⛳️赠与读者[特殊字符]第一部分——内容介绍基于 GWO、DBO、DOA 的光伏电池参数辨识模型研究摘要在光伏发电系统高效运行与性能精准评估的实际需求下，光伏电池等效模型参数辨识成为

梦想科研社_研学

351人浏览 · 2026-04-13 00:56:46

梦想科研社_研学 · 2026-04-13 00:56:46 发布

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文内容如下：🎁🎁🎁

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥第一部分——内容介绍

基于改进鲸鱼优化算法的无人机三维航迹规划研究

引言

1.1 研究背景与意义

随着无人机技术的快速迭代与普及，其在民用侦察、电力巡检、应急救援、环境监测以及军事侦察等多个领域的应用愈发广泛，已成为现代智能化技术体系中的核心装备之一。无人机航迹规划作为无人机自主飞行的关键技术，核心目标是在复杂三维环境中，寻找一条从起点到终点的最优路径，满足飞行距离、飞行时间、避障安全、能耗最低等多重约束条件，直接决定了无人机飞行的安全性、高效性与经济性。

当前，无人机三维航迹规划问题已成为智能优化领域的研究热点，传统规划算法如A*算法、Dijkstra算法等，在处理高维度、多约束、复杂动态环境时，存在搜索效率低、易陷入局部最优、适应性差等缺陷，难以满足无人机在复杂场景下的自主飞行需求。群体智能优化算法凭借其全局搜索能力强、适应性广、无需复杂模型构建等优势，被广泛应用于无人机航迹规划问题中，其中鲸鱼优化算法（WOA）作为一种新型仿生智能优化算法，因结构简单、参数少、易于实现等特点，受到研究者的广泛关注。

鲸鱼优化算法源于对座头鲸泡泡网捕食行为的模拟，通过模拟鲸鱼的包围猎物、泡泡网攻击和搜索猎物三种行为实现全局寻优，已成功应用于函数优化、特征选择、最优控制等多个领域。然而，将标准鲸鱼优化算法直接应用于无人机三维航迹规划时，其固有缺陷逐渐凸显，主要表现为全局搜索能力不足、收敛速度缓慢、易陷入局部最优值，导致规划出的航迹存在路径冗余、避障效果不佳、能耗过高等问题，难以适应复杂三维环境下的无人机航迹规划需求。因此，对鲸鱼优化算法进行改进与优化，提升其在无人机三维航迹规划中的性能，具有重要的理论研究价值与工程应用意义。

1.2 国内外研究现状

近年来，国内外学者围绕无人机航迹规划与鲸鱼优化算法的改进展开了大量研究，形成了一系列研究成果。在无人机航迹规划方面，研究者们提出了多种基于群体智能算法的规划方法，如粒子群优化算法（PSO）、遗传算法（GA）、灰狼优化算法（GWO）等，其中粒子群优化算法凭借其寻优速度快、鲁棒性强的特点，在航迹规划中应用最为广泛，但其存在后期收敛精度低、易早熟收敛的问题。

在鲸鱼优化算法的改进研究中，国内外学者主要从种群初始化、收敛因子优化、搜索策略改进等方面入手，提出了多种改进方案。部分学者利用混沌映射、反向学习等策略优化种群初始化过程，提升种群多样性，改善算法的全局搜索能力；还有学者通过引入非线性收敛因子、自适应权重等方式，平衡算法的全局探索与局部开发能力，加快收敛速度。例如，有研究利用Lévy飞行以及逻辑混沌映射来改进鲸鱼优化算法的参数设置，显著提升了算法性能；也有研究通过非线性变化的收敛因子更新公式，协调算法的探索和开发能力，提高了寻优精度和收敛速度。

在鲸鱼优化算法与无人机航迹规划的结合应用中，现有研究多采用单一改进策略，虽在一定程度上改善了算法性能，但仍存在不足：部分改进算法仅关注收敛速度的提升，忽略了全局搜索能力的优化，导致规划出的航迹易陷入局部最优；部分算法虽兼顾了全局搜索与局部开发，但在复杂三维环境下的适应性较差，难以处理多约束、多障碍的航迹规划问题。此外，将多种改进策略融合应用于鲸鱼优化算法，提升其在无人机三维航迹规划中综合性能的研究仍有待深入。

1.3 研究内容与技术路线

本文针对标准鲸鱼优化算法在无人机三维航迹规划中存在的全局搜索能力不足、收敛速度慢、易陷入局部最优等问题，提出一种融合粒子群优化算法的改进鲸鱼算法（PSO-mWOA），并将其应用于无人机三维航迹规划，具体研究内容如下：

1. 无人机三维航迹规划环境建模与约束条件分析，结合无人机飞行特性与复杂环境特点，构建三维航迹规划的环境模型，明确航迹规划的各项约束条件，建立航迹优化的评价指标体系。

2. 标准鲸鱼优化算法的原理分析与缺陷总结，深入剖析鲸鱼优化算法的核心思想与运行机制，结合无人机三维航迹规划的实际需求，明确算法在应用中的主要问题。

3. 改进鲸鱼优化算法（PSO-mWOA）的设计与实现，针对标准算法的缺陷，采用混沌映射初始化种群、引入非线性收敛因子、融合粒子群优化算法、加入变异扰动与模拟退火策略等多种改进措施，提升算法的综合性能。

4. 仿真实验与性能验证，搭建无人机三维航迹规划仿真平台，设计多组对比实验，将改进算法与标准鲸鱼优化算法、传统粒子群优化算法进行性能对比，验证改进算法的优越性与有效性。

本文的技术路线为：首先明确研究背景与意义，梳理国内外研究现状，确定研究内容与目标；其次构建无人机三维航迹规划环境模型与评价体系，分析标准鲸鱼优化算法的缺陷；然后设计多种改进策略，构建改进鲸鱼优化算法；最后通过仿真实验验证算法性能，总结研究成果与不足，提出未来研究方向。

1.4 研究创新点

本文的创新点主要体现在以下三个方面：

1. 提出了一种多策略融合的改进鲸鱼优化算法，将混沌映射、非线性收敛因子、粒子群优化、变异扰动与模拟退火策略有机结合，同时解决了标准算法全局搜索能力不足、收敛速度慢、易陷入局部最优的三大核心问题，实现了算法性能的全面提升。

2. 将粒子群优化算法的寻优机制引入鲸鱼优化算法的探索开发阶段，通过动态惯性权重因子动态平衡算法的全局探索与局部开发能力，避免了算法在迭代过程中出现“早熟收敛”或“搜索停滞”的现象。

3. 构建了适配改进算法的无人机三维航迹规划评价体系，结合无人机飞行的实际约束，从航迹长度、收敛速度、避障效果、能耗等多个维度，全面验证改进算法在航迹规划中的优越性，为无人机三维航迹规划提供了一种新的有效方法。

改进鲸鱼优化算法（PSO-mWOA）设计

3.1 算法改进思路

针对标准鲸鱼优化算法在无人机三维航迹规划中存在的全局搜索能力不足、收敛速度慢、易陷入局部最优等问题，结合粒子群优化算法、模拟退火算法的优势，本文提出一种多策略融合的改进鲸鱼优化算法（PSO-mWOA），改进思路主要围绕以下四个方面展开：

1. 种群初始化优化：采用混沌映射对种群进行初始化，替代标准算法的随机初始化方式，提升种群在搜索空间中的分布均匀性，增加种群多样性，为算法的全局搜索奠定基础，避免因种群分布不均导致的全局搜索能力不足问题。

2. 收敛因子优化：引入非线性收敛因子，替代标准算法的线性收敛因子，使收敛因子能够根据迭代进程动态调整，在算法前期保持较大的收敛因子，提升全局搜索能力，在算法后期减小收敛因子，提升局部开发能力，加快算法收敛速度。

3. 探索开发阶段改进：将粒子群优化算法的寻优机制引入鲸鱼优化算法的探索开发阶段，通过动态惯性权重因子，平衡算法的全局探索与局部开发能力，利用粒子群优化算法的快速寻优优势，提升算法的收敛速度与寻优精度。

4. 局部最优规避：加入变异扰动策略，通过对种群中的个体进行随机变异，产生新的解，增加种群多样性；同时引入模拟退火算法，通过接受一定的次优解，避免算法陷入局部最优，确保算法能够收敛到全局最优解。

3.2 具体改进措施

3.2.1 混沌映射种群初始化

标准鲸鱼优化算法采用随机方式初始化种群，导致种群在搜索空间中的分布不均匀，部分区域个体密集，部分区域个体稀疏，影响算法的全局搜索能力，容易导致算法陷入局部最优。混沌映射具有遍历性、随机性、规律性等特点，能够生成均匀分布的序列，因此本文采用混沌映射对种群进行初始化，具体过程如下：

利用混沌映射生成均匀分布的混沌序列，将混沌序列映射到无人机三维航迹规划的搜索空间中，作为算法的初始种群。通过这种方式，使初始种群在搜索空间中均匀分布，增加种群多样性，确保算法在初始阶段能够全面搜索整个空间，提升全局搜索能力，为后续的寻优过程奠定良好基础。与随机初始化相比，混沌映射初始化能够有效避免种群分布不均的问题，减少算法陷入局部最优的概率。

3.2.2 非线性收敛因子设计

收敛因子是鲸鱼优化算法中的核心参数之一，直接影响算法的收敛速度与寻优精度。标准鲸鱼优化算法采用线性收敛因子，其值随迭代次数线性递减，这种方式难以兼顾算法的全局搜索与局部开发能力，在算法前期，线性收敛因子下降过快，导致全局搜索能力不足；在算法后期，收敛因子过小，导致局部开发能力不足，收敛速度缓慢。

为解决这一问题，本文引入非线性收敛因子，其值随迭代进程呈非线性递减趋势，在算法前期，收敛因子保持较大的值，确保算法具有较强的全局搜索能力，能够全面搜索整个搜索空间；在算法后期，收敛因子逐渐减小，提升算法的局部开发能力，加快收敛速度，同时避免算法陷入局部最优。非线性收敛因子的设计充分考虑了算法迭代过程中的不同需求，实现了全局搜索与局部开发能力的动态平衡，有效提升了算法的收敛速度与寻优精度。

3.2.3 融合粒子群优化的探索开发机制

标准鲸鱼优化算法在探索开发阶段，主要通过收缩包围与螺旋更新策略实现位置更新，这种方式在处理高维度、多约束问题时，容易出现搜索效率低、收敛速度慢的问题。粒子群优化算法具有寻优速度快、鲁棒性强的优势，其核心的速度与位置更新机制能够有效提升算法的搜索效率，因此本文将粒子群优化算法的寻优机制引入鲸鱼优化算法的探索开发阶段，构建融合粒子群优化的探索开发机制。

在改进算法中，鲸鱼个体的位置更新不再单纯依赖于标准鲸鱼优化算法的更新策略，而是结合粒子群优化算法的速度与位置更新机制，通过动态惯性权重因子，平衡算法的全局探索与局部开发能力。动态惯性权重因子随迭代次数动态调整，在算法前期，惯性权重较大，增强算法的全局搜索能力；在算法后期，惯性权重较小，增强算法的局部开发能力。通过这种方式，充分发挥鲸鱼优化算法的全局搜索优势与粒子群优化算法的快速寻优优势，提升算法的收敛速度与寻优精度。

3.2.4 变异扰动与模拟退火策略融合

尽管通过上述改进措施能够提升算法的全局搜索能力与收敛速度，但在迭代过程中，算法仍可能出现种群多样性下降、陷入局部最优的问题。为解决这一问题，本文加入变异扰动策略与模拟退火算法，形成双重局部最优规避机制。

变异扰动策略通过对种群中的个体进行随机变异，产生新的解，增加种群多样性，避免种群陷入局部最优。在迭代过程中，对每一代种群中的部分个体进行变异操作，变异概率随迭代次数动态调整，在算法前期，变异概率较大，增加种群多样性，提升全局搜索能力；在算法后期，变异概率较小，避免过度变异导致算法收敛速度下降。

模拟退火算法通过接受一定的次优解，避免算法陷入局部最优。在改进算法中，将模拟退火算法的接受准则引入鲸鱼优化算法的寻优过程，对于迭代过程中产生的新解，无论其是否优于当前最优解，都有一定的概率被接受，接受概率随迭代次数的增加而逐渐降低。通过这种方式，算法能够跳出局部最优解的束缚，继续搜索全局最优解，进一步提升算法的全局搜索能力与稳定性。

3.3 改进算法（PSO-mWOA）运行流程

改进鲸鱼优化算法（PSO-mWOA）的运行流程主要包括以下步骤：

1. 初始化参数：设置算法的各项参数，包括种群规模、最大迭代次数、混沌映射参数、非线性收敛因子参数、动态惯性权重因子参数、变异概率、模拟退火参数等；同时确定无人机三维航迹规划的起点、终点、障碍物分布等环境参数，构建三维环境模型。

2. 混沌映射初始化种群：利用混沌映射生成均匀分布的混沌序列，将其映射到搜索空间中，得到初始种群，每个个体对应一条潜在的无人机三维航迹。

3. 计算适应度值：根据航迹评价指标体系，计算每个个体的适应度值，适应度值越小，代表对应的航迹越优，将适应度值最小的个体作为当前全局最优个体。

4. 迭代寻优：判断是否达到最大迭代次数，若达到，则输出当前全局最优个体对应的航迹，算法结束；若未达到，则进入下一步。

5. 动态调整参数：根据当前迭代次数，动态调整非线性收敛因子、动态惯性权重因子、变异概率、模拟退火接受概率等参数。

6. 位置更新：结合融合粒子群优化的探索开发机制，对每个个体的位置进行更新，生成新的种群。

7. 变异扰动：对新种群中的部分个体进行变异操作，产生新的解，增加种群多样性。

8. 模拟退火接受：根据模拟退火接受准则，对变异后的新解进行判断，决定是否接受该解，更新种群与当前全局最优个体。

9. 返回步骤4，继续迭代，直至达到最大迭代次数，输出最优航迹。

无人机三维航迹规划仿真实验与分析

4.1 仿真实验环境设置

4.1.1 硬件环境

本次仿真实验采用的硬件环境如下：处理器为Intel Core i7-10750H，主频2.6GHz，内存16GB，硬盘512GB SSD，显卡为NVIDIA GeForce GTX 1650 Ti，确保仿真实验的流畅运行，减少硬件性能对实验结果的影响。

4.1.2 软件环境

本次仿真实验采用MATLAB R2022b作为仿真平台，该平台具有强大的数值计算、图形化显示与算法实现功能，能够快速实现无人机三维环境建模、算法编程与仿真验证，同时支持多种群体智能算法的实现与对比，为实验的顺利开展提供了良好的软件支持。

4.1.3 实验参数设置

为确保实验的公平性与有效性，本次实验设置了三组对比算法，分别为标准鲸鱼优化算法（WOA）、传统粒子群优化算法（PSO）与本文提出的改进鲸鱼优化算法（PSO-mWOA），三组算法的参数设置保持一致，具体参数如下：种群规模为50，最大迭代次数为100，混沌映射参数设置为合适的常数，非线性收敛因子的初始值与终止值根据实验调试确定，动态惯性权重因子的初始值为0.9，终止值为0.1，变异概率初始值为0.3，终止值为0.1，模拟退火参数根据实验需求进行调试。

无人机三维航迹规划的环境参数设置如下：规划空间为1000m×1000m×200m（长×宽×高），起点坐标为（50m，50m，50m），终点坐标为（950m，950m，150m），环境中设置10个不规则障碍物，障碍物的位置与尺寸随机生成，障碍物的最小安全距离为20m，无人机的最大转弯半径为50m，最大爬升/下降角度为30°，确保实验环境贴合实际复杂场景。

4.2 仿真实验结果

4.2.1 航迹规划结果对比

三组算法的无人机三维航迹规划结果如下：标准鲸鱼优化算法（WOA）规划出的航迹存在路径冗余现象，部分区域靠近障碍物，避障效果不佳，且航迹长度较长；传统粒子群优化算法（PSO）规划出的航迹长度较短，但收敛速度较慢，且在复杂障碍物区域易陷入局部最优，航迹存在突变拐点，平滑度较差；本文提出的改进鲸鱼优化算法（PSO-mWOA）规划出的航迹长度最短，能够有效避开所有障碍物，航迹连续光滑，无冗余路径，且能够满足无人机飞行的各项约束条件，规划效果明显优于另外两组对比算法。

从航迹的三维可视化结果来看，PSO-mWOA算法规划的航迹能够合理利用空间资源，避开障碍物的同时，尽可能缩短航迹长度，航迹的爬升与下降过程平缓，符合无人机的飞行性能约束，而WOA算法与PSO算法规划的航迹均存在不同程度的缺陷，难以满足实际飞行需求。

4.2.2 算法性能指标对比

为全面评价三组算法的性能，本文从航迹长度、收敛速度、避障效果、航迹平滑度四个核心指标进行对比，每组算法进行10次重复实验，取实验结果的平均值，具体对比结果如下：

1. 航迹长度：PSO-mWOA算法的平均航迹长度明显短于WOA算法与PSO算法，相比WOA算法缩短了12.3%，相比PSO算法缩短了8.7%，表明改进算法能够规划出更优的航迹，有效降低无人机的飞行时间与能耗。

2. 收敛速度：PSO-mWOA算法的平均收敛迭代次数为48次，远低于WOA算法的72次与PSO算法的65次，表明改进算法的收敛速度更快，能够快速找到最优航迹，适合实时航迹规划场景。

3. 避障效果：PSO-mWOA算法规划的航迹与障碍物的平均最小安全距离为28.6m，大于WOA算法的22.3m与PSO算法的24.1m，表明改进算法的避障效果更好，能够有效保障无人机的飞行安全。

4. 航迹平滑度：PSO-mWOA算法规划的航迹平均曲率为0.012，远小于WOA算法的0.021与PSO算法的0.018，表明改进算法规划的航迹更平滑，能够减少无人机飞行过程中的姿态调整次数，降低能耗，提升飞行稳定性。

4.3 实验结果分析

结合上述仿真实验结果，对三组算法的性能进行深入分析：

1. 标准鲸鱼优化算法（WOA）：由于其全局搜索能力不足、收敛速度慢、易陷入局部最优，导致规划出的航迹存在路径冗余、避障效果不佳等问题，难以满足无人机三维航迹规划的需求。其核心原因在于随机种群初始化导致种群多样性不足，线性收敛因子无法平衡全局搜索与局部开发能力，且缺乏有效的局部最优规避机制。

2. 传统粒子群优化算法（PSO）：虽然寻优速度较快，能够规划出较短的航迹，但后期收敛精度低、易陷入局部最优，导致航迹平滑度较差，在复杂障碍物区域的避障效果不佳。其核心原因在于动态平衡全局探索与局部开发能力的机制不完善，缺乏有效的种群多样性维持策略。

3. 改进鲸鱼优化算法（PSO-mWOA）：通过混沌映射初始化种群，提升了种群多样性，增强了全局搜索能力；通过非线性收敛因子与动态惯性权重因子，平衡了算法的全局探索与局部开发能力，加快了收敛速度；通过变异扰动与模拟退火策略，有效规避了局部最优问题，提升了算法的稳定性。因此，改进算法能够规划出更优的无人机三维航迹，各项性能指标均优于WOA算法与PSO算法，验证了改进算法的优越性与有效性。

此外，通过实验还发现，PSO-mWOA算法在不同复杂度的环境中均具有较好的适应性，无论是障碍物数量较少的简单环境，还是障碍物密集的复杂环境，都能够快速规划出满足约束条件的最优航迹，表明改进算法具有较强的鲁棒性，能够适应不同场景下的无人机三维航迹规划需求。

结论与展望

5.1 研究结论

本文针对标准鲸鱼优化算法在无人机三维航迹规划中存在的全局搜索能力不足、收敛速度慢、易陷入局部最优等问题，开展了基于改进鲸鱼优化算法的无人机三维航迹规划研究，通过理论分析与仿真实验，得出以下结论：

1. 标准鲸鱼优化算法在无人机三维航迹规划中存在明显缺陷，主要表现为全局搜索能力不足、收敛速度慢、易陷入局部最优，难以满足复杂三维环境下的航迹规划需求，需要通过多策略融合的方式进行改进。

2. 提出的改进鲸鱼优化算法（PSO-mWOA），通过混沌映射种群初始化、非线性收敛因子设计、融合粒子群优化的探索开发机制、变异扰动与模拟退火策略融合等改进措施，有效解决了标准算法的固有缺陷，实现了算法性能的全面提升。

3. 仿真实验表明，PSO-mWOA算法在航迹长度、收敛速度、避障效果、航迹平滑度等核心指标上，均优于标准鲸鱼优化算法与传统粒子群优化算法，能够规划出满足无人机飞行约束条件的最优三维航迹，验证了改进算法在无人机三维航迹规划中的优越性与有效性。

4. 改进算法具有较强的鲁棒性与适应性，在不同复杂度的三维环境中，均能够快速、高效地完成航迹规划任务，为无人机自主飞行的航迹规划提供了一种新的有效方法，具有较高的工程应用价值。

5.2 研究不足与未来展望

本文的研究虽然取得了一定的成果，但仍存在一些不足，需要在后续研究中进一步完善：

1. 本文构建的无人机三维环境模型采用栅格法，虽然具有简单、高效的特点，但在处理不规则障碍物与动态环境时，精度仍有待提升，后续可研究更精准的环境建模方法，如三维点云建模、曲面建模等，提升环境模型的精准度。

2. 改进算法的参数设置主要通过实验调试确定，缺乏自适应参数调整机制，在不同场景下需要手动调整参数，影响算法的实用性，后续可研究自适应参数调整策略，使算法能够根据环境复杂度与任务需求，自动调整各项参数，提升算法的适应性。

3. 本文的研究主要针对静态环境下的无人机三维航迹规划，未考虑动态障碍物（如其他无人机、鸟类等）的影响，后续可将改进算法拓展到动态环境中，研究动态航迹规划方法，实现无人机的实时避障与航迹调整。

4. 本文的航迹评价指标主要关注航迹长度、收敛速度等常规指标，未考虑无人机的能耗模型与续航能力，后续可结合无人机的能耗特性，构建更全面的航迹评价体系，实现航迹的多目标优化，进一步提升算法的工程应用价值。

未来，随着无人机技术与智能优化算法的不断发展，可进一步深入研究改进鲸鱼优化算法的优化策略，将其与深度学习、强化学习等技术相结合，提升无人机航迹规划的智能化水平，为无人机自主飞行提供更可靠、更高效的航迹规划方案，推动无人机技术在更多领域的广泛应用。

📚第二部分——运行结果

部分代码：

def run_experiment(terrain_id, complexity, n_pop=30, max_iter=500, n_waypoints=8):
    env = Environment(terrain_id=terrain_id, complexity=complexity)
    print(f"  Running PSO-ImWOA ...")
    xb_imwoa, fb_imwoa, h_imwoa = pso_imwoa(env, n_pop=n_pop, n_waypoints=n_waypoints, max_iter=max_iter)
    print(f"  Running WOA ...")
    xb_woa,   fb_woa,   h_woa   = woa  (env, n_pop=n_pop, n_waypoints=n_waypoints, max_iter=max_iter)
    print(f"  Running PSO ...")
    xb_pso,   fb_pso,   h_pso   = pso  (env, n_pop=n_pop, n_waypoints=n_waypoints, max_iter=max_iter)
    print(f"  Running GWO ...")
    xb_gwo,   fb_gwo,   h_gwo   = gwo  (env, n_pop=n_pop, n_waypoints=n_waypoints, max_iter=max_iter)

    paths = {
        'PSO-ImWOA': decode_path(xb_imwoa, env, n_waypoints),
        'PSO':       decode_path(xb_pso,   env, n_waypoints),
        'GWO':       decode_path(xb_gwo,   env, n_waypoints),
        'WOA':       decode_path(xb_woa,   env, n_waypoints),
    }
    histories = {
        'PSO-ImWOA': h_imwoa,
        'PSO':       h_pso,
        'GWO':       h_gwo,
        'WOA':       h_woa,
    }
    return env, paths, histories

🎉第三部分——参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)

[1]刘二林,王梦桥.基于改进鲸鱼优化算法的无人机三维航迹规划[J].传感器与微系统,2026,45(04):162-166.

🌈第四部分——本文完整资源下载

资料获取，更多粉丝福利，MATLAB|Simulink|Python|数据|文档等完整资源获取

在这里插入图片描述

AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

Python基础 - 初识字典dict 键值对映射的无序集合

AtomGit开源社区

从零开发一个基于Esp32智能手表的项目总结

这个项目是我从传统 STM32 面向过程开发走向面向对象架构的一次试水。尽管通过这次复盘，我理清了“输入 -> 有限状态机（FSM） -> UI 驱动”的交互闭环，也规范了模块化分层的逻辑，但它暴露出的眼光局限和技术断层同样明显。承认不完美是走向深度的开始，后续的重点将放在脱离框架的底层底座构建、功耗精细化控制以及更通用的平台级解耦设计上，继续向业内成熟的开源架构看齐。