bouchekara, Yusuf Abubakar Sha’aban və Mohammad Shoaib Shahriar; formal təhlil Houssem Rafik El-Hana Bouchekara, Muhammad Sharjeel Javaid və Bander Marshud Alshammari tərəfindən aparılıb. Baxış, məlumatların kurasiyası, vizuallaşdırma, nəzarət və digər töhfələr məqalədəki CRediT bəyanatında ətraflı göstərilib.
Mənbə daxilində redaksiya uyğunsuzluqları
- Tənlik (18)-in çəkili məqsəd funksiyası tərifi ilə dərhal ardınca yazılan inteqral açılımı arasında yanacaq terminində \(\alpha\) əmsalı baxımından notasiya fərqi var.
- ADEDMR qısaltmasının açılımı tədqiqatın müxtəlif bölmələrində eyni şəkildə verilməyib.
- Müqayisə alqoritmlərinin mətn şəklində verilmiş bir siyahısında JADE yer almadığı halda nəticə cədvəllərində JADE açıq şəkildə qiymətləndirilib və ümumi metod sayı ilə cədvəllər uyğundur.
- d=20 üçün 2B Cases 11–15-i izah edən Şəkil 9-un son paneli mənbə altyazısında “CASE 5” kimi yazılıb; ətrafdakı bölmə isə Cases 11–15 ardıcıllığını müəyyən edir.
Bu uyğunsuzluqlar Verianla mətnində mənbə daxilində səssizcə düzəldilməyib, oxucunun tədqiqatı düzgün qiymətləndirə bilməsi üçün açıq şəkildə qeyd olunub.
Əsas metodoloji məhdudiyyətlər
- Maneələr sabitdir; hərəkətli maneələr və hərəkətli hədəflər qiymətləndirilməyib.
- UAV sürətinin sabit olduğu fərz edilib.
- Yol uzunluğu ətraflı enerji modeli əvəzinə yanacaq/enerji üçün əvəzləyici dəyişən kimi istifadə edilib.
- Külək pozuntuları modelə daxil edilməyib.
- Aktuator doyumu və aktuatorun dəyişmə sürəti məhdudiyyətləri açıq şəkildə modelləşdirilməyib.
- Minimum dönmə radiusu birbaşa modelə daxil edilməyib.
- Rabitə məhdudiyyətləri nəzərə alınmayıb.
- Tam batareya və enerji sərfiyyatı modeli yoxdur.
- Mühit məlumatı əvvəlcədən məlum maneə mövqelərinə əsaslanır; real vaxtlı LiDAR, görüntü və ya RF sensor birləşdirməsi tətbiq edilməyib.
- Real vaxtlı yenidən planlaşdırma, hardware-in-the-loop və real uçuş təcrübələri aparılmayıb.
Beləliklə, tədqiqat MuCDEA-nın araşdırılan məhdud UAV yol planlaşdırma testlərində güclü və sabit optimallaşdırma çərçivəsi ola biləcəyini göstərir; real avtonom hava vasitələrində sahə uğuru isə ayrıca doğrulanmalıdır. Bu Verianla məzmunundakı elmi nəticələr araşdırılan tədqiqata əsaslanır; tədqiqatın nəticə əhatəsini genişləndirəcək xarici elmi nəticə əlavə edilməyib.
Şərh yazın
E-poçt ünvanınız yayımlanmayacaq. Məcburi sahələr * ilə işarələnib