基于梦境优化算法（Dream Optimization Algorithm, DOA）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、梦境优化算法（DOA）

算法原理

算法灵感

梦境优化算法（Dream Optimization Algorithm, DOA）是一种新型的元启发式算法（智能优化算法），其灵感来源于人类梦境的启发。在有做梦经历的快速眼动睡眠期间，低频脑电波的功率降低，而高频脑电波的功率增加，这表明在做梦经历期间大脑的神经兴奋更大。

初始化

与其他元启发式算法类似，在初始化阶段，DOA首先在搜索空间内生成一个随机种群作为初始种群，从而开始算法的优化过程。初始总体的计算公式如下：
$$X_i=X_l+rand\times (X_u-X_l)$$
式中，$N$为个体数，即种群大小；$X_i$是种群中的第$i$个个体；$X_l$和$X_u$分别表示搜索空间的下边界和上边界；$rand$是一个dim维向量，每个维度是0到1之间的随机数。

勘探阶段

在勘探阶段（迭代计数从0到$T_d$），我们首先根据记忆能力的差异将群体分为5组，每组中的个体数量大致相等。每组中的个体根据其记忆能力的不同，以不同的方式更新其位置。具体来说，每组中的个体根据其记忆能力的强弱，以不同的概率在全局最优解和局部最优解之间进行搜索。这种分组策略有助于在算法的早期阶段扩大搜索范围，增加找到全局最优解的可能性。

开发阶段

在开发阶段（迭代计数从$T_d$到$T_d+T_e$），算法逐渐减少对全局搜索的依赖，转而更加关注局部搜索。此时，种群中的个体根据其当前的位置和适应度值，以一定的概率在全局最优解和局部最优解之间进行搜索。这种策略有助于在算法的中期阶段平衡全局搜索和局部搜索，进一步提高算法的搜索效率和精度。

更新阶段

在更新阶段（迭代计数从$T_d+T_e$到$T_{max}$），算法主要进行局部搜索，以进一步优化解的质量。此时，种群中的个体根据其当前的位置和适应度值，以较高的概率在局部最优解附近进行搜索。这种策略有助于在算法的后期阶段精细调整解，提高解的精度。

算法流程

1. 初始化：在搜索空间内随机生成初始种群。
2. 勘探阶段：
   • 根据记忆能力将群体分为5组。
   • 每组中的个体根据记忆能力的不同，以不同的概率在全局最优解和局部最优解之间进行搜索。
3. 开发阶段：
   • 种群中的个体根据当前的位置和适应度值，以一定的概率在全局最优解和局部最优解之间进行搜索。
4. 更新阶段：
   • 种群中的个体根据当前的位置和适应度值，以较高的概率在局部最优解附近进行搜索。
5. 终止条件：达到最大迭代次数$T_{max}$或满足其他终止条件。

算法描述

梦境优化算法（DOA）通过模拟人类梦境中的记忆和遗忘过程，结合基本的记忆策略和遗忘补充策略，平衡探索和利用，从而在优化过程中有效地搜索全局最优解。该算法在不同的阶段采用不同的搜索策略，初期扩大搜索范围，中期平衡全局和局部搜索，后期精细调整解，具有较强的全局搜索能力和良好的收敛性能。
参考文献：
[1]Lang Y, Gao Y. Dream Optimization Algorithm (DOA): A novel metaheuristic optimization algorithm inspired by human dreams and its applications to real-world engineering problems[J]. Computer Methods in Applied Mechanics and Engineering, 2025, 436: 117718.
原文链接：https://blog.csdn.net/weixin_46204734/article/details/145667749

2. 无人机路径规划数学模型

2.1 路径最优性

为了提高无人机的操作效率，规划的路径需要在特定的应用标准下达到最优。在我们的研究中，主要关注空中摄影、测绘和表面检查，因此选择最小化路径长度作为优化目标。由于无人机通过地面控制站（GCS）进行控制，飞行路径 $X_i$ 被表示为无人机需要飞越的一系列 $n$ 个航路点的列表。每个航路点对应于搜索地图中的一个路径节点，其坐标为 $P_{ij}=(x_{ij},y_{ij},z_{ij})$。通过表示两个节点之间的欧几里得距离为 $| \overrightarrow{P_{ij}P_{i,j+1}} |，与路径长度相关的成本 $F_1$ 可以计算为：

$$F_1(X)=\sum _{j=1}^{n-1}\Vert \overrightarrow{P_{ij}{P}_{i,j+1}}\Vert$$

2.2 安全性和可行性约束

除了最优性之外，规划的路径还需要确保无人机的安全操作，引导其避开操作空间中可能出现的威胁，这些威胁通常由障碍物引起。设 $K$ 为所有威胁的集合，每个威胁被假设为一个圆柱体，其投影的中心坐标为 $C_k$，半径为 $R_k$，如下图 所示。

对于给定的路径段 $\Vert \overrightarrow{P_{ij}{P}_{i,j+1}}\Vert$，其相关的威胁成本与它到 $C_k$ 的距离 $d_k$ 成正比。考虑到无人机的直径 $D$ 和到碰撞区域的危险距离 $S$，威胁成本 $F_2$ 在障碍物集合 $K$ 上计算如下：

$$F_2(X_i)=\sum _{j=1}^{n-1}\sum _{k=1}^K{T}_k(\overrightarrow{P_{ij}{P}_{i,j+1}}),$$

其中

$$T_k(\overrightarrow{P_{ij}{P}_{i,j+1}})=\{\begin{array}{ll}0,& \text{if }{d}_k>S+D+R_k\\ (S+D+R_k)-d_k,& \text{if }D+R_k<d_k\le S+D+R_k\\ \infty ,& \text{if }{d}_k\le D+R_k\end{array}$$

在操作过程中，飞行高度通常被限制在给定的最小和最大高度之间，例如在调查和搜索应用中，需要相机以特定的分辨率和视场收集视觉数据，从而限制飞行高度。设最小和最大高度分别为 $h_{\text{min}}$ 和 $h_{\text{max}}$。与航路点 $P_{ij}$ 相关的高度成本计算为：

$$H_{ij}=\{\begin{array}{ll}|h_{ij}-\frac{h_{\text{max}}+h_{\text{min}}}{2}|,& \text{if }{h}_{\text{min}}\le h_{ij}\le h_{\text{max}}\\ \infty ,& \text{otherwise}\end{array}$$

其中 $h_{ij}$ 表示相对于地面的飞行高度，如下图所示。

可以看出，$H_{ij}$ 保持平均高度并惩罚超出范围的值。对所有航路点求和得到高度成本：

$$F_3(X)=\sum _{j=1}^n{H}_{ij}$$

平滑成本评估转弯率和爬升率，这对于生成可行路径至关重要。如下图 所示。

转弯角 ${\varphi }_{ij}$ 是两个连续路径段 $\overrightarrow{P_{ij}^{\prime }{P}_{i,j+1}^{\prime }}$ 和 $\overrightarrow{P_{i,j+1}^{\prime }{P}_{i,j+2}^{\prime }}$ 在水平面 Oxy 上的投影之间的角度。设 $\overrightarrow{k}$ 是 z 轴方向的单位向量，投影向量可以计算为：

$$\overrightarrow{P_{ij}^{\prime }{P}_{i,j+1}^{\prime }}=\overrightarrow{k}\times (\overrightarrow{P_{ij}{P}_{i,j+1}}\times \overrightarrow{k})$$

因此，转弯角计算为：

$${\varphi }_{ij}=\arctan \left(\frac{\Vert \overrightarrow{P_{ij}^{\prime }{P}_{i,j+1}^{\prime }}\times \overrightarrow{P_{i,j+1}^{\prime }{P}_{i,j+2}^{\prime }}\Vert }{\overrightarrow{P_{ij}{P}_{i,j+1}^{\prime }}\cdot \overrightarrow{P_{i,j+1}^{\prime }{P}_{i,j+2}^{\prime }}}\right)$$

爬升角 ${\psi }_{ij}$ 是路径段 $\overrightarrow{P_{ij}{P}_{i,j+1}}$ 与其在水平面上的投影 $\overrightarrow{P_{ij}^{\prime }{P}_{i,j+1}^{\prime }}$ 之间的角度，由下式给出：

$${\psi }_{ij}=\arctan \left(\frac{z_{i,j+1}-z_{ij}}{\Vert \overrightarrow{P_{ij}^{\prime }{P}_{i,j+1}^{\prime }}\Vert }\right)$$

然后，平滑成本计算为：

$$F_4(X)=a_1\sum _{j=1}^{n-2}{\varphi }_{ij}+a_2\sum _{j=1}^{n-1}|{\psi }_{ij}-{\psi }_{j-1}|$$

其中 $a_1$ 和 $a_2$ 分别是转弯角和爬升角的惩罚系数。

2.3 总体成本函数

2.3.1 单个无人成本计算

考虑到路径 $X$ 的最优性、安全性和可行性约束，第$i$ 个无人机总体成本函数可以定义为以下形式：

$$f_i(X)=\sum _{k=1}^4{b}_k{F}_k(X_i)$$

其中 $b_k$ 是权重系数，$F_1(X_i)$ 到 $F_4(X_i)$ 分别是路径长度、威胁、平滑度和飞行高度相关的成本。决策变量是 $X$，包括 $n$ 个航路点 $P_{ij}=(x_{ij},y_{ij},z_{ij})$ 的列表，使得 $P_{ij}\in O$，其中 $O$ 是无人机的操作空间。根据这些定义，成本函数 $F$ 是完全确定的，可以作为路径规划过程的输入。

2.3.2 多无人机总成本计算

若共有$m$ 个无人机，其总成本为单个无人机成本和，计算公式如下：
$$fitness(X)=\sum _{i=1}^m{f}_i(X)$$
参考文献：
[1] Phung M D , Ha Q P .Safety-enhanced UAV path planning with spherical vector-based particle swarm optimization[J].Applied Soft Computing, 2021(2):107376.DOI:10.1016/j.asoc.2021.107376.

三、部分代码及结果

close all
clear
clc
% dbstop if all error
pop=100;%种群大小（可以修改）
maxgen=200;%最大迭代（可以修改）

%% 模型建立
model=Create_Model();
UAVnum=4;%无人机数量(可以修改)  必须与无人机的起始点保持一致

%% 初始化每个无人机的模型
for i=1:UAVnum
    ModelUAV(i).model=model;
end

%% 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;
% %% 第6个无人机 起始点
% start_location = [100;100;150];
% end_location =   [800;800;150];
% ModelUAV(6).model.start=start_location;
% ModelUAV(6).model.end=end_location;

五个无人机：

四、完整MATLAB代码见下方名片