En este documento, se desarrolla un nuevo algoritmo de optimización llamado Algoritmo Genético Codificado por Movimiento con Múltiples Padres (MEGA-MPC) para localizar objetivos en movimiento utilizando múltiples Vehículos Aéreos No Tripulados (UAV). La teoría bayesiana se utiliza para formular el seguimiento del objetivo en movimiento como un problema de optimización donde la probabilidad de detección del objetivo define la función objetivo como la probabilidad de detectar el objetivo. En el algoritmo MEGA-MPC desarrollado, una serie de trayectorias de movimiento de UAV codifica la trayectoria de búsqueda. En cada iteración del algoritmo MEGA-MPC, las trayectorias de movimiento de los UAV experimentan una evolución. El enfoque propuesto para la búsqueda dinámica de objetivos utilizando múltiples UAV utiliza cálculos paralelos para resolver el problema de optimización basado en el algoritmo MEGA-MPC, donde cada UAV puede comunicarse con otros UAV si se solicita. El rendimiento del algoritmo se prueba con varias características en seis escenarios distintos utilizando un número diferente de UAV y objetivos. El análisis estadístico de los resultados obtenidos utilizando MEGA-MPC en comparación con otras metaheurísticas conocidas muestra que MEGA-MPC ofrece mejores soluciones para encontrar objetivos dinámicos, ya que supera a todos los algoritmos comparados.

Dans cet article, un nouvel algorithme d'optimisation appelé Motion-Encoded Genetic Algorithm with Multiple Parents (MEGA-MPC) est développé pour localiser des cibles en mouvement à l'aide de plusieurs véhicules aériens sans pilote (UAV). La théorie bayésienne est utilisée pour formuler le suivi de cible mobile comme un problème d'optimisation où la probabilité de détection de cible définit la fonction objective comme la probabilité de détecter la cible. Dans l'algorithme MEGA-MPC développé, une série de trajectoires de mouvement d'UAV code la trajectoire de recherche. Dans chaque itération de l'algorithme MEGA-MPC, les trajectoires de mouvement des UAV subissent une évolution. L'approche proposée pour la recherche dynamique de cibles à l'aide de plusieurs UAV utilise des calculs parallèles pour résoudre le problème d'optimisation basé sur l'algorithme MEGA-MPC où chaque UAV peut communiquer avec d'autres UAV si demandé. Les performances de l'algorithme sont testées avec diverses caractéristiques dans six scénarios distincts en utilisant un nombre différent de drones et de cibles. L'analyse statistique des résultats obtenus à l'aide de MEGA-MPC par rapport à d'autres métaheuristiques bien connues montre que MEGA-MPC offre de meilleures solutions pour trouver des cibles dynamiques car il surpasse tous les algorithmes comparés.

In this paper, a new optimization algorithm called Motion-Encoded Genetic Algorithm with Multiple Parents (MEGA-MPC) is developed to locate moving targets using multiple Unmanned Aerial Vehicles (UAVs). Bayesian theory is used to formulate the moving target tracking as an optimization problem where target detection probability defines the objective function as the probability of detecting the target. In the developed MEGA-MPC algorithm, a series of UAV motion paths encodes the search trajectory. In every iteration of the MEGA-MPC algorithm, UAV motion paths undergo evolution. The proposed approach for dynamic target search using multi-UAVs uses parallel computations to solve the optimization problem based on the MEGA-MPC algorithm where Each UAV can communicate with other UAVs if requested. The algorithm's performance is tested with various characteristics under six distinct scenarios using a different number of UAVs and targets. The statistical analysis of the results obtained using MEGA-MPC compared with other well-known metaheuristics shows that MEGA-MPC offers better solutions to find dynamic targets since it outperforms all the compared algorithms.

في هذه الورقة، تم تطوير خوارزمية تحسين جديدة تسمى الخوارزمية الجينية المشفرة بالحركة مع أولياء أمور متعددين (MEGA - MPC) لتحديد الأهداف المتحركة باستخدام العديد من المركبات الجوية غير المأهولة (UAVs). تُستخدم نظرية Bayesian لصياغة تتبع الهدف المتحرك كمشكلة تحسين حيث يحدد احتمال الكشف عن الهدف وظيفة الهدف على أنها احتمال الكشف عن الهدف. في خوارزمية MEGA - MPC المتقدمة، تقوم سلسلة من مسارات حركة الطائرات بدون طيار بترميز مسار البحث. في كل تكرار لخوارزمية MEGA - MPC، تخضع مسارات حركة الطائرات بدون طيار للتطور. يستخدم النهج المقترح للبحث الديناميكي عن الأهداف باستخدام الطائرات بدون طيار متعددة الحسابات المتوازية لحل مشكلة التحسين بناءً على خوارزمية MEGA - MPC حيث يمكن لكل طائرة بدون طيار التواصل مع الطائرات بدون طيار الأخرى إذا طُلب منها ذلك. يتم اختبار أداء الخوارزمية بخصائص مختلفة في إطار ستة سيناريوهات مميزة باستخدام عدد مختلف من الطائرات بدون طيار والأهداف. يظهر التحليل الإحصائي للنتائج التي تم الحصول عليها باستخدام MEGA - MPC مقارنة مع غيرها من metaheuristics المعروفة أن MEGA - MPC تقدم حلولًا أفضل للعثور على أهداف ديناميكية لأنها تتفوق على جميع الخوارزميات المقارنة.