中圖分類號：TD76 文獻標志碼：A

Research on path planning for mine rescue UAV based on improved Artificial Jellyfish Search algorithm

ZHENG Xuezhao1.2.3，DIAO Chengze1，2，CAI Guobin1.3.4，WENHu1，2.3，YANGBo1.2.3， HOU Zongxuan1，MOUHaowei1.2

（1.College ofSafetyScienceandEnginering，Xi'an UniversityofScienceandTechnology，Xi'an71oo54，China;

2.Xi'an Research Centerof National MineRescue，Xi'an710o54，China；3.KeyLaboratoryof Urban Safety and

Emergency Rescue in Shaanxi Provincial HigherEducation Institutions，Xi'an71oo54，China；4.Shaanxi Xikuang Zhitong Technology Co.，Ltd.，Xi'an 710086，China）

Abstract： To improve the path search efciency and path optimization of mine rescue UAVs in environments with narrow passgesand dense，complex obstacles，a path planning method based on the improved Artificial

Jellyfish Search （IJS） algorithm was proposed. The Artificial Jelyfish Search （JS） algorithm was combined with the Logistic chaotic mapping to update pheromones and avoid faling into local optima. A Gaussian mutation function was applied to reduce the number of poor-quality individuals in the population. A Levy flight disturbance strategy was introduced to optimize the position update formulas during the phases of drifting with ocean currents （global search） and tracking food sources （local search）， thereby improving the efficiency of UAV path planing. UAV path planning simulation experiments showed that， when the obstacle ratio was 14.56% ， compared with the Genetic Algorithm （GA），Particle Swarm Optimization （PSO） algorithm，and JS algorithm， the IJS algorithm reduced the path planning time by 72.27% ， 66.12% ，and 70.87% ，respectively; shortened the path length by 2.67% 0 3.95% ，and 1.36% ， respectively; and reduced the number of turning points by 47.37% ， 50% ，and 28.57% ， respectively.When the obstacle ratio was 32.20% ， compared with GA and PSO， the IJS algorithm reduced the planning time by 62.50% and 55.61% ， shortened the path length by 4.03% and 4.03% ，and reduced the number of turning points by 15.38% and 18.52% ，respectively. Compared with the JS algorithm， although the path length increased by 3.89% ，the planning time was reduced by 57.32% ，and the number of turning points decreased by 8.33% .A post-disaster underground tunnel experimental platform was built to conduct UAV path planing experiments.The results showed that，compared with the GA，PSO，and JS algorithms，the IJS algorithm reduced the path planning time by 60.77% 58.70% and 51.52% ，respectively; shortened the path length by 9.62% 7.58% ， and 7.50% ， respectively; and reduced the number of turning points by 40% 30.77% ，and 25% ， respectively. These results verified that the IJS algorithm possesses better path optimization capability and computational efficiency than the compared algorithms in complex environments.

Key words： mine rescue; UAV path planning; Artificial Jelyfish Search algorithm; multi-strategy fusior optimization; dynamic obstacle avoidance

0引言

近年來，我國煤礦事故率和百萬噸死亡率雖明顯下降，但安全事故仍難以避免[1-2]。礦井災害發(fā)生后，井下巷道會因沖擊破壞而發(fā)生結構形變或堵塞，搜尋被困人員生命信息難度大幅提升。救援設備能否快速精準定位受災人員，是礦并救援行動科學決策與高效部署的前提和基礎[3]。微型無人機因其快速、安全的偵測能力，成為應對復雜井下環(huán)境的理想工具。然而，礦井救援環(huán)境普遍具有路徑狹窄、結構不規(guī)則、障礙密集、光照不足等典型特征，尤其在災后環(huán)境中，還伴隨巷道變形、電磁干擾增強、通信中斷、動態(tài)障礙頻發(fā)等問題，對無人機路徑規(guī)劃的空間適應性、實時感知能力和動態(tài)避障能力提出更高的挑戰(zhàn)。為確保無人機在嚴苛環(huán)境下穩(wěn)定作業(yè)并有效發(fā)揮偵測功能，路徑規(guī)劃技術顯得至關重要。

目前，針對礦井救援環(huán)境下的無人機路徑規(guī)劃研究仍處于起步階段，相關成果較為有限，如：何怡靜等4融合視覺與激光信息，增強了災后巷道中的定位與導航能力，但未涉及路徑規(guī)劃策略本身的優(yōu)化與動態(tài)避障機制的構建；A.Budiyanto等[5為每架無人機設置排斥力場，以實現(xiàn)動態(tài)避障，但對突發(fā)障礙應對能力有限。為提升無人機在復雜環(huán)境中的自主飛行水平并保障偵測任務高效完成，路徑規(guī)劃算法作為關鍵技術之一受到廣泛關注[6。主流方法包括圖搜索法[7]、人工勢場法[8]、快速隨機樹算法[9]蟻群算法[10]、動態(tài)窗口法[1]等。祁云等[12]將冠豪豬算法與動態(tài)窗口算法融合并用于礦井應急路徑規(guī)劃，提升了路徑平滑性與避障能力，但在處理動態(tài)障礙物與礦井復雜環(huán)境適應性方面仍存在不足。王中玉等[13改進A*算法代價函數(shù)權重并引入障礙物擴展策略，提高了規(guī)劃路徑的平滑性，但增加了路徑長度和復雜度。熊超等[14]提出了結合碰撞錐的改進人工勢場算法，防止無人機陷入局部最優(yōu)，但在不確定環(huán)境中可能對無人機運動產(chǎn)生負面影響。整體上，現(xiàn)有路徑規(guī)劃方法在常規(guī)場景中具備一定實用性，但在動態(tài)障礙規(guī)避、環(huán)境適應性及實時決策能力方面仍存在不足，難以滿足礦井救援任務對穩(wěn)定性與響應速度的雙重需求。

人工水母搜索（ArtificialJellyfishSearch，JS）算法[15因其結構簡潔、參數(shù)量少、收斂速度快，兼具全局探索與局部開發(fā)能力，在優(yōu)化復雜問題中展現(xiàn)出良好性能。尤其在不規(guī)則空間中，JS算法能夠實現(xiàn)搜索行為的自適應切換，具備較強的路徑調(diào)整靈活性與搜索效率，使其在礦井救援場景下具有較高的適配潛力，為無人機路徑規(guī)劃提供了良好的理論基礎與算法框架。但JS算法用于礦井救援無人機路徑規(guī)劃等復雜問題時易出現(xiàn)早熟收斂、種群多樣性不足、局部搜索精度不高等問題[16]，穩(wěn)定性與實用性仍有待提升。對此，本文在JS算法中引人Logistic混沌映射、高斯變異、Levy飛行擾動，構建多策略融合的改進型JS 算法—IJS（ImprovedJS），通過仿真和模擬實驗，驗證該算法在路徑規(guī)劃時間、路徑長度和拐點控制方面的性能，以及復雜場景下的魯棒性與計算效率，為礦井救援無人機路徑規(guī)劃提供理論基礎。

1JS算法及其改進

1.1 JS算法

JS算法模擬水母在海洋中的2種行為模式：隨洋流漂移（全局搜索）和追蹤食物源（局部搜索）[17]。算法通過時間控制機制，在隨洋流漂移與追蹤食物源2種模式之間動態(tài)切換，實現(xiàn)全局與局部搜索的協(xié)調(diào)。其中，隨洋流漂移模式根據(jù)水母間的相對位置向最優(yōu)個體靠近，提升全局搜索能力；追蹤食物源模式包含主動遷移與被動擾動，用于增強局部探索效率。JS算法流程如圖1所示。

1.2 IJS算法

從算法初始化、位置更新及搜索策略3個層面對JS算法進行改進，構建融合Logistic混沌映射、高斯變異與Levy飛行擾動等多策略的IJS算法，以提升其在礦井復雜環(huán)境下的全局探索能力、局部開發(fā)能力和路徑規(guī)劃效率。

1.2.1Logistic 混沌映射

將傳統(tǒng)JS算法與Logistic混沌算子進行信息素更新，利用混沌序列的全空間遍歷和變異特性來增加算法的種群多樣性，有效避免算法在信息素更新時陷入局部最優(yōu)。

為驗證Logistic混沌初始化效果，將其與傳統(tǒng)JS算法采用的隨機初始化進行對比。在Matlab環(huán)境下進行5000次迭代實驗，設置初始種群規(guī)模為50，變量取值范圍為[0，100]，對比結果如圖2所示。可看出Logistic混沌初始化的分布離散化效果更好，比隨機初始化更加均勻。

引人混沌序列動態(tài)調(diào)整隨機數(shù)序列，確保特定參數(shù)條件下輸出呈現(xiàn)完全無序特征?；谙x口模型的Logistic混沌序列在臨界參數(shù)為控制因子 μ=4 、擾動強度參數(shù) τ=0.3 時，進入完全混沌態(tài)，此時隨機時序和鄰域解分布如圖3所示。

當首個水母探測到營養(yǎng)富集區(qū)時，會構造一個D 維非臨界隨機向量作為初始條件，通過Logistic混沌映射生成營養(yǎng)源鄰域解集，從而得到經(jīng)混沌操作后的新蜜源：

式中： 為水母提供的營養(yǎng)源中心; x_ij 為第 i 個水母個體在第 j 維的位置； R_ij 為擾動半徑，用于控制擾動幅度; η_ij 為Logistics混沌序列生成的擾動因子，取值范圍為（0，1）。

上述方法是將優(yōu)化變量 限定在以水母當前營養(yǎng)源為幾何中心、 R_ij 為半徑的鄰域范圍內(nèi)進行映射操作。

1.2.2 高斯變異

在JS算法中，種群內(nèi)的劣質(zhì)個體可能影響尋優(yōu)結果。為減少其數(shù)量并增強局部最優(yōu)逃逸能力，引入高斯變異操作[18-19]。高斯函數(shù)為

式中： α 為控制擾動幅度，取 0～1 的隨機數(shù)； G（α） 為α 處的高斯函數(shù)值，用于變異尺度; σ 為高斯函數(shù)標準差，取值為1。

對個體進行高斯變異操作可增強算法全局搜索能力和逃逸局部最優(yōu)能力，對Logistic混沌映射的個體進行高斯變異，可得

式中： 為高斯變異后個體的位置； X_i 為第 i 個水母個體當前位置（原始解）。

個體高斯變異相當于在其周圍進行局部搜索。若新個體適應度值優(yōu)于原個體則替換原個體，否則保留原個體。高斯變異中，種群優(yōu)勢個體可能更新，幫助算法跳出局部最優(yōu)?？商剿鱾€體附近更優(yōu)解并淘汰劣質(zhì)解，增加發(fā)現(xiàn)最優(yōu)個體的可能性。

1.2.3 飛行擾動

Levy飛行是一種隨機行走策略，其步長 s 滿足穩(wěn)定分布[20]，同時Lévy飛行具有高頻小步長跳躍和低頻長距離移動的特點，能夠在最優(yōu)值附近進行局部范圍精細搜索，可在一定程度上緩解種群陷入局部最優(yōu)解問題[21]

海洋中不同位置的食物量分布不同，因此水母的運動距離會因食物分布變化而隨機調(diào)整，容易陷入局部食物富集區(qū)，從而難以發(fā)現(xiàn)更優(yōu)的生存區(qū)域。針對上述問題，引人Levy飛行擾動策略，對洋流運動與水母群體遷徙路徑進行優(yōu)化。選用Mantegnas算法提供的穩(wěn)定且對稱的Levy分布，其步長為

s=u/∣ν∣^1/β

式中： u，ν 為服從正態(tài)分布的隨機變量； β 為Levy分布控制參數(shù)，決定分布形態(tài)， 0lt;βlt;2 ，通常取1.5。

水母通過Levy分布搜索的位置更新公式為

X_i（t+1）=X_i（t）+θs

式中： X_i（t） 為第 i 個水母個體在第t代的位置； θ 為補償縮放因子，通常取1。

1.2.4IJS算法流程

IJS算法流程如圖4所示。

1）初始化水母種群，包括設定種群規(guī)模、最大迭代次數(shù)等參數(shù)，并通過Logistic混沌映射生成初始解以增強種群多樣性，同時計算個體的適應度值。

2）確定當前種群的最優(yōu)個體，并設置初始迭代變量。在每一次迭代中先更新時間控制參數(shù)以調(diào)節(jié)搜索策略，再根據(jù)洋流模型更新個體位置，同時根據(jù)運動機制分別對主動遷移與被動擾動水母執(zhí)行位置更新操作。

3）重新評估種群適應度并更新個體最優(yōu)與全局最優(yōu)解。若當前最優(yōu)解已滿足目標位置要求或達到最大迭代次數(shù)，則輸出全局最優(yōu)路徑結果，否則通過洋流運動返回確定時間控制參數(shù)階段繼續(xù)迭代，直至滿足終止條件。

2無人機路徑規(guī)劃模擬實驗

2.1實驗條件及設置

為驗證IJS算法在礦井復雜環(huán)境下的路徑規(guī)劃性能，采用柵格地圖作為模擬實驗平臺。柵格地圖構建簡便、位置表達精確，廣泛應用于路徑規(guī)劃算法的驗證與對比研究中[22]，特別適用于結構受限、路徑離散的井下環(huán)境建模。

實驗采用尺寸為 30m×30m 的柵格地圖，起點設為 （1，30）m ，終點設為 （30，1）m 。分別構建障礙物占比為 14.56%（129 個障礙單元）與 32.20%（292 個障礙單元）的2種柵格地圖，如圖5所示。其中白色柵格表示可通行區(qū)域，黑色柵格表示障礙物區(qū)域。整體地圖結構呈現(xiàn)出通道狹窄、拐角密集、障礙物分布復雜等特征，能夠較真實地模擬礦井巷道中的通行限制與避障挑戰(zhàn)。

建立柵格地圖平面矩陣模型，如圖6所示。數(shù)字2標記起點，數(shù)字3標記終點，數(shù)字0代表可通行的白色空格，數(shù)字1代表障礙單元。障礙物位置通過隨機數(shù)生成并結合地圖結構特征進行人工調(diào)整，確保地圖具備通道狹窄、拐角密集、路徑受限等復雜性特征。

所有模擬實驗均在Matlab2021a平臺下運行，通過判定矩陣中0與1建立地圖環(huán)境，并基于相同初始條件對比驗證IJS算法在不同障礙物占比下的路徑規(guī)劃性能。為確保實驗數(shù)據(jù)的穩(wěn)定性與可靠性，每組實驗均獨立運行30次，結果取平均值。所有模擬實驗均運行于配備AMDRyzen75800HwithRadeonGraphics 3.2GHz 的計算平臺上，確保實驗結果具備可重復性與穩(wěn)定性。設置IJS算法初始種群規(guī)模為50，最大迭代次數(shù)為500；Logistic混沌初始化控制因子 μ=4 ，擾動強度參數(shù) τ=0.3 ；高斯函數(shù)標準差 σ=1 Levy飛行擾動采用Mantegna算法，步長控制參數(shù)β=1.5 。適應度函數(shù)綜合路徑長度、規(guī)劃時間與拐點數(shù)量等因素，用于多目標性能評估，從而提升路徑質(zhì)量與規(guī)劃效率的整體表現(xiàn)。

2.2障礙物占比 14.56% 的模擬實驗

選取障礙物占比 14.56% 的 30m×30m 柵格地圖進行模擬實驗。遺傳算法（GeneticAlgorithm，GA）、粒子群優(yōu)化（Particle SwarmOptimization，PSO）算法、JS算法、IJS算法在柵格地圖中的模擬規(guī)劃路徑如圖7所示，路徑規(guī)劃時間、路徑長度與拐點數(shù)量見表1。相較于GA，IJS算法的路徑規(guī)劃時間減少了72.27% ，路徑長度縮短了 2.67% ，路徑中拐點數(shù)量減少了 47.37% 。相較于PSO算法，IJS算法的路徑規(guī)劃時間減少了 66.12% ，路徑長度縮短了 3.95% ，路徑中拐點數(shù)量減少了 50% 。相較于JS算法，IJS算法的路徑規(guī)劃時間減少了 70.87% ，路徑長度縮短了1.36% ，路徑中拐點數(shù)量減少了 28.57% 。因此，IJS算法比其他3種算法規(guī)劃的路徑長度更短、規(guī)劃路徑耗時更少、運算效率更優(yōu)。

4種算法的目標迭代收斂曲線如圖8所示?？煽闯鯥JS算法收斂曲線快速大幅降落，體現(xiàn)出良好的全局搜索能力和局部優(yōu)化能力，收斂速度更快。

2.3障礙物占比 32.20% 的模擬實驗

選取障礙物占比 32.20% 的 30m×30m 柵格地圖進行模擬實驗。GA，PSO，JS，IJS算法在柵格地圖中的模擬規(guī)劃路徑如圖9所示，路徑規(guī)劃時間、路徑長度與拐點數(shù)量見表2。相較于GA，IJS算法的路徑規(guī)劃時間減少了 62.50% ，路徑長度縮短了 4.03% ，拐點減少了 15.38% ；相較于PSO算法，IJS算法的路徑規(guī)劃時間減少了 55.61% ，路徑長度縮短了 4.03% ，拐點數(shù)量減少了 18.52% ；與JS算法相比，IJS算法的路徑規(guī)劃時間減少了 57.32% ，路徑長度增加了 3.89% ，拐點數(shù)量減少了 8.33% ?？梢姡琂S算法規(guī)劃的路徑最短，IJS算法在路徑規(guī)劃時間和拐點數(shù)量上更優(yōu)。

4種算法的目標迭代收斂曲線如圖10所示。可看出IJ算法和IJS算法的收斂曲線快速大幅降落，但JS算法的收斂曲線初期大幅下降，易陷入局部最優(yōu)解，而IJS算法的收斂曲線穩(wěn)步下降，體現(xiàn)了算法的平滑性和不易陷入局部最優(yōu)解的特點。

相比GA，PSO算法，IJS算法規(guī)劃的路徑長度和計算時間均較短，且在障礙物較多時展現(xiàn)出更強的全局搜索能力。對比JS，IJS算法可知：JS算法規(guī)劃的路徑靠近障礙物密集區(qū)，而IJS算法選擇開闊地帶進行規(guī)劃；JS算法側重全局最優(yōu)解，IJS算法則在短時間內(nèi)找到較優(yōu)解，彌補了JS算法在局部規(guī)劃上的不足。考慮到無人機與障礙物的安全距離，IJS算法規(guī)劃的路徑更能保證航行安全。

3無人機路徑規(guī)劃實驗

3.1實驗開發(fā)環(huán)境和軟硬件平臺

1）硬件環(huán)境：搭建無人機平臺，包括機身、電動機、螺旋槳、飛行控制單元、電子調(diào)速器、遙控器、電池、接收機等，如圖11所示。采用DJI大疆妙算2機載Manifold2-C-G核心板作為無人機主控制單元，負責處理各種數(shù)據(jù)并執(zhí)行飛行控制算法。搭載IntelRealsenseD435i雙目深度相機和定位與地圖構建模塊，用于掃描周圍環(huán)境并獲取深度信息。采用HolybroPixhawk6c作為飛行控制單元，負責執(zhí)行飛行動作，如起飛、降落、轉向等。傳感器選用杰銳微通 60^° 有畸變星光級IMX291，其能夠提供極寬的視野角度，捕捉到更廣闊的實驗區(qū)域，減少盲區(qū)，提高實驗的覆蓋效率。

2）軟件環(huán)境：采用LinuxUbuntul8.04系統(tǒng)與ROSMelodic框架構建開發(fā)環(huán)境，其中ROS為機器人應用提供模塊化開發(fā)工具鏈。通過Rviz實現(xiàn)無人機位姿實時可視化監(jiān)控，結合上位機完成無人機運動控制與環(huán)境感知數(shù)據(jù)同步采集，支撐動態(tài)地圖構建任務。

3.2實驗場景設置

為驗證IJS算法在復雜環(huán)境下的路徑規(guī)劃能力，在結構緊湊、布障可控的教室內(nèi)構建模擬實驗場景，如圖12所示。布設過程中充分借鑒礦井巷道典型特征，主要包括通道狹窄、通行路徑不規(guī)則、視野遮擋嚴重、障礙物密集分布，以及信號干擾與噪聲干擾顯著、光照不足等。其中，實驗環(huán)境中存在多個高頻電子設備與金屬遮擋物，形成一定程度的電磁干擾效應，模擬礦井中常見的信號衰減、圖傳不穩(wěn)定、感知延遲等問題；實驗場地內(nèi)障礙物密集分布，窗戶緊閉，光線被大量遮擋，模擬井下昏暗環(huán)境；通過多媒體設備持續(xù)播放背景噪聲，增強飛行過程中的聲學干擾強度，進一步考驗無人機在聽覺環(huán)境嘈雜下的感知與控制魯棒性。

實驗區(qū)域設置起止點A及多處靜態(tài)障礙物，進一步限制可通行區(qū)域，構造出路徑選擇空間受限、局部決策困難的典型應用場景。通過在類似井下巷道環(huán)境中開展路徑規(guī)劃實驗，可有效評估IJS算法在空間狹小、障礙干擾、電磁干擾與聲學干擾條件下的穩(wěn)定性與實用性，為其在礦并救援中的推廣應用提供基礎驗證支持。

3.3路徑導航實驗

實驗準備階段，通過ROS設定起止點及多個路徑引導點，并將整體環(huán)境信息同步至上位機，用于路徑生成與飛行控制指令下發(fā)。初始化階段設定情況如圖13（a）所示，其中左側為路徑規(guī)劃界面，標注起止點位置，右側為雙目相機采集的實時環(huán)境圖像，紅框標明飛行起始方向。實驗開始后，無人機自主起飛并實時感知周圍環(huán)境。當飛行器接近障礙區(qū)域時，飛行軌跡連續(xù)平滑，順利避開障礙物，如圖13（b）所示。隨后進人中段飛行階段，飛行器依照引導點執(zhí)行多次航向調(diào)整，如圖13（c）所示。最終，無人機精準到達目標點，完成整個路徑導航任務，降落前的終點狀態(tài)如圖13（d）所示。實驗過程中，無人機搭載雙目相機和定位與地圖構建模塊進行實時建圖與定位并獲得深度信息，飛行控制單元通過無線通信與上位機完成數(shù)據(jù)交互，實現(xiàn)路徑規(guī)劃、環(huán)境感知與動作執(zhí)行的閉環(huán)協(xié)同。

4種算法的路徑規(guī)劃時間、路徑長度與拐點數(shù)量對比分析結果見表3。相較于GA，IJS算法的路徑規(guī)劃時間減少了 60.77% ，路徑長度縮短了 9.62% ，路徑中拐點數(shù)量減少了 40% 。相較于PSO 算法，IJS算法的路徑規(guī)劃時間減少了 58.70% ，路徑長度縮短了7.58% ，路徑中拐點數(shù)量減少了 30.77% 。相較于JS算法，IJS算法的路徑規(guī)劃時間減少了 51.52% ，路徑長度縮短了 7.50% ，路徑中拐點數(shù)量減少了 25% ?？梢?，IJS算法在規(guī)劃時間、路徑長度及拐點數(shù)量方面均優(yōu)于其他3種算法，能以更短時間完成路徑規(guī)劃，緊湊高效，降低了路徑復雜度，在室內(nèi)的整體效果更出色，更適用于復雜場景下的路徑規(guī)劃。

4結論

1）為提高礦井救援復雜環(huán)境下無人機路徑規(guī)劃的搜索效率和路徑優(yōu)化程度，提出了基于IJS算法的礦井救援無人機路徑規(guī)劃方法，主要改進體現(xiàn)為將JS算法與Logistic混沌映射、高斯變異、飛行擾動技術相融合。

2）通過Matlab2021a模擬無人機路徑規(guī)劃實驗，在障礙物占比 14.56% 實驗中，IJS算法相較于GA，PSO，JS算法，規(guī)劃的路徑長度分別縮短了2.67% 一 3.95% ， 1.36% ，路徑規(guī)劃時間分別減少了72.27% 66.12% ， 70.87% ，路徑中拐點數(shù)量分別減少了 47.37% 50% 28.57% ；在障礙物占比 32.20% 實驗中，IJS算法相比GA，PSO算法，規(guī)劃的路徑長度均縮短了 4.03% ，路徑規(guī)劃時間分別減少了 62.50% 55.61% ，路徑中拐點數(shù)量分別減少了 15.38% 18.52% 相比JS算法，規(guī)劃的路徑長度增加了 3.89% ，但規(guī)劃時間減少了 57.32% ，路徑中拐點數(shù)量減少了 8.33% 。

3）搭建無人機平臺，搭載杰銳微通 60^° 有畸變星光級IMX291作為傳感器，以室內(nèi)場景作為實驗場地，設置起點和終點，在飛行過程中設置路徑點引導無人機前往終點。實驗結果表明，相較于GA，PSO，JS算法，IJS算法規(guī)劃的路徑長度分別縮短了 9.62% 7.58%，7.50% ，路徑規(guī)劃時間分別減少了 60.77%，58.70% 51.52% ，路徑中拐點數(shù)量分別減少了 40% ， 30.77% 25% 。IJS算法在規(guī)劃效率、路徑優(yōu)化及復雜度控制方面展現(xiàn)出顯著優(yōu)勢。

參考文獻（References）：

[1]王海軍，齊慶杰，梁運濤，等.我國煤礦重特大事故統(tǒng) 計分析及對策建議[J].中國安全科學學報，2024， 34（9）：9-18. WANG Haijun，QI Qingjie，LIANG Yuntao，et al. Statistical analysis and countermeasuresof major accidents in coal mines in China[J].China Safety Science Journal， 2024，34（9）：9-18.

[2]鄭學召，丁文，黃淵，等.不同場景下UWB雷達探測呼 吸心跳信號研究現(xiàn)狀[J/OL].雷達學報：1-25[2025-01- 20].http：//kns.cnki.net/kcms/detail/10.1030.TN.20240923. 1546.004.html. ZHENG Xuezhao，DING Wen， HUANG Yuan， et al. The current research status of UWB radar detection of respirationand heartbeatsignalsindifferent scenarios[J/OL]. Journal of Radars： 1-25[2025-01-20]. http：//kns.cnki.net/kcms/detail/10.1030.TN.20240923. 1546.004.html.

[3]王國法，任懷偉，富佳興.煤礦智能化建設高質(zhì)量發(fā)展 難題與路徑[J].煤炭科學技術，2025，53（1）：1-18. WANG Guofa，REN Huaiwei， FU Jiaxing. Challenge and path of high-quality development of coal mine intelligentconstruction[J].CoalScienceand Technology，2025，53（1）：1-18.

[4]何怡靜，楊維.基于視覺與激光融合的井下災后救援 無人機自主位姿估計[J].工礦自動化，2024，50（4）： 94-102. HE Yijing， YANG Wei. Autonomous pose estimation of underground disaster rescue drones based on visual and laser fusion[J]. Journal of Mine Automation，2024， 50（4）：94-102.

[5]BUDIYANTO A， CAHYADI A， ADJI T B， et al. UAV obstacle avoidance using potential field under dynamic environment[C]. International Conference on Control， Electronics， Renewable Energy and Communications， Bandung， 2015： 187-192.

[6]XIE ZongWu， ZHANG Qi， JIANG Zainan， et al. Robot learning from demonstration for path planning：a review[J]．Science China Technological Sciences， 2020，63（8）：1325-1334.

[7］ZHONG Qiubo，F(xiàn)ANG Xiaoyi. A BigBiGAN-based loop closure detection algorithm for indoor visual SLAM[J]. Journal ofElectricaland Computer Engineering，2021，2021. DOI： 10.1155/2021/9978022.

[8]DA SILVA COSTA L， TONIDANDEL F. DVG+A^? and RRT path-planners：a comparison in a highly dynamic environment[J]． Journal ofIntelligent amp; Robotic Systems，2021，101（3）.DOI： 10.1007/S10846-021- 01326-0.

[9]朱子祺，李創(chuàng)業(yè)，代偉.基于G-RRT*算法的煤矸石分揀 機器人路徑規(guī)劃[J].工礦自動化，2022，48（3）：55-62. ZHU Ziqi， LI Chuangye，DAI Wei. Path planning of coalganguesortingrobotbasedonG-RRT* algorithm[J]. Industry and Mine Automation，2022， 48（3）： 55-62.

[10]江南，徐海芹，邢浩翔.基于TSACO及動態(tài)避障策略 的無人機路徑規(guī)劃[J].計算機應用研究，2024， 41（10）：3015-3020. JIANG Nan，XU Haiqin，XING Haoxiang.UAV path planning based on TSACO and dynamic obstacle avoidancestrategy[J]. ApplicationResearchof Computers，2024， 41（10）： 3015-3020.

[11]王利民，孫瑞峰，翟國棟，等.融合改進A*算法與動態(tài) 窗口法的煤礦足式機器人路徑規(guī)劃[J].工礦自動化， 2024，50（6）： 112-119. WANG Limin， SUN Ruifeng， ZHAI Guodong，et al. Path planning of coal mine foot robot by integrating improved A^* algorithm anddynamicwindow approach[J]． Journal of Mine Automation， 2024， 50（6）： 112-119.

[12]祁云，于開旺，李緒萍，等.融合CPO-DWA的礦井應 急無人機路徑規(guī)劃[J/OL].安全與環(huán)境學報：1-12 [2025-01-26].htps：//oiorg/10.13637/j.issn.1009-6094. 2024.2198. QI Yun， YU Kaiwang， LI Xuping， et al. Path planning for mine emergency UAVs using CPO-DWA[J/OL]. Journal of Safety and Environment： 1-12[2025-01-26]. https：//doi.org/10.13637/j.issn.1009-6094.2024.2198.

[13]王中玉，曾國輝，黃勃，等.改進A*算法的機器人全 局最優(yōu)路徑規(guī)劃[J].計算機應用，2019，39（9）： 2517-2522. WANG Zhongyu， ZENG Guohui， HUANG Bo， et al. Global optimal path planning for robots with improved A^* algorithm[J]. Journal of Computer Applications， 2019，39（9）：2517-2522.

[14]熊超，解武杰，董文瀚.基于碰撞錐改進人工勢場的 無人機避障路徑規(guī)劃[J].計算機工程，2018，44（9）： 314-320. XIONG Chao，XIE Wujie，DONG Wenhan. Obstacle avoidance path planning for UAV based on artificial potential field improved by collision cone[J]. Computer Engineering，2018，44（9）：314-320.

[15]EZZELDIN R，EL-GHANDOUR H，EL-AABD S. Optimal management of coastal aquifers using artificial jellyfish searchalgorithm[J].Jourmal of Hydrology： Regional Studies，2022，41. DOI： 10.1016/J.EJRH. 2022.101058.

[16]孔德祥，師黎靜，鄭甘霖.基于多策略融合的人工水母 算法的瑞雷面波反演研究[J].工程地球物理學報， 2024，21（3）：494-505. KONG Dexiang， SHI Lijing， ZHENG Ganlin. Rayleigh surface wave inversion based on multi-strategy fusion of artificial jellyfish algorithm[J]. Chinese Journal of Engineering Geophysics，2024， 21（3）： 494-505.

[17]陶鑫杰，莫愿斌.融合多策略人工水母算法及工程應 用研究[J].現(xiàn)代電子技術，2023，46（7）：85-90. TAO Xinjie，MO Yuanbin. Research on artificial jellyfishsearchintegratingmulti-strategyandits engineeringapplication[J].Modern Electronics Technique，2023，46（7）：85-90.

[18]閆曉斌，方洋旺，彭維仕.基于自適應高斯變異的多目 標哈里斯鷹優(yōu)化算法[J].北京航空航天大學學報， 2024，50（8）：2636-2645. YAN Xiaobin， FANG Yangwang， PENG Weishi. Multiobjective Harris Hawk optimization algorithm based on adaptive Gaussan mutation[J]. Journal ofBeijing University of Aeronautics and Astronautics，2024， 50（8）：2636-2645.

[19]邵長春，胡國明，李水明.焊接機器人路徑規(guī)劃的高斯 變異蝗蟲優(yōu)化算法[J].機械設計與制造，2023（4）： 276-280. SHAO Changchun， HU Guoming，LI Shuiming. Gauss mutation grasshopper optimization algorithm for path planning of welding robot[J]. Machinery Design amp; Manufacture， 2023（4）： 276-280.

[20]馬衛(wèi)，朱嫻.基于萊維飛行擾動策略的麻雀搜索算法 [J].應用科學學報，2022，40（1）：116-130. MA Wei， ZHU Xian. Sparrow search algorithm based on Levy flight disturbance strategy[J]. Journal of Applied Sciences，2022，40（1）：116-130.

[21]夏超，歐陽平，李明，等.基于混沌精英和Levy飛行策 略的鯨魚優(yōu)化算法[J].計算機技術與發(fā)展，2024， 34（4）： 180-186. XIA Chao，OUYANG Ping，LI Ming，et al. Whale optimization algorithm based on chaotic elite and Levy flightstrategy[J].ComputerTechnologyand Development， 2024，34（4）：180-186.

[22]池志猛，李智剛，趙洋，等.針對深海采礦車的遍歷路 徑規(guī)劃方法研究[J].礦業(yè)研究與開發(fā)，2022，42（7）： 160-166. CHI Zhimeng， LI Zhigang， ZHAO Yang， et al. Research on traversal path planning method for deep-sea mining vehicle[J]. Mining Research and Development， 2022， 42（7）：160-166.