飞控中的无人机集群：蜂群算法与遗传算法
一、从一次集群试飞炸机说起
去年夏天在郊外测试12架四旋翼的编队飞行，用的是改进的粒子群算法做路径规划。飞了大概三分钟，二号机突然偏离航线，带着三号、五号一起撞向树丛。事后回传日志发现，二号机的邻居节点权重在某个时刻突然跳变到异常值——蜂群算法里那个“跟随最优个体”的系数被某个局部极值点卡死了，导致整个子群跟着跑偏。
那次之后我花了两个月重写集群协同模块，核心就是把蜂群算法和遗传算法揉在一起用。今天这篇笔记，就聊聊这两个算法在飞控集群里的真实落地经验，以及那些容易让人翻车的坑。
二、蜂群算法：不是所有蜜蜂都听话
蜂群算法（Artificial Bee Colony, ABC）在无人机集群里最常见的用法是任务分配和路径规划。核心逻辑分三块：采蜜蜂（雇佣蜂）、观察蜂、侦察蜂。对应到飞控里，采蜜蜂就是正在执行任务的无人机，观察蜂是评估邻居状态并调整自身行为的节点，侦察蜂则是发现新路径或新目标的探索者。
代码实现时最容易踩的坑是“信息素”的更新频率。别把信息素衰减系数设得太小，否则集群会陷入局部最优。我见过有人把衰减系数设成0.1，结果三架无人机在同一个障碍物前反复绕圈，像极了无头苍蝇。实际调试时建议从0.5开始试，根据集群规模动态调整——10架以下用0.6，50架以上降到0.3左右。
另一个坑是“跟随最优个体”的权重。蜂群算法里，观察蜂会以一定概率跟随采蜜蜂中的最优者。但在飞控场景下，最优个体的通信延迟如果比其他节点大200ms以上，整个集群就会跟着一个“过时”的最优解跑偏。
