顶级SCI优化！24年新算法冠豪猪算法CPO优化无人机集群三维路径规划！先用先发！

声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~

结果展示

原理讲解

一、路径长度成本 F1

二、安全性与可行性成本 F2

三、飞行高度成本 F3

四、路径平滑成本 F4

五、总成本 F4

参考文献

部分代码展示

完整代码

大家在改进智能优化算法的时候，传统的工程应用已经吸引不了审稿人的注意，非常容易被拒稿！正好前几天小伙伴也让我多做一些应用，那么今天为大家带来一期冠豪猪优化算法CPO优化无人机集群三维路径规划代码，适合作为创新点！

目前，大多数有关无人机三维路径规划的文章都还是单无人机的，翻来覆去还是那几张图，没有什么新意，本期采用无人机集群进行三维路径规划。相比于单无人机或多无人机，无人机集群要求无人机的数量在5个及以上，相应地，求解难度更大，也就更具有新意、更受审稿人的喜爱！

学会这一篇后，大家也可以自行替换成其他的优化算法！

结果展示

在本代码中，采用了五个无人机作为无人机集群，即采用冠豪猪CPO算法同时规划这五个无人机的路径。

无人机集群的目标函数即为总成本，总成本为5个无人机成本之和，每个无人机的总成本由路径成本、威胁成本、高度成本和转角成本四个部分构成。

这里以种群数量200，迭代1000次为例进行展示：

无人机集群三维路径图：

无人机集群二维路径图：

迭代曲线图：

各个无人机的总成本：

各个无人机单项成本的直方图显示（横轴为各无人机）：

各个无人机单项成本的堆叠直方图显示（横轴为各无人机）：

各个无人机单项成本的直方图显示（横轴为各成本）：

可以看到，能出的图非常多，也非常美观，大家选择自己喜爱的图放到论文里即可！

当然，这里我因为时间关系只运行了1000次，如果你的时间充足或者你认为没有运行出自己理想的效果，可以运行2000次或5000次来进一步寻优，可根据自己的需求进行调整！

以上所有图片，作者都已精心整理过代码，都可以一键运行main直接出图！

适用平台：建议Matlab版本在2020及以上（防止乱码），没有的文件夹里已经免费提供安装包，直接下载即可！

原理讲解

无人机集群问题实际上是单无人机的扩展，即对每个无人机采用相同的约束条件，最后使所有无人机的总成本最小进行优化。因此，单个无人机的建模方法如下：

一、路径长度成本 F1

路径长度成本由相邻两个节点之间的欧氏距离和构成，计算公式如式(19)所示。

式(19)中Pij与Pi(j+1)分别为相邻两个节点，n个节点的n-1个线段之和为路径长度成本。

二、安全性与可行性成本 F2

无人机飞行中需要避开地面上高耸的障碍物，路径安全性与可行性成本 F2 通过式(20)、(21)计算。图 15 中展示了安全约束条件。

式(21)和图15中可见，当距离dk小于危险区域半径Rk+D时，F2成本无限大，即：无人机必须远离危险区飞行。当距离dk在安全缓冲区内，无人机离障碍物越近成本越高。当距离dk大于Rk+D+S，安全成本为0，此时无人机路径最为理想。

三、飞行高度成本 F3

受到自然条件、应用场景的限制，无人机飞行高度受到约束。例如：测量和巡检任务中因摄像机、巡检设备特定的分辨率和视野要求，限制飞行海拔高度。如图16所示，无人机飞行中最小高度为hmin、最大高度为hmax。与航路点Pij相关联的高度成本为：

式(22)中hij表示无人机相对于地面的飞行高度，从图16中可看出，Hij保持了平均值高度，并惩罚超出范围的值。汇总所有Hij航路点给出了高度成本，如式(23)所示。

四、路径平滑成本 F4

为保证无人机平稳飞行，其拐弯角度和爬坡角度受到限制。

图 17 中投影向量通过如下公式计算：

拐弯角度计算公式：

式(25)中P’ijP’i,j+1为当前路径，P’ij+1P’i,j+2为下一路径，路径PijPi,j+1和Pij+1Pi,j+2向XOY面投影结果为P’ijP’i,j+1和P’ij+1P’i,j+2。

爬坡角度计算公式为：

式(26)中Zij为当前路径i上节点j的z方向坐标，Zi,j+1为路径i上的下一节点j+1的z方向坐标。

平滑成本的计算公式为：

式(27)中a1和a2分别是转弯角和爬坡角的惩罚系数。

五、总成本 F4

总成本由最优路径成本F1，安全性与可行性成本F2、飞行高度成本F3和路径平滑成本F4的线性加权所得。其中b为加权系数。

式(28)中权重b取值参考其他文献中的做法，取值为b1=5、b2=1、b3=10、b4=1。

参考文献

[1]张庭溢,汪弘健.路灯人影和离家出走改进的黑猩猩优化算法[J/OL].计算机科学与探索:1-21.

部分代码展示

close all
clear
clc
dbstop if all error
global model
model = CreateModel();                          % 创建模型
F='F1';
[Xmin,Xmax,dim,fobj] = fun_info(F);             % 获取函数信息
pop=200;                                        % 种群大小(可以自己修改)
maxgen=1000;                                    % 最大迭代次数(可以自己修改)
[fMin,bestX,ConvergenceCurve] = CPO(pop, maxgen,Xmin,Xmax,dim,fobj);

%% 计算无人机的相关信息
N=length(bestX)/(3*model.n);                    % 无人机的数量
St=1;
for i=1:N                                       % 计算每个无人机的适应度值
    Et=St+3*model.n-1;
    Xbest=bestX(St:Et);
    BestPosition(i,:) = SphericalToCart(Xbest); % 计算航迹坐标
    BestFit(i)=MyCost(Xbest,1);                 % 计算每个无人机的适应度值
    UAVfit(i,:)=MyCost(Xbest,2);
    St=Et+1;
end

%% 保存结果
save BestPosition BestPosition                  % 每个无人机的航迹坐标
save BestFit BestFit                            % 每个无人机的总成本 
save UAVfit UAVfit                              % 每个无人机的四个成本
save ConvergenceCurve ConvergenceCurve          % 无人机集群的成本随迭代次数的变化

%% 画图
ColStr={'b-.','r--','c-.','m--','g-.'};         % 颜色
LegendStr={'UAV1','UAV2','UAV3','UAV4','UAV5'};