Comparative analysis of swarm intelligence metaheuristic algorithms for group UAV control
DOI:
https://doi.org/10.18372/2073-4751.84.20904Keywords:
UAV, swarm intelligence, metaheuristic algorithms, decentralized control, AVOA, DBO, HHO, SO, global optimizationAbstract
This article is devoted to conducting a comparative analysis and evaluating the efficiency of modern metaheuristic algorithms introduced no later than 2021-namely, African Vultures Optimization Algorithm (AVOA), Harris Hawks Optimization (HHO), Dung Beetle Optimizer (DBO), and Snake Optimizer (SO) which can be applied to decentralized unmanned aerial vehicle (UAV) swarm control tasks. The research is timely and driven by the shift in UAV management from single-unit control to the coordination of autonomous swarms capable of executing labor-intensive tasks while minimizing risks inherent to centralized systems, specifically by reducing critical communication latency and enhancing resilience against control node failures.
The research methodology was implemented using simulation modeling in a Python version 3.12.9 environment. The testing suite consisted of 23 classic benchmark functions, on which the four aforementioned algorithms were evaluated. Accuracy (Mean), iterative stability (Std), and convergence speed at a fixed dimensionality of D = 30 for each algorithm were selected as the primary comparison metrics.
The results of the numerical experiments demonstrated a clear specialization for each algorithm: it was established that AVOA possesses the highest, near-benchmark localization accuracy and exceptional stability across most benchmarks compared to its competitors. This makes the algorithm the optimal choice for swarm targeting or spatial station-keeping tasks. DBO proved to be the superior algorithm for global exploration in complex terrains, demonstrating the highest efficiency in path planning through unknown areas with a high density of obstacles. The HHO algorithm showed sufficiently balanced indicators of accuracy and stability, particularly on curved landscapes. Generally competitive with AVOA, HHO is also excellently suited for target tracking tasks. The SO algorithm proved to be the least effective on average due to slow convergence, yet it maintains sufficient effectiveness for use in low-dimensional tasks.
References
Hassanien A. E., Emary E. Swarm Intelligence: Principles, Advances, and Applications. 1st ed. CRC Press, 2016. DOI: 10.1201/9781315222455.
Abdollahzadeh B., Gharehchopogh F., Mirjalili S. African vultures optimization algorithm: A new nature-inspired metaheuristic algorithm for global optimization problems. Comput. Ind. Eng. 2021. Vol. 158. 107408. DOI: 10.1016/j.cie.2021.107408.
Hashim F., Hussien A. Snake Optimizer: A novel meta-heuristic optimization algorithm. Knowl. Based Syst. 2022. Vol. 242. 108320.
Opposition-based learning Harris hawks optimization with advanced transition rules: Principles and analysis / A. A. Heidari et al. Expert Systems with Applications. 2020. Vol. 158. 113528. DOI: 10.1016/j.eswa.2020.113528.
Xue J.-K., Shen B. Dung beetle optimizer: a new meta-heuristic algorithm for global optimization. The Journal of Supercomputing. 2022. Vol. 79. DOI: 10.1007/s11227-022-04959-6.
A Novel Meta-Heuristic Algorithm for Numerical and Engineering Optimization Problems: Piranha Foraging Optimization Algorithm (PFOA) / S. Cao et al. IEEE Access. 2023. PP. 1-1. DOI: 10.1109/ACCESS.2023.3267110.
Kalashnikova V. Methods of managing an automated mobile system. INNOVATIVE TECHNOLOGIES AND SCIENTIFIC SOLUTIONS FOR INDUSTRIES. 2024. No. 4(30). P. 67–84. DOI: 10.30837/2522-9818.2024.4.067.
Використання алгоритмів ройового інтелекту при проектуванні систем управління груп безпілотних літальних апаратів / О. В. Каратанов та ін. Молодий вчений. 2021. № 10 (98). С. 98–103.
Бабич С. О., Гуляницький Л. Ф. Алгоритми ройового інтелекту для задачі динамічного розподілу навантаження. Журнал науковий огляд. 2018. № 3(46).
UAV Swarm Mission Planning and Load Sensitivity Analysis Based on Clustering and Optimization Algorithms / Y. Yan et al. Appl. Sci. 2023. Vol. 13. 12438. DOI: 10.3390/app132212438.
Diep Q. B., Truong T. C., Zelinka I. Planning trajectory for UAVs using the self-organizing migrating algorithm. PLOS ONE. 2025. Vol. 20(7). e0327016. DOI: 10.1371/journal.pone.0327016.
Lancephil. Dung-Beetle-Optimizer [Source code]. GitHub. 2023. URL: https://github.com/Lancephil/Dung-Beetle-Optimizer.
Hashim F. Snake Optimizer (SO) [Source code]. MathWorks File Exchange. 2022. URL: https://www.mathworks.com/matlabcentral/fileexchange/106465-snake-optimizer.
Downloads
Published
How to Cite
Issue
Section
License
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
