Bu araştırma, engellerin ve tehdit bölgelerinin bulunduğu ortamlarda insansız hava araçları için uygulanabilir rota üretmek amacıyla Multi-Strategy Cooperative Differential Evolution Algorithm (MuCDEA) adlı işbirlikçi bir diferansiyel evrim çerçevesi geliştiriyor. Yaklaşım; farklı diferansiyel evrim stratejilerini ayrı alt popülasyonlarda çalıştırıyor, performanslarını belirli aralıklarla değerlendiriyor ve daha başarılı stratejiye daha büyük popülasyon payı ayırıyor. Yöntem, 2B ve 3B olmak üzere toplam 20 yol planlama vakasında, iki farklı yol ayrıklaştırma düzeyinde ve her vaka için 30 bağımsız çalıştırmayla karşılaştırıldı. CEC-2022 tabanlı genel puanlamada JADE, SaDE ve SHADE'in birlikte kullanıldığı MuCDEA24, 292823 puanla birinci, SHADE ise 290737 puanla ikinci sırada yer aldı. Bununla birlikte çalışma gerçek uçuş testi değil; sonuçlar sabit engellerin kullanıldığı sayısal yol planlama problemlerine dayanıyor.

UAV yol planlama problemi yalnızca başlangıç ile hedef arasında en kısa çizginin bulunması olarak ele alınmıyor. Amaç fonksiyonunda yol uzunluğunu temsil eden yakıt maliyeti ile tehdit bölgelerine maruz kalma birlikte değerlendiriliyor. Ayrıca ardışık yol parçalarındaki yunuslama ve sapma açıları sınırlandırılarak çok agresif manevraların önüne geçilmeye çalışılıyor. Böylece algoritma yalnızca kısa değil, engellerden kaçınan ve uçuş geometrisi bakımından daha uygulanabilir yollar üretmeye yönlendiriliyor.

MuCDEA24'ün gücü bütün testlerde tek tek en iyi sonucu vermesinden kaynaklanmıyor. SHADE 20 vakanın sekizinde birinci olurken MuCDEA24 yedi vakada birinci oldu; ancak MuCDEA24 hiçbir vakada beşinci sıranın altına düşmedi. Çalışmanın genel sıralamasında bu daha istikrarlı davranış belirleyici oldu. Araştırmacılar, farklı arama stratejilerinin işbirliğinin değişen engel dağılımlarına ve problem boyutlarına karşı daha dengeli bir keşif-sömürü ilişkisi oluşturabildiğini gösteriyor.

Genel performans analizinde MuCDEA24'ün 20 vaka üzerindeki ortalama amaç fonksiyonu değeri 2538,42, SHADE'in ise 3450,70 olarak bildirildi. Bu, çalışmadaki hesaplamaya göre ortalama amaç fonksiyonu açısından yaklaşık %26,4 azalma anlamına geliyor. Amaç fonksiyonu standart sapmasında da SHADE'e göre yaklaşık %51,4 azalma raporlandı. Buna karşın ortalama yol uzunluğu MuCDEA24 için 1750,91, SHADE için 1741,37 olarak verildi. Dolayısıyla MuCDEA24'ün avantajı yalnızca daha kısa yol üretmek değildir; tehdit maliyeti, uygulanabilirlik ve sonuç istikrarının birlikte değerlendirilmesinden kaynaklanmaktadır.

MuCDEA24'ün ortalama simülasyon süresi çalıştırma başına 3,38 saniyedir. Bu değer SHADE'in 3,32 saniyesine ve MuCDEA5'in 3,27 saniyesine yakındır. Ancak bu süreler kullanılan deneysel hesaplama koşullarındaki optimizasyon süreleridir ve yöntemin gerçek bir İHA üzerinde gerçek zamanlı yeniden planlama yapabildiğini kanıtlamaz.

Türkiye açısından değerlendirme: Bu tür bir yöntem; otonom hava araçlarının karmaşık alanlarda güzergâh oluşturması, altyapı incelemesi, arama-kurtarma veya erişimi zor bölgelerde uçuş planlaması gibi alanlar bakımından araştırma değeri taşımaktadır. Fakat Türkiye'deki gerçek operasyonlara aktarım için yerel uçuş kısıtları, gerçek harita ve sensör verileri, rüzgâr, hareketli engeller, batarya tüketimi, haberleşme koşulları ve araç dinamiklerinin ayrıca doğrulanması gerekir. Bu çalışma bunların saha uygulamasını göstermemektedir.

Araştırmanın temel problemi nedir?

İnsansız hava aracı yol planlamasında amaç, başlangıç ve hedef noktaları arasında yalnızca geometrik olarak kısa bir yol bulmak değildir. Yolun engelleri kesmemesi, tehdit bölgelerinden mümkün olduğunca uzak geçmesi ve aracın gerçekleştiremeyeceği kadar keskin yön değişiklikleri içermemesi gerekir. Ortam 3B olduğunda ve engellerin sayısı arttığında, olası yol kombinasyonlarının sayısı da hızla büyür.

Çalışmada klasik A*, Dijkstra ve potansiyel alan gibi yöntemlerin belirli problem yapılarındaki önemine değinilirken, yüksek boyutlu ve doğrusal olmayan sürekli optimizasyon problemleri için popülasyon tabanlı meta-sezgisel yöntemlere odaklanılıyor. Araştırmanın merkezinde Diferansiyel Evrim (Differential Evolution, DE) ailesi bulunuyor.

Diferansiyel evrim nasıl çalışıyor?

Standart DE, popülasyondaki aday çözümler arasındaki farkları kullanarak yeni çözüm vektörleri üretir. Temel DE/rand/1 mutasyonu çalışmada şu biçimde verilmektedir:

\[ v_i^{G+1}=x_{r1}^{G}+F\left(x_{r2}^{G}-x_{r3}^{G}\right) \]

Burada \(F\), fark vektörünün ölçekleme katsayısıdır. Mutasyonun ardından çaprazlama ve seçim uygulanır. Daha yeni DE varyantları ise mutasyon stratejisini, çaprazlama oranını, arşiv kullanımını, parametre uyarlamasını veya popülasyon davranışını değiştirerek farklı problem yapılarında daha iyi performans elde etmeye çalışır.

MuCDEA'nın temel yeniliği

MuCDEA'nın yaklaşımı yalnızca birkaç mutasyon operatörünü aynı DE içinde sırayla kullanmak değildir. Başlangıç popülasyonu, seçilen DE algoritmalarına karşılık gelen ayrı alt popülasyonlara ayrılır. Çalışmada kullanılabilen strateji havuzu JADE, CoDE, EPSDE, SaDE, MIDE ve SHADE'den oluşur.

Her alt popülasyon kendi algoritmasının davranışıyla evrim geçirir. Belirli yeniden değerlendirme aralıklarında her stratejinin yakın dönemde oluşturduğu iyileşme, alt popülasyon büyüklüğüne göre normalize edilir:

\[ \Delta R(j)=\frac{\Delta G(j)}{\max(1,|I_j|)} \]

En yüksek normalize edilmiş iyileşmeyi sağlayan strateji o dönemin en başarılı stratejisi olarak seçilir. Toplam popülasyonun temel payı

\[ s=\left\lfloor \frac{NP}{M+1}\right\rfloor \]

olarak belirlenirken kalan birey sayısı

\[ r=NP-s(M+1) \]

şeklinde hesaplanır. Seçilen en iyi strateji \(2s+r\) birey, diğer stratejiler ise \(s\) birey alır. Böylece sistem başarılı arama davranışına daha fazla hesaplama kaynağı ayırırken diğer stratejileri tamamen devreden çıkarmadığı için çeşitliliği korumaya çalışır.

İncelenen MuCDEA yapılandırmaları

• MuCDEA24: JADE + SaDE + SHADE
• MuCDEA5: JADE + SHADE
• MuCDEA14: SaDE + SHADE

Sonuçların önemli noktalarından biri, daha fazla algoritmayı işbirliğine sokmanın otomatik olarak daha iyi sonuç vermemesidir. MuCDEA14 genel sıralamada altıncı olurken onu oluşturan SHADE ikinci, SaDE ise dördüncü sırada yer aldı. Bu sonuç, işbirlikçi yapının başarısının kullanılan stratejilerin birbirini gerçekten tamamlamasına bağlı olduğuna işaret ediyor.

UAV yol planlama probleminin kurulumu

2B deneylerde başlangıç noktası \((0,0)\), hedef \((1000,1000)\); 3B deneylerde başlangıç \((0,0,0)\), hedef \((1000,1000,1000)\) olarak tanımlandı. Beş 2B ve beş 3B temel engel düzeni, iki farklı yol ayrıklaştırma düzeyiyle değerlendirilerek toplam 20 test vakası oluşturuldu.

• Cases 1–5: 2B, \(d=10\)
• Cases 6–10: 3B, \(d=10\)
• Cases 11–15: 2B, \(d=20\)
• Cases 16–20: 3B, \(d=20\)

\(d=20\) kullanılması rotanın daha fazla ara noktayla tanımlanmasına olanak veriyor. Çalışmadaki 2B ve 3B yol görselleri, daha yüksek ayrıklaştırma düzeyinde engeller çevresindeki dönüşlerin ve yükseklik değişimlerinin daha kademeli biçimde düzenlenebildiğini gösteriyor. Bunun karşılığında karar değişkenlerinin sayısı ve optimizasyon yükü artıyor.

Amaç fonksiyonu

Toplam yol maliyeti yakıt/yol maliyeti ve tehdit maliyetinin ağırlıklı birleşimi olarak tanımlanıyor:

\[ J_{total}=\alpha J_{fuel}+(1-\alpha)J_{threat} \]

UAV hızının sabit kabul edilmesi nedeniyle \(J_{fuel}\) doğrudan ayrıntılı elektriksel güç veya batarya tüketim modeli değildir; geometrik yol uzunluğu enerji/yakıt maliyeti için vekil değişken olarak kullanılır. Tehdit maliyeti ise yolun her bölümündeki beş örnekleme noktasının tehdit merkezlerine uzaklıklarına bağlı olarak hesaplanır. Tehdit veya engel bölgesini kesen rotaların amaç fonksiyonu büyük bir ceza alır.

Kaynak notu: Çalışmadaki Denklem (18)'de ilk ifade \(\alpha J_{fuel}+(1-\alpha)J_{threat}\) biçimindeyken hemen ardından verilen integral açılımında yakıt integralinin önünde \(\alpha\) katsayısı görünmemektedir. Bu içerikte kaynak sessizce düzeltilmemiş; temel tanım çalışmada verilen ilk ifadeye göre aktarılmıştır.

Uçuş geometrisi kısıtları

Yol parçaları arasındaki yunuslama ve sapma değişimleri de sınırlandırılmıştır:

\[ \theta_k= \left| \arctan\left( \frac{z_{k+1}-z_k}{x_{k+1}-x_k} \right) \right| \leq \theta_{\max} \]

\[ \Phi_k= \left| \arctan\left( \frac{y_{k+1}-y_k}{x_{k+1}-x_k} \right) \right| \leq \Phi_{\max} \]

Bu sınırlar yol planlayıcının aşırı keskin manevralar oluşturmasını azaltır. Ancak bunlar tam bir aktüatör modeli değildir. Motor/servo doyumu, değişim hızı sınırları ve ayrıntılı güç tüketimi mevcut çalışmanın optimizasyon modelinde doğrudan modellenmemiştir.

Karşılaştırma ve istatistiksel değerlendirme

Her algoritma her vaka için 30 bağımsız kez çalıştırıldı. Tüm yöntemlere aynı fonksiyon değerlendirme bütçesi uygulandı. Sonuçların genel karşılaştırmasında CEC-2022 tabanlı sıralama yöntemi kullanıldı. Her vaka için bağımsız çalıştırmalardan elde edilen sonuçlar birlikte sıralanıyor ve algoritmaların sıralama puanları daha sonra 20 vaka boyunca birleştiriliyor. Daha yüksek toplam puan daha güçlü genel performansı ifade ediyor.

MuCDEA24 neden birinci oldu?

MuCDEA24 toplam 292823 puanla genel sıralamada birinci, SHADE ise 290737 puanla ikinci oldu. İki yöntem arasındaki puan farkı sınırlı olduğundan sonuç, MuCDEA24'ün her koşulda açık ara daha üstün olduğu şeklinde yorumlanmamalıdır.

SHADE 20 vakanın sekizinde birinci sırayı alırken MuCDEA24 yedi vakada birinci oldu. Buna karşılık MuCDEA24 hiçbir vakada beşinciliğin altına düşmedi. SHADE'in bazı vakalardaki performans dalgalanmasının daha yüksek olması, MuCDEA24'ün toplam sıralamada öne geçmesine katkıda bulundu.

Özellikle 3B Cases 16–20'de SHADE'in beş vakanın tamamında birinci olması, problem yapısına göre tekil algoritmaların hâlâ MuCDEA'dan daha güçlü olabileceğini gösteriyor. Çalışmanın temel sonucu bu nedenle “MuCDEA her problemde en iyi algoritmadır” değil, işbirlikçi kaynak tahsisinin incelenen UAVPP test kümesinde daha istikrarlı bir genel performans sağlayabildiğidir.

Yol uzunluğu ile toplam optimizasyon başarısı aynı şey değil

MuCDEA24'ün 20 vaka üzerindeki ortalama yol uzunluğu 1750,91 iken SHADE için bu değer 1741,37, MuCDEA14 için 1727,71 ve MuCDEA5 için 1732,29 olarak raporlandı. Dolayısıyla genel sıralamada birinci olan MuCDEA24 en kısa ortalama yolu üreten yöntem değildir.

Bu ayrım önemlidir: çalışmada rota kalitesi yalnızca geometrik mesafe üzerinden değerlendirilmez. Tehdit bölgelerinden kaçınma ve uygulanabilirlik cezaları da amaç fonksiyonuna katıldığı için daha kısa fakat engel veya tehdit bölgeleri açısından kötü bir yol toplam optimizasyon açısından daha düşük kaliteye sahip olabilir.

Hesaplama yükü

Ortalama simülasyon süresi MuCDEA24 için 3,38 saniye, SHADE için 3,32 saniye ve MuCDEA5 için 3,27 saniyedir. SaDE için 3,53 saniye, EDEV için 3,82 saniye, ADEDMR için 4,23 saniye ve LensOBLDE için 8,43 saniye raporlanmıştır. Bu sonuç, MuCDEA24'ün ek işbirliği mekanizmasının test ortamında aşırı bir hesaplama yükü oluşturmadığını gösteriyor.

Ancak yüksek boyutlu, hareketli engelli ve sensör verisinin sürekli güncellendiği gerçek bir İHA görevinde gerçek zamanlı çalışma ayrı bir problemdir. Araştırmacılar da gerçek zamanlı yerleşik uygulama iddiası ortaya koymadan önce profil çıkarma, hızlandırma, paralelleştirme ve donanım doğrulamasının gerekli olduğunu vurguluyor.

Çalışmanın desteklediği sonuçlar

• MuCDEA24, incelenen 20 UAVPP vakasının genel CEC-2022 tabanlı sıralamasında birinci olmuştur.
• İşbirlikçi DE yaklaşımı farklı engel düzenleri ile 2B ve 3B problemlerde yüksek sıralama istikrarı göstermiştir.
• MuCDEA24, standart DE ve PSO gibi daha zayıf karşılaştırma yöntemlerine göre uygulanabilir, çarpışmasız rotaları daha tutarlı biçimde üretmiştir.
• MuCDEA24'ün ek işbirliği mekanizması incelenen hesaplama ortamında karşılaştırılabilir çalışma süresiyle yürütülebilmiştir.
• Daha yüksek yol ayrıklaştırması rotaya daha fazla geometrik esneklik sağlarken problem boyutunu ve hesaplama yükünü artırmaktadır.

Çalışmanın kanıtlamadığı sonuçlar

• MuCDEA'nın bütün optimizasyon problemlerinde en iyi algoritma olduğu gösterilmemiştir.
• Gerçek İHA üzerinde uçuş başarısı gösterilmemiştir.
• Gerçek zamanlı yerleşik yeniden rota planlama doğrulanmamıştır.
• Hareketli engeller veya zamanla değişen uçuşa yasak bölgeler test edilmemiştir.
• Rüzgâr etkisi doğrudan modellenmemiştir.
• LiDAR, kamera veya RF tabanlı gerçek zamanlı sensör füzyonu uygulanmamıştır.
• Tam batarya, elektriksel güç ve termal model kullanılmamıştır.
• Aktüatör doyumu ve aktüatör hız sınırları doğrudan optimizasyon modeline dahil edilmemiştir.
• Mobil robotlar ve insansı robotlar için belirtilen olası kullanımlar bu çalışmada deneysel olarak doğrulanmamıştır.

Çalışmanın Yöntemi ve Bulguları

Deney tasarımının özeti

MuCDEA24 ve SHADE için temel nicel karşılaştırma

Bu karşılaştırma, çalışmanın en önemli yorum sınırını da gösteriyor: MuCDEA24'ün genel üstünlüğü yalnızca yol kısalığına veya vaka bazındaki birincilik sayısına dayanmıyor. Bileşik amaç fonksiyonu, uygulanabilir rota üretimi ve farklı senaryolardaki sıralama istikrarı birlikte sonucu belirliyor.

Şekillerin bilimsel mesajı

Çalışmanın 2B ve 3B rota görsellerinde MuCDEA'nın engel bölgelerinin içinden geçmek yerine çevresinde alternatif güzergâhlar oluşturduğu görülüyor. \(d=10\) kullanılan rotalarda daha az ara nokta bulunurken, \(d=20\) kullanılan vakalar özellikle yoğun engel kümeleri çevresinde daha ince yön değişikliklerine olanak tanıyor. 3B sonuçlar yalnız yatay sapmayı değil, gerektiğinde yükseklik eksenindeki rota değişimini de içeriyor.

Bununla birlikte görseller, gerçek dünyada fiziksel bir İHA'nın bu rotaları aynı başarıyla uçtuğunu göstermemektedir; bunlar optimizasyon tarafından oluşturulmuş sayısal yol çözümleridir.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: UAV Path Planning in Obstacle-Rich Environments Using Intelligent Cooperative Differential Evolution Approach

Yazarlar: 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.

Sorumlu yazar: Houssem Rafik El-Hana Bouchekara.

Eş birinci/eş katkı: Çalışmada eş birinci yazarlık veya eş katkı bildirimi yer almamaktadır.

Kurumlar:

1. Department of Electrical Engineering, University of Hafr Al Batin, Hafr Al Batin, Saudi Arabia.
2. Department of Computer, Electrical and Software Engineering, Embry-Riddle Aeronautical University, Prescott, Arizona, USA.
3. Department of Electrical and Electronic Engineering, University of Jos, Jos, Nigeria.
4. Department of Electrical and Electronic Engineering, Imperial College London, London, United Kingdom.
5. IPSA Institute of Polytechnic Science and Aeronautics, Ivry-sur-Seine, France.
6. GeePs Group of Electrical Engineering Paris, UMR 8507, CNRS CentraleSupelec, University Paris-Saclay, Sorbonne University, Gif-sur-Yvette, France.
7. Department of Software Engineering, College of Computer Science & Engineering, University of Hafr Al Batin, Hafr Al Batin, Saudi Arabia.

Dergi: Actuators

Yayınevi: MDPI

Yayın bilgisi: Actuators 2026, 15(7), 386.

DOI:10.3390/act15070386

Resmî yayın bağlantısı:MDPI – Actuators 15(7), 386

Alınma tarihi: 18 Mayıs 2026.

Revizyon: 21 Haziran 2026.

Kabul: 24 Haziran 2026.

Yayın: 9 Temmuz 2026.

Kaynak türü ve hakemlik durumu: Hakemli özgün araştırma makalesi. Bilimsel doğrulama büyük ölçüde sayısal optimizasyon/simülasyon karşılaştırmalarına dayanmaktadır.

Lisans: Creative Commons Attribution (CC BY).

Finansman: Araştırma, Suudi Arabistan Eğitim Bakanlığı Deputyship for Research & Innovation tarafından 0027-1446-S numaralı proje kapsamında finanse edilmiştir.

Veri erişilebilirliği: Verilerin sorumlu yazardan makul talep üzerine edinilebileceği belirtilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması bildirmemiştir.

Yapay zekâ kullanım beyanı: Yazarlar, ChatGPT-5.5'in metnin bazı kısımlarında yalnızca redaksiyon, dilbilgisi düzeltmesi ve anlatım açıklığının geliştirilmesi amacıyla kullanıldığını; teknik içerik, yöntem, analiz, sonuçlar ve çıkarımların yazarlar tarafından geliştirildiğini ve doğrulandığını açıkça beyan etmektedir.

Yazar katkıları: Kavramsallaştırma Houssem Rafik El-Hana Bouchekara ve Yusuf Abubakar Sha’aban; metodoloji ve yazılım Houssem Rafik El-Hana Bouchekara; doğrulama Houssem Rafik El-Hana Bouchekara, Yusuf Abubakar Sha’aban ve Mohammad Shoaib Shahriar; biçimsel analiz Houssem Rafik El-Hana Bouchekara, Muhammad Sharjeel Javaid ve Bander Marshud Alshammari tarafından yürütülmüştür. İnceleme, veri kürasyonu, görselleştirme, denetim ve diğer katkılar makaledeki CRediT beyanında ayrıntılı olarak belirtilmiştir.

Kaynak içi editoryal tutarsızlıklar

• Denklem (18)'in ağırlıklı amaç fonksiyonu tanımı ile hemen ardından yazılan integral açılımı arasında yakıt teriminin \(\alpha\) katsayısı bakımından notasyon farkı bulunmaktadır.
• ADEDMR kısaltmasının açılımı çalışmanın farklı bölümlerinde aynı biçimde verilmemiştir.
• Karşılaştırma algoritmalarının bir metinsel listesinde JADE yer almazken sonuç tablolarında JADE açıkça değerlendirilmiştir ve toplam yöntem sayısıyla tablolar uyumludur.
• d=20 için 2B Cases 11–15'i açıklayan Şekil 9'un son paneli kaynak altyazısında “CASE 5” olarak yazılmıştır; çevreleyen bölüm ise Cases 11–15 dizisini tanımlamaktadır.

Bu tutarsızlıklar Verianla metninde sessizce kaynak içinden düzeltilmemiş, okuyucunun çalışmayı doğru değerlendirebilmesi için açıkça belirtilmiştir.

Temel yöntemsel sınırlılıklar

• Engeller sabittir; hareketli engeller ve hareketli hedefler değerlendirilmemiştir.
• UAV hızının sabit olduğu varsayılmıştır.
• Yol uzunluğu ayrıntılı enerji modeli yerine yakıt/enerji için vekil değişken olarak kullanılmıştır.
• Rüzgâr bozucuları modele dahil edilmemiştir.
• Aktüatör doyumu ve aktüatör değişim hızı sınırları açık biçimde modellenmemiştir.
• Minimum dönüş yarıçapı doğrudan modele dahil edilmemiştir.
• Haberleşme kısıtları ele alınmamıştır.
• Tam batarya ve güç tüketimi modeli bulunmamaktadır.
• Çevre bilgisi önceden bilinen engel konumlarına dayanmaktadır; gerçek zamanlı LiDAR, görüntü veya RF sensör füzyonu uygulanmamıştır.
• Gerçek zamanlı yeniden planlama, donanım-içinde-döngü ve gerçek uçuş deneyleri yapılmamıştır.

Dolayısıyla çalışma, MuCDEA'nın incelenen kısıtlı UAV yol planlama testlerinde güçlü ve istikrarlı bir optimizasyon çerçevesi olabileceğini göstermektedir; gerçek otonom hava araçlarında saha başarısı ise ayrıca doğrulanmalıdır. Bu Verianla içeriğindeki bilimsel bulgular incelenen çalışmaya dayanmaktadır; çalışmanın sonuç kapsamını genişletecek dış bilimsel bulgu eklenmemiştir.