---

1.摘要

由于道路曲率穿透和参数不确定性带来的侧向偏差，自动驾驶车辆控制器面临提供准确、快速响应及小幅超调等性能挑战。本文提出了一种基于维度狩猎学习（DLH）机制改进秃鹰搜索算法（IBES）。此外，通过基于Hermite-Biehler定理的频率域界限，优化模型预测控制（MPC）的调整，以适应AV速度和道路曲率的变化。

2.秃鹰搜索算法BES原理

【智能算法】秃鹰搜索算法（BES）原理及实现

3.改进策略

在秃鹰搜索（BES）算法中，秃鹰依靠先前所有解$P_{mean}$来构建新解，但这种方法导致收敛缓慢、容易陷入局部最优，并且早期失去多样性。为了解决这些问题，本文引入了一种基于维度学习的狩猎（DLH）策略，通过从邻近秃鹰的学习中更新每只秃鹰的位置。DLH策略为种群中每只秃鹰生成额外的候选解，并通过计算每只秃鹰当前位置与候选位置之间的欧几里得距离，以精细化搜索过程。
$$E_i=\Vert P_i–P_{i–BES,new}\Vert$$

根据欧几里得距离$E_i$，推导出每只秃鹰$P_i$的邻居$N_i$：
$$N_i=\left\{\begin{array}{c}{P}_j|D_i\left(P_i,P_j\right)\le N_i,P_j\in Population\end{array}\right\}$$

其中，$D_i$ 是$P_i$和$P_j$之间的欧几里得距离。通过邻居和随机选定的秃鹰学习得到的秃鹰$P_i$的新解决方案的每个维度将按照以下方式更新：
$$P_{i-DLH,new}=P_i+rand\times (P_n-P_r)$$
贪心保留：
$$P_{i,new}=\{\begin{array}{c}{P}_{i-BES,new},iff(P_{i-BES})<f(P_{i-DLH})\\ P_{i-DLH,new},\end{array}$$

流程图

4.结果展示

5.参考文献

[1] Elsisi M, Essa M E S M. Improved bald eagle search algorithm with dimension learning-based hunting for autonomous vehicle including vision dynamics[J]. Applied Intelligence, 2023, 53(10): 11997-12014.

6.代码获取