随着科学技术的进步,无人机在功能上变得更加完善和多元化,在电力、工农业、生产优化领域都有着广泛的应用与研究,同时在军事战场中作为一种新型高科技武器装备,也极具发展潜力。自动航迹规划是实现无人机自主飞行的关键技术之一。航迹规划则是通过核心的航迹规划算法来实现的。群智能优化算法是一种新兴的优化算法,对于解决相对复杂的无人机航迹规划问题有着较好的寻优能力。其中,粒子群算法(PSO)和人工蜂群算法(ABC)作为两种典型的群智能算法,具有参数较少、解算能力强等优点,在无人机航迹规划领域有着极大的研究价值。论文针对标准粒子群算法和标准人工蜂群两种算法的优势与不足,分别进行了单一算法改进。在粒子群算法迭代前期和后期分段设置惯性权值的调整,实现了粒子惯性和寻优行为的平衡。将遗传算法的交叉、变异思想引入粒子群算法,结合无人机三维航迹规划,仿真验证结果表明改进粒子群算法的可行性,在收敛速度,算法稳定性上均有提升。对于人工蜂群算法的更新阶段加入全局最优指导项,对采蜜蜂具有更强的引导性。引入反向概率选择方式,与常规选择方式并行进行,避免算法过早收敛。仿真实验验证了改进算法在无人机航迹规划中的性能表现,在路径平滑度,搜索能力上均有提升。论文最后提出了两种组合型改进措施:PSO-ABC算法和P-ABC算法,并将其应用于无人机航迹规划中。PSO-ABC算法将种群分为A群和P群,分别依据ABC算法与PSO算法进化。两子群通过交换最优粒子的学习方式满足共享优质信息。P-ABC算法在蜂群算法中引入粒子群算法中个体的学习性,通过共享粒子,给蜂群的跟随蜂带来更好的引导性,也让粒子群下一代的进化环境更优,展现出良好的全局性和精确性。最后通过仿真实验,验证了两种混合优化算法在三维空间航迹规划的有效性和可行性,且与其他航迹规划算法相比,具有路径长度更短、耗时更少、路径更平滑等优点,加快了收敛速度,提高了航迹规划效率和稳定性。改进算法的航迹规划可得到满足约束关系的最优航迹,对实现自主飞行有重要参考价值。