La localisation multi-sources magnétiques est limitée par des interférences telles que le bruit géomagnétique et le flou des frontières multi-sources. Pour réaliser une localisation synchrone précise de plusieurs cibles, une méthode de localisation multi-sources intégrant l'optimisation non linéaire Moth-Flame Optimization (MFO) et le clustering par densité a été proposée. Grâce à des capteurs magnétiques haute précision, la détection d'anomalies magnétiques (Magnetic Anomaly Detection, MAD) a été effectuée dans une grille plane bidimensionnelle pour confirmer le point d'anomalie magnétique maximal de chaque cible magnétique. Pour le problème des interférences géomagnétiques, un schéma de localisation d'anomalies magnétiques à deux points a été conçu dans la région de valeurs maximales d'anomalies. Les données de localisation d'anomalies magnétiques ont été utilisées comme entrée initiale pour l'algorithme MFO, et l'optimisation non linéaire a permis d'améliorer davantage la précision de localisation des cibles magnétiques. Enfin, en optimisant plusieurs fois au même point magnétique pour former un amas dense de points, l'algorithme de clustering spatial basé sur la densité (Density-Based Spatial Clustering of Applications with Noise, DBSCAN) a permis d'éliminer le bruit et les anomalies d'optimisation pour améliorer la précision de localisation simultanée de plusieurs cibles magnétiques. Les résultats de simulation montrent que 9 cibles magnétiques ont été localisées initialement par l'algorithme MFO avec une erreur quadratique moyenne (Root Mean Square Error, RMSE) moyenne de 0,1346 m ; les résultats du clustering ont éliminé les interférences du bruit, réduisant la RMSE moyenne à 0,0764 m, soit une diminution de 57,1 %, améliorant ainsi la précision. Les résultats expérimentaux montrent que la RMSE moyenne pour 3 cibles magnétiques typiques dans une zone de test de 1 m×1 m×1 m est inférieure à 0,0812 m, démontrant que cette méthode permet une localisation multi-sources haute précision.

détection géomagnétique; localisation à deux points; optimisation Moth-Flame; clustering par densité; localisation multi-sources; optimisation non linéaire; anomalie géomagnétique; algorithme de clustering spatial