基于海市蜃楼搜索优化（Mirage Search Optimization, MSO）算法的多个无人机协同路径规划（可以自定义无人机数量及起始点），MATLAB代码

一、海市蜃楼搜索优化算法

海市蜃楼搜索优化（Mirage Search Optimization, MSO）算法是2025年提出的一种基于海市蜃楼物理现象的元启发式优化算法，于2025年2月在线发表在JCR一区、中科院2区SCI期刊《Advances in Engineering Software》上。海市蜃楼是一种常见的物理现象，其形成与气象和地理因素密切相关。太阳使地面温度上升，形成温度梯度，进而导致大气密度产生显著差异，造成大气中折射率的分层。光在大气中被折射，但大脑认为光是沿直线传播的，因此人们看到了物体的虚拟图像。MSO算法正是基于这一物理现象，通过模拟海市蜃楼的形成原理，设计了上蜃景策略和下蜃景策略，分别用于全局探索和局部开发，以实现对复杂优化问题的有效求解。

算法原理

海市蜃楼是一种光学现象，其形成与气象和地理因素密切相关。太阳使地面温度上升，形成温度梯度，进而导致大气密度差异和折射率分层。光在大气中传播时发生折射，而人脑认为光沿直线传播，从而形成虚拟图像。MSO 算法正是基于这一物理现象，通过模拟光的折射和虚拟图像的形成，设计了两种更新策略来优化种群的位置。

算法策略

1. 上蜃景策略：主要用于全局探索。当入射光在水平基准线的左边，或位于水平基准面法线右侧且满足 β < α < π/2 时，通过特定的公式更新个体位置，扩大搜索范围，避免陷入局部最优。
2. 下蜃景策略：主要用于局部开发。当下蜃景观察到物体的放大虚像时，基于光路折射原理设计局部搜索模式。如果当前个体不是种群最优个体，按一定公式更新位置；如果是种群最优个体，则采用另一种更新方式，以在局部区域内精细搜索，提高解的精度。

算法模型

初始化

和其他群体优化算法一样，MSO 算法采用随机初始化方式。在 D 维搜索空间中，种群大小为 N 的个体位置初始化公式为：

$$X_{i,j}=X_{\min ,j}+rand(0,1)\times (X_{\max ,j}-X_{\min ,j})$$

其中，$X_{i,j}$ 表示第 i 个个体的第 j 维位置，$X_{\min ,j}$ 和 $X_{\max ,j}$ 分别为第 j 维的最小和最大边界，rand(0,1) 为 [0,1) 区间的随机数。

位置更新模型

1. 上蜃景策略位置更新：当满足入射光在水平基准面法线的右侧，且 β < α < π/2 时，海市蜃楼初始位置更新公式为：
   $$X_i^{t+1}=X_i^t+\lambda \cdot \frac{f(X_i^t)-f(X_{\text{best}}^t)}{\Vert X_i^t-X_{\text{best}}^t\Vert }\cdot (X_i^t-X_{\text{best}}^t)$$
   其中，$X_i^t$ 为第 t 代第 i 个个体的位置，$X_{\text{best}}^t$ 为第 t 代种群最优个体位置，$\lambda$ 为步长因子，f 为适应度函数。

2. 下蜃景策略位置更新：

   • 如果当前个体不是种群最优个体：
     $$X_i^{t+1}=X_i^t+\beta \cdot \frac{f(X_i^t)}{\Vert X_i^t-X_{\text{best}}^t\Vert }\cdot (X_{\text{best}}^t-X_i^t)$$
   • 如果当前个体是种群最优个体：
     $$X_i^{t+1}=X_i^t+\gamma \cdot \frac{f(X_i^t)}{\Vert X_i^t-X_{\text{mean}}^t\Vert }\cdot (X_{\text{mean}}^t-X_i^t)$$
     其中，$\beta$、$\gamma$ 为控制参数，$X_{\text{mean}}^t$ 为第 t 代种群个体位置的均值。

算法步骤

1. 初始化：与其他群体优化算法一样，MSO采用随机初始化的方式，生成一定数量的候选解（个体），构成初始种群。
2. 上蜃景策略：该策略具有全局探索能力，通过模拟海市蜃楼中光线在不同气象条件下的折射路径，使个体能够在全球范围内进行搜索，避免陷入局部最优解。具体来说，根据入射光的位置和角度，分为以下几种情况：
   • 当入射光在水平基准线的左边时，个体的位置更新遵循特定的折射规律。
   • 当入射光位于水平基准面法线右侧且满足β < α < π/2时，个体的位置更新公式会根据折射原理进行推导，以实现全局探索。
3. 下蜃景策略：该策略具有局部开发能力，能够对当前解的邻域进行精细搜索，提高解的质量。下蜃景策略主要分为两种情况：
   • 如果当前个体不是种群的最优个体，其位置更新会参考种群中更优个体的信息，向更优区域靠近。
   • 如果当前个体是种群的最优个体，则在较小范围内进行局部扰动，进一步优化自身位置，以期找到更精确的最优解。
4. 迭代更新：在每次迭代中，根据上蜃景和下蜃景策略更新个体位置后，计算每个个体的适应度值，并更新种群的最优解。重复这一过程，直到满足预设的终止条件（如最大迭代次数或适应度精度要求）。

算法优势

• 全局与局部搜索平衡：通过上蜃景策略的全局探索和下蜃景策略的局部开发，MSO算法能够在优化过程中兼顾全局搜索和局部搜索，有效避免过早收敛到局部最优解，提高寻找全局最优解的能力。
• 较强的适应性：适用于多种类型的优化问题，包括无约束优化、带约束优化以及实际工程设计问题等。
• 高效的优化性能：在多个标准测试函数和实际应用问题上进行了验证，MSO算法均表现出较强的竞争力，能够快速收敛到高质量的解。

参考文献

[1]Jiahao He, Shijie Zhao, Jiayi Ding, Yiming Wang,Mirage search optimization: Application to path planning and engineering design problems,Advances in Engineering Software, Volume 203, 2025, 103883, https://doi.org/10.1016/j.advengsoft.2025.103883.

二、无人机（UAV）三维路径规划

单个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.

每个无人机的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：

2.1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：

2.2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：

2.3路径飞行高度成本

飞行高度成本通过如下公式计算所得：

2.4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：

2.5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，每个无人机的目标函数为总成本（公式9）。本文研究3个无人机协同路径规划，总的目标函数为3个无人机的总成本之和。

%% 第一个无人机 起始点
start_location = [120;200;100];
end_location = [800;800;150];
ModelUAV(1).model.start=start_location;
ModelUAV(1).model.end=end_location;
%% 第二个无人机 起始点
start_location = [400;100;100];
end_location = [900;600;150];
ModelUAV(2).model.start=start_location;
ModelUAV(2).model.end=end_location;
%% 第三个无人机 起始点
start_location = [200;150;150];
end_location =[850;750;150];
ModelUAV(3).model.start=start_location;
ModelUAV(3).model.end=end_location;
%% 第四个无人机 起始点
start_location = [100;100;150];
end_location = [800;730;150];
ModelUAV(4).model.start=start_location;
ModelUAV(4).model.end=end_location;
%% 第5个无人机 起始点
start_location = [500;100;130];
end_location = [850;650;150];
ModelUAV(5).model.start=start_location;
ModelUAV(5).model.end=end_location;

figure
plot(Convergence_curve,'LineWidth',2)
xlabel('Iteration');
ylabel('Best Cost');
grid on;

5个无人机：

四、完整MATLAB代码见下方名片