【路径规划】基于改进差分算法实现三维多无人机协同航迹规划

最新推荐文章于 2024-06-24 23:18:10 发布
最新推荐文章于 2024-06-24 23:18:10 发布
阅读量752 收藏 6
点赞数
文章标签： 算法 python java 人工智能 机器学习
本文链接：https://blog.csdn.net/m0_60703264/article/details/120137068
版权

一、差分进化算法的介绍

   差分进化算法(Differential Evolution, DE)是一种基于群体差异的启发式随机搜索算法，该算法是由R.Storn和K.Price为求解Chebyshev多项式而提出的。DE算法也属于智能优化算法，与前面的启发式算法，如ABC，PSO等类似，都属于启发式的优化算法。DE算法是我在一篇求解盒子覆盖问题论文中使用的一种优化算法。

二、差分进化算法的流程

  1. 初始化种群
  2. 变异
  3. 交叉
  4. 选择

(DE流程)

三、差分进化的具体步骤

   对于无约束优化问题

利用差分进化求解这样的优化问题，主要分为初始化、变异、交叉和选择等几项操作。

1、初始化

   如前面的的群智能优化算法一样，差分进化也需要初始化种群：

其中，是第个个体，表示第维。

其中，和分别为第维的下界和上界，表示在区间上的随机数。

2、变异

       DE算法通过差分策略实现个体变异，常见的差分策略是随机选取种群中两个不同的个体，将其向量差缩放后与待变异个体进行向量合成。

其中，，和是三个随机数，区间为，称为缩放因子，为一个确定的常数。表示第代。

3、交叉

   交叉操作的目的是随机选择个体，因为差分进化也是一种随机算法，交叉操作的方法是：

其中，称为交叉概率。通过概率的方式随机生成新的个体。

4、选择

   在DE中采用的是贪婪选择的策略，即选择较优的个体作为新的个体。

```

%清空环境 clear;

%定义地形对象 cTerrain = CTerrain3D; %定义威胁区对象 cTread = CTread;

%调整为统一的图形环境 figure('Renderer','opengl');

%绘制地形和威胁区 cTerrain.draw(); cTread.draw();

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%数据形式说明 %xs 初始点位置集合，三维点集 %yt 目标点位置集合，三维点集 %MxsEna 能力矩阵，集合中的二元组表示最大最小飞行速度 %MxsDIs 最大航程矩阵，集合中的值表示UAV最大可飞的距离 %MytTOrd 任务点间的时序坐标，要求尽量在前面的先执行

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %调用目标分配算法 %AssignType表示不同的模型，1, N=M; 2, N>M; 3, N

%时间测试 Time = cputime;

%% 第一种情况的实验 if AssignType == 1 %%%%%%%%%%%%%%%%%%%%%%%数据区%%%%%%%%%%%% xs = [%11 2 3;2 17 5; 34 26 7;5 2 2;6 33 3;27 34 6;21 45 5;25 12 3;22 17 11;13 31 12; %45 21 11; 36 22 11;13 21 16;41 25 10;25 25 11;53 12 14;22 12 12;18 32 11; 67 34 12;26 16 15; 78 20 15;93 31 12;31 20 13;112 32 15; 134 26 17;45 52 12;36 63 13;67 34 16;21 85 15;32 62 13;]; yt = [%40 210 12;170 90 13 ; 80 197 21 ;172 120 13;160 56 13;160 143 21;170 200 21;113 200 12;97 134 16;100 145 11; %81 101 21; 72 152 12; 133 60 11;84 164 21; 150 90 21;146 121 12; 167 54 12; 108 165 12;99 120 21;110 143 11; 70 181 12;15 133 13 ; 19 151 12 ;160 192 13;101 120 23;160 113 12;82 101 11;173 140 12;182 65 14; 128 156 12;];

MxsEna=[%0.2 0.3; 0.2 0.4;0.4 0.75;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;0.2 0.3; 0.2 0.4;
    % 0.4 0.75;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;
    0.2 0.3; 0.2 0.4;0.4 0.75;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;0.3 0.5;0.3 0.6;];

MxsDis=[%400 700 650 500 700 900 450 610 400 700
    %650 500 700 900 450 610 700 900 450 610
    500 700 300 350 700 900 450 610 450 610];


ytW = [%1 3 4 2 1 1 3 2 1 2
    %3 2 1 3 2 1 2 3 2 1
    1 1 1 1 1 1 1 1 1 1];

MytTOrd=[3 4; 5 2; 6 8; 7 4;];

%引入新的协同矩阵，最大起始时间矩阵
Twait = [];
Twindow=[];

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
if Key == 0


    %%%%%%%%%%%%%%%%%%%%%%算法执行区%%%%%%%%%%%%%%%%%%
    %调用目标分配算法，并取得解和相关数据,计算算法耗费时间
    %定义目标分配算法对象
    DDE1 = DMDEAssignTarget(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd,Twait,Twindow,1);
    % MC = Cal1.GetMcost();
    %Cal1 = CallocationTargetOld1(cTerrain);
    %标签显示文字
    xlabel('X/km')
    ylabel('Y/km')
    zlabel('Z/km')
    %DDEAssign1=DDEAssignTarget1(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd);
    %执行run并返回结果集
    t1 = cputime;
    [solU solT solC solF ] = DDE1.run();
    Time = cputime -t1;

    %         %结果
    solU
    solT
    solC
    solF
    Time


else if Key == 1
        for i=1:10
            DDE1 = DMDEAssignTarget(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd,Twait,Twindow,i);
            % MC = Cal1.GetMcost();
            %Cal1 = CallocationTargetOld1(cTerrain);
            %标签显示文字
            xlabel('X/km')
            ylabel('Y/km')
            zlabel('Z/km')
            %DDEAssign1=DDEAssignTarget1(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd);
            %执行run并返回结果集
            t1 = cputime;
            [solU solT solC solF ] = DDE1.run();
            solu(i,:) = solU;
            solt(i,:) = solT;
            solc(i,:) = solC;
            solf(i,:) = solF;
            Time(i,:) = cputime -t1;
        end %i
        %         %结果
        solu
        solt
        solc
        solf
        Time

    end % key=1
end % key=0

else if AssignType == 2 %% 第二种实验的情况 %%%%%%%%%%%%%%%%%%%%%%%数据区%%%%%%%%%%%% xs = [%11 2 3;2 17 5; 34 26 7;5 2 2;6 33 3;27 34 6;21 45 5;25 12 3;22 17 11;13 31 12; %45 21 11; 36 22 11;13 21 16;41 25 10;25 25 11;53 12 14;22 12 12;18 32 11; 67 34 12;26 16 15; 78 20 15;93 31 12;31 20 13;112 32 15; 134 26 17;45 52 12;36 63 13;67 34 16;21 85 15;32 62 13;]; yt = [%40 210 12;170 90 13 ; 80 197 21 ;172 120 13;160 56 13;160 143 21;170 200 21;113 200 12;97 134 16;100 145 11; %81 101 21; 72 152 12; 133 60 11;84 164 21; 150 90 21;146 121 12; 167 54 12; 108 165 12;99 120 21;110 143 11; 70 181 12;15 133 13 ; 19 151 12 ;160 192 13 ];

MxsEna=[%0.2 0.3; 0.2 0.4;0.4 0.75;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;0.2 0.3; 0.2 0.4;
        % 0.4 0.75;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;
        0.2 0.3; 0.2 0.4;0.4 0.75;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;0.3 0.5;0.3 0.6;];

    MxsDis=[%400 700 650 500 700 900 450 610 400 700
        %650 500 700 900 450 610 700 900 450 610
        500 700 300 350 700 900 450 610 450 610];



    ytW = [%1 3 4 2 1 1 3 2 1 2
        %3 2 1 3 2 1 2 3 2 1
        1 1 1 1];

    %这个数据里都代表的是目标点，是目标点与目标点的关系
    MytTOrd=[3 2];

    %引入新的协同矩阵，最大起始时间矩阵
    Twait = [30 40 20 15 50 70 30 80 90 65];
    Twindow=[];
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    if Key == 0


    else if Key == 1
            for i=1:20
                DDE1 = DMDEAssignTarget(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd,Twait,Twindow,i);
                % MC = Cal1.GetMcost();
                %Cal1 = CallocationTargetOld1(cTerrain);
                %标签显示文字
                xlabel('X/km')
                ylabel('Y/km')
                zlabel('Z/km')
                %DDEAssign1=DDEAssignTarget1(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd);
                %执行run并返回结果集
                t1 = cputime;
                [solU solT solC solF ] = DDE1.run();
                solu(i,:) = solU;
                solt(i,:) = solT;
                solc(i,:) = solC;
                solf(i,:) = solF;
                Time(i,:) = cputime -t1;
            end %i
            %         %结果
            solu
            solt
            solc
            solf
            Time

        end % key=1
    end % key=0


else if AssignType == 3
        %% 第三种实验的情况
        %%%%%%%%%%%%%%%%%%%%%%%数据区%%%%%%%%%%%%
        xs = [%11 2 3;2 17 5; 34 26 7;5 2 2;6 33 3;27 34 6;21 45 5;25 12 3;22 17 11;13 31 12;
            %45 21 11; 36 22 11;13 21 16;41 25 10;25 25 11;53 12 14;22 12 12;18 32 11; 67 34 12;26 16 15;
            78 20 15;93 31 12;31 20 13;112 32 15];
        yt = [%40 210 12;170 90 13 ; 80 197 21 ;172 120 13;160 56 13;160 143 21;170 200 21;113 200 12;97 134 16;100 145 11;
            %81 101 21; 72 152 12; 133 60 11;84 164 21; 150 90 21;146 121 12; 167 54 12; 108 165 12;99 120 21;110 143 11;
            70 131 12;15 133 13 ; 19 151 12 ;160 192 13;101 120 23;160 113 12;82 101 11;173 140 12;182 65 14; 45 176 12;];

        MxsEna=[%0.2 0.3; 0.2 0.4;0.4 0.75;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;0.2 0.3; 0.2 0.4;
            % 0.4 0.75;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;
            0.2 0.5; 0.3 0.4;0.4 0.75;0.3 0.45];

        MxsDis=[%400 700 650 500 700 900 450 610 400 700
            %650 500 700 900 450 610 700 900 450 610
            700 700 900 650];

        ytW = [%1 3 4 2 1 1 3 2 1 2
            %3 2 1 3 2 1 2 3 2 1
            1 1 1 1 1 1 1 1 1 1];

        MytTOrd=[3 4; 5 2];

        %引入新的协同矩阵，最大起始时间矩阵
        Twait = [30 40 20 15];
        Twindow=[1300,6000];
        %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
        if Key == 0


            %%%%%%%%%%%%%%%%%%%%%%算法执行区%%%%%%%%%%%%%%%%%%
            %调用目标分配算法，并取得解和相关数据,计算算法耗费时间
            %定义目标分配算法对象
            DDE1 = DMDEAssignTarget(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd,Twait,Twindow,1);
            % MC = Cal1.GetMcost();
            %Cal1 = CallocationTargetOld1(cTerrain);
            %标签显示文字
            xlabel('X/km')
            ylabel('Y/km')
            zlabel('Z/km')
            %DDEAssign1=DDEAssignTarget1(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd);
            %执行run并返回结果集
            t1 = cputime;
            [solU solT solC solF]  = DDE1.run();
            Time = cputime -t1;

            %         %结果
            solU
            solT
            solC
            solF
            Time


        else if Key == 1

                for i=1:20
                    DDE1 = DMDEAssignTarget(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd,Twait,Twindow,i);
                    % MC = Cal1.GetMcost();
                    %Cal1 = CallocationTargetOld1(cTerrain);
                    %标签显示文字
                    xlabel('X/km')
                    ylabel('Y/km')
                    zlabel('Z/km')

                    t1 = cputime;
                    [solU solT solC solF ] = DDE1.run();
                    solu(i,:) = solU;
                    solt(i,:) = solT;
                    solc(i,:) = solC;
                    solf(i,:) = solF;
                    Time(i,:) = cputime -t1;
                end %i
                %         %结果
                solu
                solt
                solc
                solf
                Time
            end % key=1
        end % key=0

    end % type =3

end % type =2

end % type=1 ```

Matlab科研辅导帮
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
【NSGA2三维路径规划】非主导排序遗传算法2求解无人机三维路径规划【含Matlab源码 1455期】
Matlab领域的博客
02-01 425
非主导排序遗传算法2求解无人机三维路径规划 完整的代码，方可运行；可提供运行操作视频！适合小白！
差分进化算法在多目标路径规划中的应用
06-27
针对差分进化算法其算法思想简明、实现方便而得到了国际进化计算研究领域的认可,多目标问题中,由于各目标之间经常是相互制约的,因此优化难度相当大。带时间窗的多目标物流配送车辆路径优化的多约束性使得它很难应用进化算法进行优化。为了解决这个问题,本文通过变异操作算子改进,成功将改进的差分进化算法应用于该问题。数值仿真实验结果表明:这种改进的差分进化算法得到了较稳定的非支配解集,实现了客户间的路径优化。
【无人机三维路径规划】基于树木生长算法TGA实现复杂城市地形下无人机避障三维航迹规划附Matlab代码
最新发布
m0_57702748的博客
06-24 1011
随着无人机技术的不断发展，其在城市环境中的应用越来越广泛。但在复杂的城市地形中，无人机飞行面临着诸多挑战，例如建筑物、树木等障碍物的避障问题。为了解决这一问题，本文提出了一种基于树木生长算法（TGA）的无人机三维路径规划方法，用于在复杂城市地形下规划无人机避障三维航迹。1. 引言无人机因其灵活性和机动性，在城市环境中展现出巨大的应用潜力，例如空中摄影、货物运输、环境监测等。然而，城市环境中存在着大量复杂的障碍物，例如高层建筑、树木、电线杆等，给无人机飞行带来巨大的挑战。
改进的多目标差分进化算法在电力系统环境经济调度中的应用（Python代码实现）【电气期刊论文复现】
m0_73907476的博客
01-05 690
进的多目标差分进化算法不仅可以应用在电力系统环境经济调度，换其他多目标函数和约束条件依然适用。主要是把这个工具用好，用在其他多目标经典问题上，然后就可以写一篇期刊论文。
【协同任务】基于matlab多无人机协同任务规划【含Matlab源码 2515期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
04-08 2260
多无人机协同任务规划 完整的代码，方可运行；可提供运行操作视频！适合小白！
【路径规划】基于蜣螂优化算法的三维无人机航迹规划 无人机路径规划【Matlab代码#9】
jayxiaoxionger的博客
03-29 664
基于蜣螂优化算法DBO的三维无人机航迹规划 无人机路径规划（有障碍威胁环境），matlab代码，可直接运行，注释详细！
基于Matlab实现多旋翼无人机航迹规划控制
m0_57702748的博客
05-23 128
多旋翼飞行器以其机械结构简单,成本低,操控灵活,等优点广泛应用于航拍,空中测绘,电力巡线,空中侦察领域,逐渐成为微型无人机中的研究热点.但是多旋翼无人机是一种高阶,非线性,强耦合的欠驱系统,控制技术是该领域一个重要的研究方向.​。
【路径规划】基于改进差分算法实现三维多无人机协同航迹规划matlab源码.md
08-05
【路径规划】基于改进差分算法实现三维多无人机协同航迹规划
【路径规划】基于改进差分实现三维多无人机协同航迹规划matlab源码.md
08-23
【路径规划】基于改进差分实现三维多无人机协同航迹规划matlab源码.md
【路径规划】基于改进差分实现三维多无人机协同航迹规划matlab源码.zip
10-20
在本资源中，我们关注的是一个使用MATLAB实现的三维多无人机协同航迹规划方法，该方法基于改进的差分算法。这个课题是现代无人机技术中的一个重要领域，它涉及到自动化、控制理论、优化算法以及计算机科学等多个交叉...
【无人机路径规划】基于A算法求解无人机三维路径规划问题matlab源码.zip
10-20
在这个压缩包中，包含的"【无人机路径规划】基于A算法求解无人机三维路径规划问题matlab源码.pdf"很可能是项目的详细说明或者源代码的解释，它将指导读者理解代码的工作原理，如何运行和修改代码以适应不同场景的...
基于改进PRM算法的多无人机协同航迹规划研究的任务书.docx
03-27
### 基于改进PRM算法的多无人机协同航迹规划研究 #### 一、选题背景 近年来，无人机技术迅速发展并在多个领域得到广泛应用，包括但不限于军事侦察、环境监测、搜索救援等。随着应用场景的扩展和技术的进步，单个...
毕设题目：Matlab无人机三维路径规划
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
11-27 7800
毕设题目：Matlab无人机三维路径规划 完整代码，直接运行，适合小白！可提供运行操作视频！
【ACO三维路径规划】基于matlab蚁群算法水下潜器三维路径规划【含matlab源码 043期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
01-25 2307
蚁群算法水下潜器三维路径规划 完整的代码，方可运行；可提供运行操作视频！适合小白！
【无人机三维路径规划】基于粒子群算法解决无人机三维路径规划问题附matlab代码
qq_59747472的博客
04-28 154
本发明属于无人机技术领域,具体涉及一种基于粒子群算法的三维无人机路径规划方法及规划系统,其中基于粒子群算法的三维无人机路径规划方法包括:根据无人机航迹环境构建任务空间模型;构建无人机路径的路径代价函数,以获取粒子群;获取粒子群中最优粒子的参数;根据最优粒子的参数和地形值构建航路点;以及根据航路点获取无人机的最优路径,实现了提高了粒子群算法的全局寻优能力以及寻优精度,避免陷入局部最优,并成功得到一条平滑有效的路径.
【无人机三维路径规划】基于鲸鱼算法实现无人机航迹规划附matlab代码
m0_60703264的博客
03-21 376
✅作者简介：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科研工作室????个人信条：格物致知。⛄ 内容介绍无人机三维路径规划是一个比较复杂的全局优化问题,其目标是在考虑威胁和约束的条件下,获得最优或接近最优的飞行路径.为了解决三维复杂环境下的无人机航迹规划问题,提出一...
【协同任务】基于matlab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】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
03-26 1363
改进的灰狼算法多无人作战飞机协同航迹规划 完整的代码，方可运行；可提供运行操作视频！适合小白！
差分进化算法1
weixin_41791807的博客
12-28 1252
1 差分进化算法简介 1.1 前言 在遗传、选择和变异的作用下，自然界生物体优胜劣汰，不断由低级向高级进化和发展。人们注意到，适者生存的进化规律可以模式化，从而构成一些优化算法；近年来发展的进化计算类算法受到了广泛的关注。 差分进化算法(Differential Evolution， DE) 是一种新兴的进化计算技术[1] 。它是由S torn等人于1995年提出的， 其最初的设想是用于解决切比雪夫多项式问题，后来发现它也是解决复杂优化问题的有 效技术。 差分进化算法是基于群体智能理论的优化算法，是通过群体
基于改进差分实现三维多无人机协同航迹规划matlab源码.
12-05
基于改进差分的三维多无人机协同航迹规划主要涉及到无人机的路径优化和协同控制。下面将详细介绍在Matlab中实现该算法的源码。 首先，在Matlab中，我们可以利用已有的无人机模型和传感器模型来进行仿真实验。假设我们有三架无人机，每架无人机的初始位置、速度和目标点分别为(p1, v1, goal1)，(p2, v2, goal2)和(p3, v3, goal3)。 接下来，我们需要定义无人机的动力学模型，以及考虑到差分约束的路径规划算法。在改进差分算法中，我们可以利用优化方法（如梯度下降法）来求解路径规划问题。具体来说，我们可以定义一个代价函数，将路径规划问题转化为优化问题。代价函数的目标是最小化无人机的总体路径长度，并考虑到约束条件（如避障、最小飞行时间等）。 在具体实现中，我们可以使用MATLAB的优化工具箱中的函数，如fmincon或fminunc，来进行优化求解。这些函数可以通过提供定义好的代价函数，指定约束条件等来进行调用。在调用时，我们需要将无人机的初始位置、速度和目标点作为输入，作为优化问题的起点。 最后，通过迭代优化算法，我们可以获取到使得代价函数最小化的最佳路径。将优化结果以及相关参数可视化展示，便于进一步分析和实验结果的验证。 以上就是基于改进差分实现三维多无人机协同航迹规划的大致思路，具体的实现细节可以根据具体的项目需求进行调整和优化。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Matlab科研辅导帮

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值