【协同任务】改进的灰狼算法多无人作战飞机协同航迹规划【含Matlab源码 2470期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab路径规划（仿真科研站版）仿真内容点击👇
Matlab路径规划（仿真科研站版）

⛄一、灰狼算法的多无人作战飞机简介

随着作战任务的复杂化，多无人作战飞机（Ｕｎｍａｎｎｅｄ Ｃｏｍｂａｔ Ａｉｒ Ｖｅｈｉｃｌｅ， ＵＣＡＶ）的协同作战引起了各军事强国的广泛关注。 在协同攻击技术中，协同航迹规划技术成为当前研究的热点，是指根据协同态势感知的作战环境信息，在多无人作战飞机协同目标分配方案的基础上，考虑到时间协同约束、空间协同约束及
航迹规划约束条件，使得各架无人作战飞机规划出初始点到目标点的在其指定的性能指标下达到最优或者较优时的可行飞行航迹，使其能够在相对合理的时间约束内完成目标打击或识别任务，提高多无人作战飞机的整体生存能力和作战效能。
当前，多无人作战飞机协同航迹规划研究主要集中在如何处理无人作战飞机编队内部成员之间的协同关系，包括空间协同约束、时间协同约束和任务时序约束等。 Ｇｏｋｈａｍ［１］ 针对多无人作战飞机协同航迹规划的时间协同问题，提出了一种分解策略，通过连续局部最优的博弈法得到接近理想最优值的解；Ｐｅｔｔｅｒｓｓｏｎ［２］通过调整速度，确保无人作战飞机编队同时到达目标；吴蕊［３］ 提出了基于层次分解策略的无人作战飞机协同航迹规划。 文献［４］利用 Ｄｉｊｋｓｔｒａ 算法对快速扩展随机树法（Ｒａｐｉｄｌｙ－ｅｘｐｌｏｒｉｎｇ Ｒａｎｄｏｍ Ｔｒｅｅｓ，ＲＲＴ）产生的航迹点进行修正，并利用赋权有向图进行搜索，得到各架无人作战飞机代价最小的最优航迹；文献［ ５］在利用改进的免疫遗传算法求解无人机航路规划模型，提高了搜索速度；文献［ ６］采用改进蚁群算法，设计了自适应状态转换规则和自适应信息激素更新规则，提高了无人机的作战效率和生存概率；文献［７］采用遗传算法求解无人机航路规划，将染色体编码的维数由二维降为一维，提高了规划效率。综上，遗传算法、蚁群算法、免疫算法、粒子群算法等传统智能算法求解多无人机协同任务规划或协同航迹规划问题已较为成熟，但传统优化算法在求解精度、收敛速度和计算稳定性上具有一定的局限性。 近年来，基于种群生存规则的灰狼算法已成为智能算法的研究前沿，其在解决复杂化、多变量、非线性优化问题上表现出较为突出的性能。 因此，本文采用灰狼算法对多无人作战飞机协同航迹规划进行研究。

１　 多无人作战飞机协同航迹规划模型
多无人作战飞机协同航迹规划是通过建立多无人作战飞机编队协同作战飞行模型，并设计相应智能算法进行求解和优化，从而达到群体效能最优。 其难点包含两方面：① 每架无人作战飞机最优航迹的集合不能代表整体航路的最优，各条航迹之间的协调必须是同步的；② 时间约束与空间约束之间存在耦合关系。
本文采用分层规划的思想研究多无人作战飞机协同航迹规划问题，如图 １ 所示。

由图 １ 可知，分层规划策略模型包括航迹规划层和协同规划层两个层次［８］。 由于两个层次依次求解满足该层次约束的航迹所需计算量较大，因此本文的分层策略是将两个层次的约束条件并行作用于无人作战飞机航迹规划中，然后计算协同航迹综合评价函数。
１．１　 协同约束分析
１．１．１　 时间协同约束
时间协同约束是指设置无人作战飞机到达终点的指令时间与求解其到达任务时间范围，通过判断实际到达目标终点的时间与指令时间的关系，确定无人作战飞机整体是否符合协同任务时间要求。 ｔｃ 为无人作

１．１．２　 空间协同约束
空间协同约束主要考虑编队中各个无人作战飞机之间无碰撞。 因此，空间协同约束要求无人作战飞机之间的最小距离应该大于最小安全飞行距离，那么该约束可以描述为：

式中，ｄｉ－ｊ为飞行过程中第 ｉ 架无人作战飞机与第 ｊ 架无人作战飞机的航迹点之间最小的距离；ｄｓ 为无人作战飞机之间最小安全飞行距离。
１．２　 协同航迹评价函数
将多无人作战飞机航迹代价函数作为航迹评价的指标函数，主要包括燃油代价（ｆＯ ） 、高度代价（ｆＨ ） 、威胁代价（ｆＴ－ｉ） 、时间代价（ｆＴｉｍｅ－ｉ） 、碰撞代价（ｆＣｒａｓｈ－ｉ） 。 燃油代价由总航程决定，总航程越短，相应的耗油量越
少，增强了经济性和作战能力；高度代价主要取决于无人作战飞机与当前地形的相对高度或者其海拔高度，通常可利用地形的遮挡作用和地面杂波降低被发现或被击毁的概率；威胁代价主要与无人机在飞行过程中可能受到的或潜在的威胁有关；时间代价和空间代价用于表征协同飞行效率。 综上，协同航迹评价函数可设置为：

由于多无人作战飞机编队协同作战飞行涉及到整个群体中的个体安全性以及任务效率，在多无人作战飞机协同航迹评价函数中采用时间代价和碰撞代价两项，用于表征协同飞行的安全性和效率［９，１０］。 时间代价和碰撞代价推导如下。
１．２．１　 时间代价
首先设置无人作战飞机到达目标终点的指令时间为 ｔｃ，利用这个指令时间约束可以保证无人作战飞机在时间上协同；对于到达目标终点的实际时间范围，可以根据无人作战飞机的速度范围与航迹长度可以求得，其范围为 ｔ

１．２．２　 碰撞代价
对于碰撞代价的计算，以第 ｉ 架无人作战飞机为例，首先计算在当前时间该无人作战飞机在各个航迹点上与前 ｉ－１ 架无人作战飞机的距离，如果该距离小于最小安全飞行距离，则记一次碰撞，依次对整条航迹的所有航迹点进行碰撞计数，并求和得到该无人作战飞机航迹的总碰撞次数。 计算公式为：

根据图 １ 所示协同航迹规划分层策略，将多无人作战飞机协同航迹规划问题分为航迹规划层和协同规划层两个层次进行研究，并将协同航迹代价函数作为评价函数表征规划效果，最后在时间和空间（碰撞）两个角度进行约束，上述多无人作战飞机协同航迹规划模型可表示为

２　 基于灰狼算法的多无人作战飞机协同航迹规划
本文应用一种新型的启发式优化算法———灰狼优化算法（Ｇｒｅｙ Ｗｏｌｆ Ｏｐｔｉｍｉｚａｔｉｏｎ，ＧＷＯ） ，由于该算法具有较少的控制参数，实现简单［１１］
，因此其在求解多模态、高维、非线性优化问题上能显著提高优化精度和求解效率［１２］。 基于灰狼算法的多无人作战飞机协同航迹规划流程如图 ２ 所示

基于灰狼算法的多无人作战飞机协同航迹规划的具体步骤如下：
（１）初始化满足约束的灰狼种群。 根据航迹初始化策略，随机生成 Ｎａｇｅｎｔ个基于变长度编码的协同航迹
染色体。
（２） 初始化 ａ，初始化 ｐα 、ｐβ 和 ｐδ。
（３）根据多指标条件下的最小值聚类策略，对所有协同航迹染色体进行聚类。
（４） 产生位置更新后的协同染色体。
（５） 对位置更新后的协同航迹染色体进行约束处理。
① 舍弃染色体中不满足约束条件或者在威胁禁忌区的航迹点；
② 分段生成航迹片段，经过舍弃而剩下的航迹点可以作为用来分段的航迹点，以此生成航迹片段，最后
生成整个协同航迹染色体；
（６） 合并所有子种群位置更新后经过处理的染色体，计算每个染色体的适应度值，与原来种群作比较，
得到最优染色体，即最优解；
（７） 当迭代过程进行到预先给定的最大次数，或者最优解的适应度值不变时，则输出最优协同航迹染色
体和最优值；否则转到（３）继续寻找。

⛄二、部分源代码

%%% 灰狼优化算法航迹规划 %%%
clc, close all

%— 算法选择 1：GWO算法 2：MP-GWO算法 3：CS-GWO算法
options = 2;

%— 算法参数设置
SearchAgents = 60; % 搜索智能体个数/狼群数量/可行解的个数 （>= 20）
Max_iter = 145 ; % 最大搜索步数

%— 协同无人机设置
UAV = UAV_SetUp1; % 在 UAV_SetUp.m 文件进行设置

%— 灰狼算法
if options < 2
solution = GWO(UAV, SearchAgents, Max_iter); % GWO算法
elseif options < 3
solution = MP_GWO(UAV, SearchAgents, Max_iter); % MP-GWO算法
else
solution = CS_GWO(UAV, SearchAgents, Max_iter); % CS-GWO算法
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]周楚涵1,王瑛,王宁,王晓琳.基于灰狼算法的多无人作战飞机协同航迹规划研究[J].第九届中国航空学会青年科技论坛论文集

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置