✅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：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。
更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）
⛄一、无人机简介
无人机的航迹规划是指在综合考虑无人机飞行油耗、威胁、飞行区域以及自身物理条件限制等因素的前提下, 为飞行器在飞行区域内规划出从初始点到目标点最优或者满意的飞行航迹, 其本质是一个多约束的目标优化问题。航迹规划算法是航迹规划的核心。国内外相继开展了相关研究, 提出了许多航迹规划算法, 如模拟退火算法、人工势场法、遗传算法、蚁群算法等。但由于无人机面临的规划空间异常复杂、规划约束条件多且模糊性大, 航迹搜索算法存在寻优能力差、计算量过大、效率不高等问题, 在航迹规划的最优性和实时性方面有待进一步提高。
1 鸡群优化算法流程
CSO算法的具体流程步骤：
步骤1：初始化种群规模N，并设置空间维数D，最大迭代次数Ｔ，NR，NH，
NC和NM等参数。
步骤2：计算个体的适应度值，将迭代次数置0，t=0。
步骤3：判断Mod(t， G) 是否为0。若是， 则根据个体适应度值将鸡群中的个
体重新排序，并重新划分等级制度；若不是，直接跳转步骤4。
步骤4：将整个鸡群分组，确定组内的跟随关系和母子关系。
步骤5：按照公式迭代更新公鸡，母鸡和小鸡的位置。
步骤6：计算个体的适应度值，并且更新个体最优和全局最优。
步骤7：置迭代次数t=t+1，若满足迭代停止条件，则转步骤8，否则，转到
步骤3。
步骤8：结束，输出全局最优值。
鸡群算法流程图如图3.1所示。
2 改进鸡群算法流程
改进鸡群算法流程图如图3.2所示。改进CSO算法的具体流程步骤如下：
步骤1：初始化种群规模N，并设置空间维数D，最大迭代次数Ｔ，NR，NH，
NC和NM等相关参数。
步骤2：计算个体的适应度值，将迭代次数置0，t=0。
步骤3：判断Mod(t， G) 是否为0。若是， 则根据个体适应度值将鸡群中的个
体重新排序，并重新划分等级制度；若不是，直接跳转步骤4。
步骤4：将整个鸡群分组，确定组内的跟随关系和母子关系。
步骤5：计算动态权值a’，锁定因子['。
步骤6：按照公式迭代更新公鸡，母鸡和小鸡的位置。
步骤7：计算个体的适应度值，并且更新个体最优和全局最优。
步骤8：置迭代次数t=t+1，若满足迭代停止条件，则转步骤8，否则，转到
步骤3。
步骤9：结束，输出全局最优值。
⛄二、部分源代码
clc,clear , close all
feature jit off
%% 模型基本参数
% 载入地形 矩阵
filename = ‘TestData1.xlsx’ ;
model.x_data = xlsread( filename , ‘Xi’) ;
model.y_data = xlsread(filename, ‘Yi’) ;
model.z_data = xlsread( filename , ‘Zi’) ;
model.x_grid = model.x_data(1,:) ;
model.y_grid =model.y_data(:, 1) ;
model.xs = 10 ; %起点 相关信息
model.ys = 90 ;
model.zs = interp2( model.x_data , model.y_data, model.z_data , …
model.xs , model.ys ,‘linear’ ) ; % 高度为插值得到
model.xt = 130 ; % 终点 相关信息
model.yt = 10 ;
model.zt = interp2( model.x_data , model.y_data, model.z_data , …
model.xt , model.yt , ‘linear’); % 高度为插值得到
model.n= 5 ; % 粗略导航点设置
model.nn= 80 ; % 插值法获得的导航点总数
model.Safeh = 0.01 ; % 与障碍物的最低飞行高度
% 导航点 边界值
model.xmin= min( model.x_data( : ) ) ;
model.xmax= max ( model.x_data( : ) ) ;
model.ymin= min( model.y_data( : ) ) ;
model.ymax= max( model.y_data( : ) ) ;
model.zmin= min( model.z_data( : ) ) ;
model.zmax =model.zmin + (1+ 0.1)*( max( model.z_data(😃 )-model.zmin ) ;
% 模型的其他参数
model.nVar = 3*model.n ; % 编码长度
model.pf = 10^7 ; % 惩罚系数
% 障碍物 位置坐标及半径
model.Barrier = [10,60 , 8 ;
40, 50,6
60, 50 , 5
100, 30, 8 ] ;
model.Num_Barrier = size(model.Barrier , 1 ); % 障碍物的数目
model.weight1 = 0.5; % 权重1 飞行线路长度权重
model.weight2 = 0.3; % 权重2 飞行最低高度相关权重
model.weight3 = 0.2; % 权重3 最大攻角约束 权重
function PlotSolution(BestSol ,model)
%% 绘图函数
%% 模型基本参数
% 载入地形 矩阵
filename = ‘TestData1.xlsx’ ;
model.x_data = xlsread( filename , ‘Xi’) ;
model.y_data = xlsread(filename, ‘Yi’) ;
model.z_data = xlsread( filename , ‘Zi’) ;
model.x_grid = model.x_data(1,:) ;
model.y_grid =model.y_data(:, 1) ;
model.xs = 10 ; %起点 相关信息
model.ys = 90 ;
model.zs = interp2( model.x_data , model.y_data, model.z_data , …
model.xs , model.ys ,‘linear’ ) ; % 高度为插值得到
model.n= 5 ; % 粗略导航点设置
model.nn= 80 ; % 插值法获得的导航点总数
model.Safeh = 0.01 ; % 与障碍物的最低飞行高度
% 导航点 边界值
model.xmin= min( model.x_data( : ) ) ;
model.xmax= max ( model.x_data( : ) ) ;
model.ymin= min( model.y_data( : ) ) ;
model.ymax= max( model.y_data( : ) ) ;
model.zmin= min( model.z_data( : ) ) ;
model.zmax =model.zmin + (1+ 0.1)*( max( model.z_data(😃 )-model.zmin ) ;
figure(1);%subplot(2,2,1)
mesh( model.x_data , model.y_data , model.z_data ); hold on
colorbar; box on ,
set(gcf,‘Color’,[1 1 1]);
% set(gcf, ‘unit’ , ‘centimeters’,‘position’ , [2 2 30 15]);
h3= plot3( BestSol.Sol.xx , BestSol.Sol.yy , BestSol.Sol.zz , ‘-r’); hold on
% temp = 10^-2 ;
h1 = plot3( model.xs, model.ys, model.zs, ‘o’ , ‘MarkerEdgeColor’,‘r’, …
‘MarkerFaceColor’,‘r’); hold on
h2 = plot3( model.xt , model.yt , model.zt, ‘^’ , ‘MarkerEdgeColor’,‘r’, …
‘MarkerFaceColor’,‘r’); hold on
if isfield( model ,‘Barrier’)
for ind = 1: model.Num_Barrier
[X,Y,Z] = cylinder( model.Barrier(ind, 3) ,100);
h4= surf(X+model.Barrier(ind, 1),Y+model.Barrier(ind, 2), model.zmin+Z*( max(model.z_data(😃)- model.zmin) ) ; hold on
set(h4, ‘edgecolor’,‘m’,‘facecolor’, ‘m’) ;
end
end
if ~isfield( model ,‘Barrier’)
legend( [ h1 , h2 , h3] , ‘起点’ , ‘终点’ , ‘线路’, ‘Location’,‘southoutside’ , ‘Orientation’,‘horizontal’)
else
legend( [ h1 , h2 , h3 h4] , ‘起点’ , ‘终点’ , ‘线路’ , ‘无法通行区域’ , ‘Location’,‘southoutside’, ‘Orientation’,‘horizontal’)
end
xlabel(‘x / km’,‘fontsize’,10 ,‘fontname’,‘Times new roman’);
ylabel(‘y / km’,‘fontsize’,10 ,‘fontname’,‘Times new roman’);
zlabel(‘z / km’,‘fontsize’,10 ,‘fontname’,‘Times new roman’);
set(gca, ‘xlim’ , [ model.xmin model.xmax]) ;
set(gca, ‘ylim’ , [ model.ymin model.ymax]) ;
axis tight
axis normal
hold on
set(gca, ‘cameraposition’, [-337 , 0 , 14.2])
%%
figure(2);%subplot(2,2,2)
mesh( model.x_data , model.y_data , model.z_data ); hold on
view(2)
% contour( model.x_data , model.y_data , model.z_data ); hold on
colorbar; box on ,
set(gcf,‘Color’,[1 1 1]);
% set(gcf, ‘unit’ , ‘centimeters’,‘position’ , [2 2 30 15]);
h3= plot3( BestSol.Sol.xx , BestSol.Sol.yy , BestSol.Sol.zz , ‘-r’); hold on
% temp = 10^-2 ;
h1 = plot3( model.xs, model.ys, model.zs, ‘o’ , ‘MarkerEdgeColor’,‘b’, …
‘MarkerFaceColor’,‘b’); hold on
h2 = plot3( model.xt , model.yt , model.zt, ‘^’ , ‘MarkerEdgeColor’,‘g’, …
‘MarkerFaceColor’,‘g’); hold on
% legend( [ h1 , h2 , h3] , ‘起点’ , ‘终点’ , ‘线路’, ‘Location’,‘southoutside’ , ‘Orientation’,‘horizontal’)
if isfield( model ,‘Barrier’)
for ind = 1: model.Num_Barrier
[X,Y,Z] = cylinder( model.Barrier(ind, 3) ,100);
h4= surf(X+model.Barrier(ind, 1),Y+model.Barrier(ind, 2), model.zmin+Z*( max(model.z_data(😃)- model.zmin) ) ; hold on
set(h4, ‘edgecolor’,‘m’,‘facecolor’, ‘m’) ;
end
end
if ~isfield( model ,‘Barrier’)
legend( [ h1 , h2 , h3] , ‘起点’ , ‘终点’ , ‘线路’, ‘Location’,‘southoutside’ , ‘Orientation’,‘horizontal’)
else
legend( [ h1 , h2 , h3 h4] , ‘起点’ , ‘终点’ , ‘线路’ , ‘无法通行区域’ , ‘Location’,‘southoutside’, ‘Orientation’,‘horizontal’)
end
xlabel(‘x / km’,‘fontsize’,10 ,‘fontname’,‘Times new roman’);
ylabel(‘y / km’,‘fontsize’,10 ,‘fontname’,‘Times new roman’);
zlabel(‘z / km’,‘fontsize’,10 ,‘fontname’,‘Times new roman’);
set(gca, ‘xlim’ , [ model.xmin model.xmax]) ;
set(gca, ‘ylim’ , [ model.ymin model.ymax]) ;
axis tight
axis normal
hold off
hold on
%%
figure(3);%subplot(2,2,3)
% mesh( model.x_data , model.y_data , model.z_data ); hold on
% view(2)
contour( model.x_data , model.y_data , model.z_data ); hold on
colorbar; box on ,
set(gcf,‘Color’,[1 1 1]);
% set(gcf, ‘unit’ , ‘centimeters’,‘position’ , [2 2 30 15]);
h3= plot3( BestSol.Sol.xx , BestSol.Sol.yy , BestSol.Sol.zz , ‘-r’); hold on
% temp = 10^-2 ;
h1 = plot3( model.xs, model.ys, model.zs, ‘o’ , ‘MarkerEdgeColor’,‘b’, …
‘MarkerFaceColor’,‘b’); hold on
h2 = plot3( model.xt , model.yt , model.zt, ‘^’ , ‘MarkerEdgeColor’,‘g’, …
‘MarkerFaceColor’,‘g’); hold on
% legend( [ h1 , h2 , h3] , ‘起点’ , ‘终点’ , ‘线路’, ‘Location’,‘southoutside’ , ‘Orientation’,‘horizontal’)
if isfield( model ,‘Barrier’)
for ind = 1: model.Num_Barrier
[X,Y,Z] = cylinder( model.Barrier(ind, 3) ,100);
h4= surf(X+model.Barrier(ind, 1),Y+model.Barrier(ind, 2), model.zmin+Z*( max(model.z_data(😃)- model.zmin) ) ; hold on
set(h4, ‘edgecolor’,‘m’,‘facecolor’, ‘m’) ;
end
end
if ~isfield( model ,‘Barrier’)
legend( [ h1 , h2 , h3] , ‘起点’ , ‘终点’ , ‘线路’, ‘Location’,‘southoutside’ , ‘Orientation’,‘horizontal’)
else
legend( [ h1 , h2 , h3 h4] , ‘起点’ , ‘终点’ , ‘线路’ , ‘无法通行区域’ , ‘Location’,‘southoutside’, ‘Orientation’,‘horizontal’)
end
xlabel(‘x / km’,‘fontsize’,10 ,‘fontname’,‘Times new roman’);
ylabel(‘y / km’,‘fontsize’,10 ,‘fontname’,‘Times new roman’);
zlabel(‘z / km’,‘fontsize’,10 ,‘fontname’,‘Times new roman’);
set(gca, ‘xlim’ , [ model.xmin model.xmax]) ;
set(gca, ‘ylim’ , [ model.ymin model.ymax]) ;
axis tight
axis normal
hold off
hold on
%% 收敛曲线
figure(4);%subplot(2,2,4)
% semilogy( BestSol.BestCost ,‘LineWidth’,2);
plot( BestSol.BestCost ,‘LineWidth’,2);
xlabel(‘迭代次数’);
ylabel(‘目标函数’);
grid on;
set(gca,‘XLim’,[0 BestSol.MaxIt]);%X轴的数据显示范围
hold on
⛄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]肖雨荷.基于自适应鸡群—粒子群混合算法的移动机器人路径规划[D].长沙理工大学
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
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化
2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化
5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配
6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化
7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化
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
9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长
10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合
662
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
