【MOV三维路径规划】灰狼算法无人机三维航迹规划【含Matlab源码 2445期】

Matlab仿真科研站

于 2024-06-11 23:21:59 发布

阅读量922

点赞数 11

分类专栏： Matlab路径规划（仿真科研站版）文章标签： matlab

本文链接：https://blog.csdn.net/Matlab912100926/article/details/139611080

版权

Matlab路径规划（仿真科研站版）专栏收录该内容

723 篇文章 17 订阅

订阅专栏

💥💥💞💞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。
在这里插入图片描述

⛄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、灰狼优化算法的无人机三维航迹规划

1 无人机航迹规划建模
1.1 地形模型
首先, 本研究须对三维地理环境 (规划空间) 进行离散化处理.通过对规划空间进行立方体网格划分, 将空间划分为大小相等、彼此相邻的立方体, 根据所设置的飞行航点的个数, 在规划空间搜索有序的多个航点, 从起点依次连接到目标点, 形成航迹, 模型如图1所示.规划空间使用二维矩阵表示, 其中该矩阵的每一个元素代表该精度下此方位的最高海拔.基于上述, 规划空间O为
在这里插入图片描述
1.2 禁飞区模型
由于在真实的地理环境中会有人流密集区和军事管制区等禁飞区域, 因此须建立相应禁飞区模型.本研究将禁飞区模型设置为圆柱体模型.由于规划空间矩阵的行代表横向方向, 列代表纵向方向, 因此第i个禁飞区的圆心坐标为 (xi, yi) , 设禁飞区的半径为ri, 高度h (无人机飞行的最高海拔高度) 为固定值, 禁飞区模型如图1深蓝色圆柱所示.基于上述, 将禁飞区用B表示, 有
在这里插入图片描述

图1 三维地理环境下的无人机航迹模型

1.3 无人机航迹规划的代价模型
无人机航迹的优劣评价由多种指标构成.航迹代价 (适应度值的倒数) 的评价指标主要由三部分组成:第一部分是能量的消耗程度;第二部分是飞行的高度;第三部分是禁飞区的威胁程度.因此, 将成本函数定义为
在这里插入图片描述
式中:w1和w2为权重参数;f1为消耗的能量;f2为飞行纬度的成本因素;f3为禁飞区的威胁程度.当无人机在飞行过程中保持固定速度时, f1可用固定比例的飞行路线长度等价表示[10], 有

式中:p1为比例因子;li为第i段飞行航迹的距离, 有
在这里插入图片描述
其中, k为第k个航点, xk为第k个航点的横坐标, yk为第k个航点的纵坐标, zk为第k个航点所对应的海拔高度.

若无人机飞行的高度太高或太低, 则会通过f2函数进行惩罚[10], 有
在这里插入图片描述
2 灰狼优化算法
灰狼优化算法模拟了灰狼在自然中的捕食行为和等级制度.在灰狼优化算法中, 由α领导捕食行动, β进行辅助决策, δ进行具体的行动安排, ω服从前三者的指令, 对猎物进行跟踪围剿, 最终完成捕食行动.

利用灰狼优化算法求解优化问题时, 在G维搜索空间中, 假设灰狼种群中的灰狼个体的数目为N, 其中第i只灰狼在G维空间中的位置可表示为Xi= (Xi1, Xi2, …, XiG) , 种群中当前最优个体记为α, 当前次优的个体记为β, 当前第三优的个体记为δ, 其余个体记为ω, 猎物的位置对应于优化问题的全局最优解.灰狼优化算法的寻优过程为:在搜索空间中随机产生一群灰狼个体, 对于这群灰狼个体进行适应度评估, 得出适应度前三的灰狼个体α, β, δ, 由它们作为寻找猎物的位置 (全局最优解) 的基准, 下一代的灰狼个体的位置根据α, β, δ的位置计算得出.

在捕食过程中, 灰狼种群首先须对猎物采取包围行动.对应在灰狼优化算法的寻优过程中, 须确定个体与猎物之间的距离[6], 有
在这里插入图片描述
式中:Xp (t) 为第t代时猎物的位置向量;X (t) 为第t代时灰狼个体的位置向量;A和C为系数;a随着迭代次数从2线性递减到0;r1和r2为[0, 1]之间的随机数.

对于种群中其他的狼, 根据最高级的三头灰狼α, β和δ个体位置来判断猎物的方位[6], 有:
在这里插入图片描述
虽然灰狼优化算法有控制参数少和一定程度上避免陷入局部最优等优点, 但是灰狼优化算法在解决三维航迹规划问题中, 也有一定的缺陷.当灰狼优化算法随机初始化个体时, 生成的航点杂乱无序, 造成个体的适应度比较低.因为距离控制参数a是线性递减的, 所以开发能力不足.当位置更新时, 灰狼优化算法采用的是根据适应度值前三的个体进行平均计算, 这样导致位置更新策略不灵活, 在一些寻优过程中, 难以找到最优解.

3 基于灰狼优化算法的航迹规划流程
a.设置灰狼种群规模、变量维数、最大迭代次数.根据式 (18) 和 (19) 采用基于贪婪思想和加入变异策略的初始化方法, 对于每个灰狼个体的航点位置进行初始化, 即初始化参数a, A和C.

b.评估种群中每个灰狼个体是否符合约束条件.

c.计算种群中每个灰狼个体的适应度值.

d.将种群中的灰狼个体的适应度值进行比较, 筛选出前三个表现最好的灰狼个体Xα, Xβ, Xδ, 记录它们对应的航点位置.

e.对于种群的每一个灰狼个体, 根据式 (17) 和 (23) 更新自己的位置.

f.根据式 (13) 、 (14) 和 (20) , 更新参数a, A和C的值.

g.判断迭代次数是否满足要求, 若满足, 则算法结束, 否则返回步骤b.

⛄二、部分源代码

%% 基于灰狼算法的三维无人机航迹优化
clc;clear;close all;
%% 1.创建地图
%地图的大小200*200
MapSizeX = 210 ; MapSizeY = 210;
%% 地形地图创建,地图详细参数，请去MapValueFunction.m里面设置
x = 1:1:MapSizeX;
y = 1:1:MapSizeY;
for i = 1:MapSizeX
for j = 1:MapSizeY
Map(i,j) = MapValueFunction(i,j);
end
end
global NodesNumber
global startPoint
global endPoint
global ThreatAreaPostion
global ThreatAreaRadius
%% 威胁区域绘制
%威胁区域中心坐标
ThreatAreaPostion = [120,20;
20,120];
%威胁区域半径
ThreatAreaRadius = [30;30];
%将威胁区域叠加到图上
figure
mesh(Map);
hold on;
for i= 1:size(ThreatAreaRadius)
[X,Y,Z] = cylinder(ThreatAreaRadius(i),50);
X = X + ThreatAreaPostion(i,1);
Y = Y + ThreatAreaPostion(i,2);
Z(2,:) = Z(2,:) + 50;%威胁区域高度
mesh(X,Y,Z)
end

%% 设置起始点
startPoint = [0,0,10];
endPoint = [210,210,20];
plot3(startPoint(1),startPoint(2),startPoint(3),‘mo’);
text(startPoint(1),startPoint(2),startPoint(3),‘起点’)
plot3(endPoint(1),endPoint(2),endPoint(3),‘yp’);
text(endPoint(1),endPoint(2),endPoint(3),‘终点’)
title(‘地图信息’)
%% 麻雀算法参数设置
NodesNumber = 2;%起点与终点之间节点的个数
dim = 3NodesNumber; %维度，一组坐标点为[x,y,z]3个值，所以总的数据个数为3NodesNumber
lb = [20.*ones(1,NodesNumber),20.*ones(1,NodesNumber),0.*ones(1,NodesNumber)];%x,y,z的下限[20,20,0]
ub = [180.*ones(1,NodesNumber),180.*ones(1,NodesNumber),50.*ones(1,NodesNumber)];%x,y,z的上限[200,200,50]
fobj = @(x)fun(x,NodesNumber,startPoint,endPoint,ThreatAreaPostion,ThreatAreaRadius);%适应度函数
SearchAgents_no=30; % 种群数量
Max_iteration=50; % 设定最大迭代次数
%麻雀寻优
[Best_pos,Best_score,GWO_curve]=GWO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj); %开始优化
%根据寻优获得的节点，获取插值后的路径
[X_seq,Y_seq,Z_seq,x_seq,y_seq,z_seq] = GetThePathLine(Best_pos,NodesNumber,startPoint,endPoint);
plot3(X_seq,Y_seq,Z_seq,‘k.-’,‘linewidth’,3);%绘制路径
plot3(x_seq,y_seq,z_seq,‘mo’);%绘制节点
title(‘GWO寻优路径’)
%绘制迭代曲线
figure
plot(GWO_curve,‘Color’,‘b’,‘linewidth’,2)
grid on
title(‘GWO收敛曲线’)
xlabel(‘迭代次数’);
ylabel(‘最优适应度值’);
disp([‘最优适应度值为：’,num2str(Best_score)]);

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]柳长安,王晓鹏,刘春阳,吴华.基于改进灰狼优化算法的无人机三维航迹规划[J].华中科技大学学报(自然科学版). 2017,45(10)

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