8.7 其他应用
Jia et al [21] 在基本鸽群优化基础上提出了一种伸缩机制鸽群算法 (ECPIO，Expand and ContractPigeon-inspired Optimization)，并将其运用于全球定位系统的信号接收优化问题。首先分析了基于 全 球 卫 星 导 航 系 统 (GNSS,Global NavigationSatellite Systems) 位 置 检 测 问 题， 并 给 出 了 几种常用的多 GNSS 数据融合方法。其中集成探测(CD,Collective Detection) 方法应用较多，然而该方法由于 GNSS 相对地面基站的高时钟偏差范围而导致涉及的计算量过大，实际应用困难。作者通过把 CD 方法变形为基于目标三维位置与 GNSS 时钟偏差的四状态模型，并给出一个表示定位成功的特征阀值，成功将定位问题转为目标函数优化问题，同时采用改进的 ECPIO 进行了解算。ECPIO 在基本鸽群优化基础上改进了罗盘系数的选取规则，采用基于群体位置方差的分段式规则提升了鸽群搜索空间的伸缩特性，从而提高了搜索效率；同时为保证鸽群不会过早陷入局部收敛，减缓地标算子的跟踪速度。通过对比仿真，ECPIO 具有比粒子群等智能算法更高的优化效率；同时完成了与基本 CD 方法对比的实际 GNSS 数据接收实验，结果证明了ECPIO 在 GNSS 定位监测应用中可以采用较少的计算载荷提供更高的定位精度。
Zhao et al [22] 将鸽群优化应用于控制最优的高超声速飞行器的约束性滑行轨迹。首先，建立高超声速飞行器绕地球旋转的运动方程，并确定了包括热耗率、气动过载以及动压限制等约束条件，提供了两种带约束性目标函数用于生成点对点轨迹 (end-to-end trajectory) 以及极大范围轨迹(maximum-range trajectory)。由于高超声速飞行器滑行时温度极高，造成功角无法完全可控，因此作者将功角归一化而调整航迹倾斜角减少优化参数数量。对于轨迹控制，作者设计了一种简单的正反逻 辑 策 略 (forward and backward reversal logic)用于产生航迹控制参考指令，并通过鸽群优化，优化参考指令使飞行器能够遵循最优路径滑翔飞行。最后，通过与粒子群算法的对比仿真验证了鸽群优化在约束性高超声速飞行器轨道优化上的优越性。
针对无人机的能量消耗问题，Hao et al [23] 应用鸽群优化提出了一种新的无人机的分配模型。该文献提出了一种新的方法应用改进的鸽子启发的优化算法来解决多无人机任务分配问题。
