无人机集群路径规划：四种优化算法（GOOSE、APO、LPO、SBOA）求解无人机集群路径规划，提供MATLAB代码

标签：路径 2024 算法 optimization 集群 result 无人机优化

一、单个无人机路径规划模型介绍

无人机三维路径规划是指在三维空间中为无人机规划一条合理的飞行路径，使其能够安全、高效地完成任务。路径规划是无人机自主飞行的关键技术之一，它可以通过算法和模型来确定无人机的航迹，以避开障碍物、优化飞行时间和节省能量消耗。

二、无人机集群模型介绍

本文中以5个无人机构成无人机集群，采用优化算法同时规划五个无人机的路径，每个无人机的成本由路径成本、威胁成本、高度成本和转角成本四个部分构成。无人机集群的总成本为5个无人机成本之和。

三、四种算法求解无人机集群路径规划

3.1四种算法介绍

3.1.1鹅优化算法

鹅优化算法（GOOSE Algorithm，GOOSE)是2024年提出的一种智能优化算法，该算法从鹅的休息和觅食行为获得灵感，当鹅听到任何奇怪的声音或动作时，它们会发出响亮的声音来唤醒群中的个体，并保证它们的安全。

参考文献

[1]Hamad R K, Rashid T A. GOOSE algorithm: a powerful optimization tool for real-world engineering challenges and beyond[J]. Evolving Systems, 2024: 1-26.

原文链接：https://blog.csdn.net/weixin_46204734/article/details/139967699

3.1.2北极海鹦优化算法

北极海鹦优化（Arctic puffin optimization，APO）算法是2024年提出一种智能优化算法。该算法模拟海鹦在空中飞行和水下觅食两个阶段的行为，旨在实现勘探与开发之间更好的平衡。该算法包括几个关键操作，包括空中飞行阶段的空中搜索和俯冲捕食，以及水下觅食阶段的采集觅食、强化搜索和捕食者规避。通过这些步骤，该算法旨在有目的地探索搜索空间，在探索和利用之间取得更好的平衡，从而避免陷入局部最优。APO包括空中飞行（探索）和水下觅食（开发）阶段。在探索阶段，引入Levy飞行和速度因子机制，增强算法跳出局部最优值的能力，提高收敛速度。在开发阶段，采用协同效应和自适应变化因子等策略，确保算法能够有效利用当前最佳解，指导搜索方向。此外，通过行为转换因子实现勘探和开发阶段之间的动态过渡，有效平衡了全球搜索和局部开发。

参考文献：

[1]Wen-chuan Wang, Wei-can Tian, Dong-mei Xu, Hong-fei Zang. Arctic Puffin Optimization: A Bio-inspired metaheuristic Algorithm for Solving Engineering Design Optimization. Advances in Engineering Software, 2024,195, 103694. Redirecting

原文链接：https://blog.csdn.net/weixin_46204734/article/details/139967346

3.1.3肺功能优化器

肺功能优化器（Lungs performance-based optimization，LPO）由Mojtaba Ghasemi 等人于2024年提出，其灵感来自人体肺的规律和智能性能。LPO从呼吸系统的复杂机制和适应性中汲取灵感。肺在氧交换方面表现出显着的效率，表明其功能高度优化。强制振荡技术测量气压和气流速率，以评估呼吸系统的电阻抗。阻抗曲线有两个不同的组成部分，呼吸电阻（ZR）和呼吸电抗（ZX），可以从临床和工程角度进行分析，以深入了解呼吸系统的工作原理。

参考文献

[1] Ghasemi M, Zare M, Zahedi A, et al. Optimization based on performance of lungs in body: Lungs performance-based optimization (LPO)[J]. Computer Methods in Applied Mechanics and Engineering, 2024, 419: 116582.

原文链接：https://blog.csdn.net/weixin_46204734/article/details/139354492

3.1.4蛇鹫优化算法

蛇鹫优化算法（Secretary bird optimization algorithm，SBOA）由 Fu Youfa等人于2024年提出，该算法的灵感来自于蛇鹫在自然环境中的生存行为。

参考文献：

[1]Fu Y, Liu D, Chen J, et al. Secretary bird optimization algorithm: a new metaheuristic for solving global optimization problems[J]. Artificial Intelligence Review, 2024, 57(5): 1-102.

原文链接：https://blog.csdn.net/weixin_46204734/article/details/139453663

3.2部分代码

close all
clear
clc
dbstop if all error
global model
model = CreateModel(); % 创建模型
F='F1';
[Xmin,Xmax,dim,fobj] = fun_info(F);%获取函数信息
pop=50;%种群大小(可以自己修改)
maxgen=100;%最大迭代次数(可以自己修改)
for i=1:length(algorithName)
    Algorithm=str2func(algorithName{i});
    [fMin,bestX,ConvergenceCurve] = Algorithm(pop, maxgen,Xmin,Xmax,dim,fobj);
    result(i).fMin=fMin;
    result(i).bestX=bestX;
    result(i).ConvergenceCurve=ConvergenceCurve;
    result(i).BestPosition=BestPosition;
    result(i).BestFit=BestFit;
    result(i).UAVfit=UAVfit;
end
save result result