✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
本文提出了一种基于白鹭群算法(ESOA)的复杂城市地形下无人机避障三维航迹规划方法。该方法将三维航迹规划问题建模为一个多目标优化问题,并利用ESOA算法求解该问题。ESOA算法是一种基于白鹭觅食行为的群智能算法,具有较强的全局搜索能力和局部开发能力。通过对ESOA算法的改进,该方法能够有效地规划出避开障碍物、满足飞行约束和优化飞行性能的三维航迹。
引言
无人机在城市环境中执行任务时,常常需要在复杂的地形中飞行。在这种情况下,避障三维航迹规划至关重要。传统的航迹规划方法大多基于二维平面,无法有效地处理三维地形中的障碍物。因此,本文提出了一种基于ESOA算法的复杂城市地形下无人机避障三维航迹规划方法。
方法
1. 问题建模
将三维航迹规划问题建模为一个多目标优化问题,目标函数包括:
-
避障性能:航迹与障碍物的最小距离
-
飞行效率:航迹的总长度
-
飞行平滑度:航迹的曲率半径
2. 白鹭群算法(ESOA)
ESOA算法是一种基于白鹭觅食行为的群智能算法。白鹭觅食时,会根据周围环境信息调整自己的觅食策略。ESOA算法模拟了白鹭的觅食行为,通过个体的交互和信息共享来求解优化问题。
3. ESOA算法的改进
为了提高ESOA算法在复杂城市地形下无人机避障三维航迹规划中的性能,本文对ESOA算法进行了以下改进:
-
加入障碍物信息:在算法中加入障碍物信息,使白鹭个体能够感知障碍物并做出相应的避障决策。
-
适应性步长策略:根据个体与障碍物的距离和航迹的平滑度调整步长,提高算法的局部开发能力。
-
多种搜索策略:结合全局搜索和局部搜索策略,增强算法的全局搜索能力和局部开发能力。
4. 航迹规划流程
基于改进的ESOA算法,无人机避障三维航迹规划流程如下:
-
初始化白鹭种群
-
评估白鹭个体的适应度
-
根据适应度值更新白鹭个体的位置
-
检测碰撞并进行避障处理
-
重复步骤2-4,直至达到终止条件
结果
本文在复杂城市地形下进行了仿真实验,验证了所提方法的有效性。实验结果表明:
-
该方法能够有效地规划出避开障碍物的三维航迹
-
该方法规划的航迹具有较高的飞行效率和平滑度
-
该方法比传统的航迹规划方法具有更好的性能
结论
本文提出了一种基于ESOA算法的复杂城市地形下无人机避障三维航迹规划方法。该方法通过对ESOA算法的改进,能够有效地规划出避开障碍物、满足飞行约束和优化飞行性能的三维航迹。该方法为无人机在复杂城市地形中的安全高效飞行提供了有效的解决方案。
📣 部分代码
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
%% 导入数据
res = xlsread('数据集.xlsx');
%% 划分训练集和测试集
temp = randperm(357);
P_train = res(temp(1: 240), 1: 12)';
T_train = res(temp(1: 240), 13)';
M = size(P_train, 2);
P_test = res(temp(241: end), 1: 12)';
T_test = res(temp(241: end), 13)';
N = size(P_test, 2);
%% 数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);
⛳️ 运行结果
🔗 参考文献
[1] 刘艳,李文波,刘新彪,等.复杂环境下无人机三维航迹规划及避障算法[J].电光与控制, 2023, 30(5):93-98.
[2] 王康,司鹏,陈莉,等.基于改进沙猫群算法的无人机三维航迹规划[J].兵工学报, 2023(11):3382-3393.
[3] 王磊,赵红超,王书湖,等.基于自适应粒子群优化算法的无人机三维航迹规划[J].海军航空工程学院学报, 2020, 35(3):7.DOI:CNKI:SUN:HJHK.0.2020-03-004.
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
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、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类