单目标应用：海鸥优化算法（Seagull optimization algorithm，SOA）求解无人机路径规划（提供MATLAB代码）

一、海鸥优化算法

海鸥优化算法（Seagull optimization algorithm，SOA）由Gaurav Dhiman等人于2019年提出。
海鸥是候鸟。繁殖期主要栖息于北极苔原、森林苔原、荒漠、草地的河流、湖泊、水塘和沼泽中，冬季主要栖息于海岸、河口和港湾。成对或成小群活动或在空中飞翔。在海边和海港，成群的漂浮在水面上，游泳和觅食。海鸥以海滨小鱼、昆虫、软体动物、甲壳类以及耕地里的蠕虫和蛴螬为食。

海鸥优化算法原理

二、无人机（UAV）三维路径规划

无人机三维路径规划数学模型参考如下文献：

Phung M D , Ha Q P . Safety-enhanced UAV Path Planning with Spherical Vector-based Particle Swarm Optimization[J]. arXiv e-prints, 2021.

目标函数由路径长度成本，安全性与可行性成本、飞行高度成本和路径平滑成本共同组成：

（1）路径长度成本

路径长度成本由相邻两个节点之间的欧氏距离和构成，其计算公式如下：

（2）路径安全性与可行性成本

路径安全性与可行性成本通过下式计算：

（3）路径飞行高度成本

飞行高度成本通过如下公式计算所得：

（4）路径平滑成本

投影向量通过如下公式计算：

转弯角度的计算公式为：

爬坡角度的计算公式为：

平滑成本的计算公式为：

（5）总成本（目标函数）

总成本由最优路径成本，安全性与可行性成本、飞行高度成本和路径平滑成本的线性加权所得。其中，b为加权系数。

三、实验结果

在三维无人机路径规划中，无人机的路径由起点，终点以及起始点间的点共同连接而成。因此，自变量为无人机起始点间的各点坐标，目标函数为总成本（公式9）。

3.1参数设置

（1）设8个柱状障碍物的位置及半径：

 R1=80;  % Radius 80
x1 = 400; y1 = 500; z1 = 100; % center


R2=70;  % Radius 70
x2 = 600; y2 = 200; z2 = 150; % center

R3=80;  % Radius 80
x3 = 500; y3 = 350; z3 = 150; % center

R4=70;  % Radius 70
x4 = 350; y4 = 200; z4 = 150; % center

R5=70;  % Radius 70 
x5 = 700; y5 = 550; z5 = 150; % center


R6=80;  % Radius 80
x6 = 650; y6 = 750; z6 = 150; % center

R7=100;  % Radius 100
x7 = 750; y7 = 350; z7 = 150; % center

R8=50;  % Radius 50
x8 = 300; y8 = 350; z8 = 150; % center

（2）起始点位置为：

start_location = [200;100;150];
end_location = [800;800;150];

（3）起始点间共10个待求点。

（4）加权系数b=[5 1 10 1]。

（5）海鸥优化算法的种群大小为50，最大迭代次数为50。

4.2求解结果

close all
clear
clc
dbstop if all error
global model
model = CreateModel(); % Create search map and parameters
F='F1';
[Xmin,Xmax,dim,fobj] = fun_info(F);
pop=50;
maxgen=50;
[fMin , bestX,Convergence_curve ] = SOA(pop, maxgen,Xmin,Xmax,dim,fobj);
% save bestX bestX
% load('bestX.mat');
BestPosition = SphericalToCart(bestX);
PlotSolution(BestPosition);
figure
plot(Convergence_curve)
xlabel('Iteration');
ylabel('Best Cost');
grid on;

其中一次结果：（黑色正方形是起点，黑色圆圈是终点，共有8个柱状障碍物，红线为优化得到的无人机路线。）

四、参考代码