【GRO三维路径规划】淘金算法求解复杂山地环境下无人机三维路径规划【含Matlab源码 3649期】-Toy模板网

这篇具有很好参考价值的文章主要介绍了【GRO三维路径规划】淘金算法求解复杂山地环境下无人机三维路径规划【含Matlab源码 3649期】。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

淘金城镇飞机算法,Matlab路径规划（高阶版）,matlab

⛄一、蜘蛛蜂算法无人机避障三维航迹规划简介

1 无人机航迹规划问题的数学模型
建立三维航迹规划问题的数学模型时, 不但考虑无人机基本约束, 还考虑复杂的飞行环境, 包括山体地形和雷暴威胁区。

1.1 无人机基本约束
规划的无人机三维航迹, 通常需要满足一些基本约束, 包括最大转弯角、最大爬升角或下滑角、最小航迹段长度、最低和最高飞行高度, 以及最大航迹长度等约束。其中, 最大转弯角约束, 是指无人机只能在水平面内小于或等于指定的最大转弯角内转弯;最大爬升角或下滑角约束, 是指无人机只能在垂直平面内小于或等于指定的最大爬升角或下滑角内爬升或下滑;最小航迹段长度约束, 要求无人机改变飞行姿态之前, 按目前的航迹方向飞行的最短航程;最低和最高飞行高度约束, 要求无人机在指定的飞行高度区间飞行;最大航迹长度约束, 是指无人机的航迹长度小于或等于指定的阈值。

记q (x, y, z, θ, ψ) 为无人机的飞行位置与姿态, 其中, (x, y, z) 为无人机的位置, θ为无人机的水平转弯角, ψ为无人机的竖直爬升角或下滑角, 进而建立上述基本约束的数学表达式。

1.2 飞行环境障碍物和威胁区建模
在飞行环境中, 高耸的山体近似采用圆锥体等效表示, 用以e为底的自然指数图形生成, 那么, 山体地形可以通过多个位置不同的圆锥体叠加而成。若将参考海拔基准高度设置为xOy平面, 记 (x, y, z) 为山体地形中的点, 那么
淘金城镇飞机算法,Matlab路径规划（高阶版）,matlab
式中:N为山体个数;xk0和yk0为第k座山体中心对称轴的横坐标和纵坐标;hk为第k座山体的最大高度;xki和yki为第k座山体的横向斜度和纵向斜度。

在飞行环境中, 山体附近通常存在雷暴等极端气象, 本文视为飞行威胁区, 并通过球体近似等效表示, 且记第k座山体附近飞行威胁区的球心坐标为 (xks0, yks0, zks0) , 半径为rk。

1.3 目标函数及航迹表示
在本文中, 执行任务的某型无人机, 其航迹规划的目标函数是生成一条由起始点到目标点的无碰撞可行航迹。采用q (x, y, z, θ, ψ) 表示无人机在飞行空域中某特定位置的特定姿态, 那么 (x, y, z) 则表示无人机所在航迹点, θ表示无人机的水平转弯角, ψ表示无人机的竖直爬升角或下滑角。采用r (q) 表示由起始点qinitial到目标点qgoal的无碰撞可行航迹, 那么航迹规划的过程可以写成如下形式:
淘金城镇飞机算法,Matlab路径规划（高阶版）,matlab

2 淘金算法
淘金算法是一种启发式优化算法，受淘金热启发，模拟了淘金者在淘金热时期如何利用淘金的三个关键概念淘金：迁移、协作和淘金。该算法的主要思想是将种群分为多个子种群，每个子种群都有自己的淘金者，淘金者通过迁移、协作和淘金的方式来寻找最优解。具体来说，淘金者会在当前子种群中寻找最优解，然后根据一定的概率迁移到其他子种群中，与其他淘金者协作寻找最优解，或者在当前子种群中继续淘金。通过这种方式，淘金算法可以在全局和局部之间进行搜索，从而更好地避免陷入局部最优解。

以下是淘金算法的基本步骤：
（1）初始化种群，包括每个子种群的淘金者数量、位置和速度等信息。
（2）计算每个淘金者的适应度值，并更新全局最优解和每个子种群的最优解。
（3）根据一定的概率，让淘金者进行迁移、协作或淘金操作。
（4）更新每个淘金者的位置和速度等信息。
（5）重复执行2-4步，直到满足停止条件。

⛄二、部分源代码

close all
clear
clc
addpath(‘./Algorithm/’)%添加算法路径
warning off;
%% 三维路径规划模型定义
global startPos goalPos N
N=2;%待优化点的个数(可以修改)
startPos = [10, 10, 80]; %起点(可以修改)
goalPos = [80, 90, 150]; %终点(可以修改)
SearchAgents_no=30; % 种群大小(可以修改)
Function_name=‘F2’; %F1:随机产生地图 F2：导入固定地图
Max_iteration=100; %最大迭代次数(可以修改)
% Load details of the selected benchmark function
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);
[Best_score,Best_pos,curve]=GRO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);%算法优化求解
AlgorithmName=‘GRO’;%算法名字
figure
semilogy(curve,‘Color’,‘r’,‘linewidth’,3)
xlabel(‘迭代次数’);
ylabel(‘飞行路径长度’);
legend(AlgorithmName)
display(['算法得到的最优适应度: ‘, num2str(Best_score)]);
Position=[Best_pos(1:dim/3); Best_pos(1+dim/3:2*(dim/3)); Best_pos(1+(2*dim/3):end)]’; %优化点的XYZ坐标（每一行是一个点）
plotFigure(Best_pos,AlgorithmName)%画最优路径