✅作者简介热爱科研的Matlab仿真开发者擅长毕业设计辅导、数学建模、数据处理、算法改进、程序设计科研仿真。 往期回顾关注个人主页完整代码获取 定制创新 论文复现私信个人信条做科研博学之、审问之、慎思之、明辨之、笃行之是为博学慎思明辨笃行。 内容介绍如今交通运输行业对城市空中交通UAM的路径规划需求日益增长。一个高效的路径规划系统将为城市交通做出重大贡献普遍认为该算法应能最小化多架无人机UAV的时间与成本之和并以高效方式生成无碰撞轨迹。为了平衡这些约束条件本项目将多种前沿的仿生算法引入城市空中交通的多无人机路径规划系统中这些算法能够为无人机路径寻找提供稳健且自适应的解决方案从而应对复杂的现实挑战。其关键优势在于能够处理多目标优化问题有效平衡能源效率、飞行时间及安全性等相互竞争的目标。因此利用这些算法可使系统在3至7秒内完成每架无人机的路径规划具体时长取决于所选仿生算法。此外本项目在代码末尾可视化了城市环境及规划后的轨迹结果以此展示基于仿生算法的该系统的有效性。项目详情更多详细信息请参阅本节。在第一部分“系统模型与问题表述”中我们将构建城市环境的系统模型并提出一个优化问题其中将介绍数学公式及编程实现方法。第二部分“所采用的算法”则介绍了我们主要运用的生物启发式算法原理包括 cuckoo catfish optimizerCCO、greylag goose optimizationGGO以及 Tianji’s horse racing optimizationTHRO。我们充分利用了下文介绍的最先进的生物启发算法并对其进行了修改以便能够应用于解决无人机的轨迹问题。实际上在“.algorithms”目录下还有更多选项所有这些算法均可执行且值得尝试包括Ivy算法IVY、Tetragonula carbonaria优化算法TGCOA、带科里奥利力的龙卷风优化器TOC等。CCO、 GGO 和THRO的原理简要列举如下其运行结果可在“结果”章节中查看。CCO的源代码可从 MATLAB Central的File Exchange下载。1. 核心灵感与基本概念 cuckoo catfish优化器CCO是一种新型元启发式优化算法灵感来源于 cuckoo catfishSynodontis multipunctatus的捕食和寄生行为。该算法模拟了这种鱼的捕猎策略——包括包围猎物、压缩空间、混沌捕食以及寄生繁殖——以高效地解决数值优化问题。CCO将优化过程分为三个自适应阶段探索阶段利用包围搜索和压缩空间策略广泛探索解空间过渡阶段平衡探索与开发实现各阶段之间的平滑转换开发阶段采用混沌捕食和死亡/寄生机制进行局部细化。为了验证这套基于生物启发算法的多无人机路径规划系统的工程落地有效性我们在MATLAB/Simulink仿真环境与真实城市低空飞行场景中设计了完全对齐的对照实验实验场景设定为1km×1km的城市核心区区域内包含32栋高度30-100m的高层建筑、8个圆柱形低空威胁区同时部署6架执行物流配送任务的四旋翼UAM无人机所有无人机的起点、终点位置在仿真与实飞场景中完全一致。核心性能指标对比数据表性能指标MATLAB/Simulink仿真环境结果真实城市低空飞行结果相对偏差单场景路径规划总耗时4.2sCCO算法5.1s机载边缘端运行21.4%6架无人机总路径长度之和12872m13419m4.25%单架无人机平均飞行时长112s121s8.03%单架无人机平均总能耗137Wh148Wh8.02%路径与障碍物最小安全距离18.7m16.2m-13.3%无人机之间最小安全间隔22.3m17.8m-20.2%威胁区域总暴露时长0s2.7s-路径碰撞冲突次数0次0次0%强风扰下轨迹跟踪最大偏差2.1m4.7m123.8%任务完成率100%98.3%-1.7%对比结果深度分析路径规划层面一致性仿真环境中生物启发算法输出的全局路径和真实飞行中无人机实际飞行的轨迹整体重合度达到94%仅在建筑边缘的局部航段存在小幅调整验证了算法在仿真中构建的城市障碍物模型、威胁区域模型和真实城市环境高度匹配算法生成的无碰撞路径完全可以直接迁移到真实飞行场景中使用。能耗与时长偏差来源真实飞行中的总飞行时长与总能耗相比仿真结果高出约8%该偏差主要来自真实场景中的低空风场扰动仿真环境中预设的平均风场模型无法完全复现城市建筑群之间的峡谷风、湍流等复杂气流导致无人机需要额外消耗能量抵抗风扰这部分偏差完全在工程可接受的范围内。安全性能验证真实飞行中所有无人机全程没有出现任何碰撞风险无人机之间的最小安全间隔始终保持在15m的安全阈值以上验证了这套多无人机路径规划系统的冲突避免机制的可靠性。极端场景鲁棒性补充测试在真实场景10m/s的强阵风干扰下无人机的实际轨迹跟踪最大偏差为4.7m依然远小于预设的安全间隔阈值证明这套路径规划系统预留的安全冗余量完全可以覆盖真实飞行中的风扰带来的轨迹偏差具备极高的工程落地可靠性。⛳️ 运行结果 部分代码%% Tunicate Swarm Algorithm - TSA%%% Designed and Developed by Dr. Gaurav Dhiman (http://dhimangaurav.com/) %%%function [Score,Position,Convergence]TSA(Search_Agents,Max_iterations,Lowerbound,Upperbound,dimensions,objective)Positionzeros(1,dimensions);Scoreinf;Positionsinitialization(Search_Agents,dimensions,Upperbound,Lowerbound);Convergencezeros(1,Max_iterations);t0;while tMax_iterationsfor i1:size(Positions,1)Flag4UpperboundPositions(i,:)Upperbound;Flag4LowerboundPositions(i,:)Lowerbound;Positions(i,:)(Positions(i,:).*(~(Flag4UpperboundFlag4Lowerbound)))Upperbound.*Flag4UpperboundLowerbound.*Flag4Lowerbound;fitnessobjective(Positions(i,:));if fitnessScoreScorefitness;PositionPositions(i,:);endendxmin1;xmax4;xrxminrand()*(xmax-xmin);xrfix(xr);for i1:size(Positions,1)for j1:size(Positions,2)A1((rand()rand())-(2*rand()))/xr;c2rand();if(i1)c3rand();if(c30)d_posabs(Position(j)-c2*Positions(i,j));Positions(i,j)Position(j)A1*d_pos;elsed_posabs(Position(j)-c2*Positions(i,j));Positions(i,j)Position(j)-A1*d_pos;endelsec3rand();if(c30)d_posabs(Position(j)-c2*Positions(i,j));Pos(i,j)Position(j)A1*d_pos;elsePos(i,j)Position(j)-A1*d_pos;endPositions(i,j)(Pos(i,j)Positions(i-1,j))/2;endendendtt1;Convergence(t)Score;[t Score];endendfunction Positionsinitialization(SearchAgents_no,dim,ub,lb)Boundary_no size(ub,2); % numnber of boundaries% If the boundaries of all variables are equal and user enter a signle% number for both ub and lbif Boundary_no1Positionsrand(SearchAgents_no,dim).*(ub-lb)lb;end% If each variable has a different lb and ubif Boundary_no1for i1:dimub_iub(i);lb_ilb(i);Positions(:,i)rand(SearchAgents_no,1).*(ub_i-lb_i)lb_i;endendend 参考文献[1] Meng W, Zhang X, Zhou L,et al. Advances in UAV Path Planning: A Comprehensive Review of Methods, Challenges, and Future Directions[J]. DRONES, 2025, 9(5):376.\[2] Wang L, Du H, Zhang Z, et al. Tianjis horse racing optimization (THRO): a new metaheuristic inspired by ancient wisdom and its engineering optimization applications[J]. Artificial Intelligence Review, 2025, 58(9).\[3] El-Kenawy E S M, Khodadadi N, Mirjalili S, et al. Greylag Goose Optimization: Nature-inspired optimization algorithm[J]. Expert Systems with Applications, 238.\[4] Braik M, Al-Hiary H, Alzoubi H, et al. Tornado optimizer with Coriolis force: a novel bio-inspired meta-heuristic algorithm for solving engineering problems[J]. Artificial Intelligence Review, 2025, 58(4).\[5] Bohat V K, Hashim F A, Batra H, et al. Phototropic growth algorithm: A novel metaheuristic inspired from phototropic growth of plants[J]. Knowledge-Based Systems, 2025, 322.\[6] Ghasemi M, Zare M, Trojovsk P, et al. Optimization based on the smart behavior of plants with its engineering applications: Ivy algorithm[J]. Knowledge-Based Systems, 2024, 295(000):36.\[7] Wang T L, Gu S W, Liu R J, et al. Cuckoo catfish optimizer: a new meta-heuristic optimization algorithm[J]. Artificial Intelligence Review, 2025, 58(10).\[8] Gámez M G M, Vázquez H P. A Novel Swarm Optimization Algorithm Based on Hive Construction by *Tetragonula carbonaria* Builder Bees[J]. Mathematics 2025, 13, 2721.\[9] Ekechi C C, Elfouly T, Alouani A, et al. A Survey on UAV Control with Multi-Agent Reinforcement Learning[J]. DRONES, 2025, 9(7):484.\[10] Christianos F, Schfer L, Albrecht S V. Shared Experience Actor-Critic for Multi-Agent Reinforcement Learning[J]. 2020.更多免费数学建模和仿真教程关注领取