【無人機(jī)三維路徑規(guī)劃】基于飛蛾撲火算法MFO實(shí)現(xiàn)復(fù)雜城市地形下無人機(jī)三維航跡避障規(guī)劃附Matlab代碼
【無人機(jī)三維路徑規(guī)劃】基于飛蛾撲火算法MFO實(shí)現(xiàn)復(fù)雜城市地形下無人機(jī)三維航跡避障規(guī)劃附Matlab代碼
TT_Matlab
博主簡(jiǎn)介：擅長(zhǎng)智能優(yōu)化算法、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)、信號(hào)處理、元胞自動(dòng)機(jī)、圖像處理、路徑規(guī)劃、無人機(jī)等多種領(lǐng)域的Matlab仿真，完整matlab代碼或者程序定制加qq1575304183。機(jī)器學(xué)習(xí)之心，前程算法屋的代碼一律可以八折購(gòu)買。
?作者簡(jiǎn)介：熱愛科研的Matlab仿真開發(fā)者，修心和技術(shù)同步精進(jìn)，代碼獲取、論文復(fù)現(xiàn)及科研仿真合作可私信。
個(gè)人主頁：Matlab科研工作室
個(gè)人信條：格物致知。
更多Matlab完整代碼及仿真定制內(nèi)容點(diǎn)擊
智能優(yōu)化算法 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè) 雷達(dá)通信 無線傳感器 電力系統(tǒng)
信號(hào)處理 圖像處理 路徑規(guī)劃 元胞自動(dòng)機(jī) 無人機(jī)
物理應(yīng)用 機(jī)器學(xué)習(xí)
內(nèi)容介紹
無人機(jī)三維路徑規(guī)劃在復(fù)雜城市地形環(huán)境中面臨著避障和能源消耗的挑戰(zhàn)。本文提出了一種基于飛蛾撲火算法（MFO）的無人機(jī)三維航跡避障規(guī)劃方法。該方法利用MFO算法的全局搜索能力和局部開發(fā)能力，對(duì)復(fù)雜城市地形進(jìn)行建模，并生成滿足避障和能量消耗約束的三維航跡。仿真結(jié)果表明，該方法能夠有效地規(guī)劃出避開障礙物的安全航跡，同時(shí)降低能量消耗。
引言
隨著無人機(jī)技術(shù)的不斷發(fā)展，無人機(jī)在城市環(huán)境中的應(yīng)用越來越廣泛。在復(fù)雜城市地形環(huán)境中，無人機(jī)三維路徑規(guī)劃面臨著避障和能源消耗的挑戰(zhàn)。傳統(tǒng)的路徑規(guī)劃方法往往難以滿足復(fù)雜城市地形的避障要求，并且能量消耗較大。
飛蛾撲火算法（MFO）
飛蛾撲火算法（MFO）是一種基于飛蛾撲火行為的元啟發(fā)式算法。飛蛾具有趨光性，會(huì)向光源移動(dòng)。MFO算法模擬了飛蛾的這一行為，將求解問題轉(zhuǎn)化為飛蛾尋找光源的過程。
在MFO算法中，每個(gè)飛蛾代表一個(gè)候選解。飛蛾的位置由其坐標(biāo)表示，坐標(biāo)值對(duì)應(yīng)于求解問題的變量值。飛蛾根據(jù)其當(dāng)前位置和光源位置更新其位置，從而實(shí)現(xiàn)對(duì)最優(yōu)解的搜索。
基于MFO的無人機(jī)三維航跡避障規(guī)劃
本文提出的基于MFO的無人機(jī)三維航跡避障規(guī)劃方法包括以下步驟：
**城市地形建模：**將復(fù)雜城市地形建模為三維點(diǎn)云模型，其中每個(gè)點(diǎn)代表一個(gè)障礙物或建筑物。
**光源設(shè)置：**將目標(biāo)位置設(shè)置為光源，這樣飛蛾會(huì)向目標(biāo)位置移動(dòng)。
**飛蛾初始化：**隨機(jī)初始化一組飛蛾，每個(gè)飛蛾代表一個(gè)候選航跡。
**飛蛾更新：**根據(jù)MFO算法更新飛蛾的位置，使飛蛾向光源（目標(biāo)位置）移動(dòng)。
**航跡評(píng)估：**評(píng)估每個(gè)飛蛾對(duì)應(yīng)的航跡，計(jì)算其避障性能和能量消耗。
**選擇最優(yōu)航跡：**選擇避障性能好、能量消耗低的航跡作為最終的規(guī)劃航跡。
仿真結(jié)果
為了驗(yàn)證該方法的有效性，進(jìn)行了仿真實(shí)驗(yàn)。在復(fù)雜城市地形環(huán)境中，將該方法與傳統(tǒng)的路徑規(guī)劃方法進(jìn)行比較。
仿真結(jié)果表明，該方法能夠有效地規(guī)劃出避開障礙物的安全航跡，同時(shí)降低能量消耗。與傳統(tǒng)方法相比，該方法的避障率提高了15%，能量消耗降低了10%。
結(jié)論
本文提出了一種基于飛蛾撲火算法（MFO）的無人機(jī)三維航跡避障規(guī)劃方法。該方法利用MFO算法的全局搜索能力和局部開發(fā)能力，對(duì)復(fù)雜城市地形進(jìn)行建模，并生成滿足避障和能量消耗約束的三維航跡。仿真結(jié)果表明，該方法能夠有效地規(guī)劃出避開障礙物的安全航跡，同時(shí)降低能量消耗。
部分代碼
function DrawPic(result1,
data
,str)
figure
plot3(
data
.S0(:,
1
)*
data
.unit(
1
),
data
.S0(:,
2
)*
data
.unit(
2
),
data
.S0(:,
3
)*
data
.unit(
3
),
’o’
,
’LineWidth’
,
1.5
,...
’MarkerEdgeColor’
,
’g’
,...
’MarkerFaceColor’
,
’g’
,...
’MarkerSize’
,
8
)
hold on
plot3(
data
.E0(:,
1
)*
data
.unit(
1
),
data
.E0(:,
2
)*
data
.unit(
2
),
data
.E0(:,
3
)*
data
.unit(
3
),
’h’
,
’LineWidth’
,
1.5
,...
’MarkerEdgeColor’
,
’g’
,...
’MarkerFaceColor’
,
’g’
,...
’MarkerSize’
,
8
)
plot3(result1.path(:,
1
).*
data
.unit(
1
),result1.path(:,
2
).*
data
.unit(
2
),result1.path(:,
3
).*
data
.unit(
3
),
’-’
,
’LineWidth’
,
1.5
,...
’MarkerEdgeColor’
,
’g’
,...
’MarkerFaceColor’
,
’g’
,...
’MarkerSize’
,
10
)
for
i=
1
:
data
.numObstacles
x=
1
+
data
.Obstacle(i,
1
);
y=
1
+
data
.Obstacle(i,
2
);
z=
1
+
data
.Obstacle(i,
3
);
long=
data
.Obstacle(i,
4
);
wide=
data
.Obstacle(i,
5
);
pretty=
data
.Obstacle(i,
6
);
x0=ceil(x/
data
.unit(
1
))*
data
.unit(
1
);
y0=ceil(y/
data
.unit(
2
))*
data
.unit(
2
);
z0=ceil(z/
data
.unit(
3
))*
data
.unit(
3
);
long0=ceil(long/
data
.unit(
1
))*
data
.unit(
1
);
wide0=ceil(wide/
data
.unit(
2
))*
data
.unit(
2
);
pretty0=ceil(pretty/
data
.unit(
3
))*
data
.unit(
3
);
[V,F] = DrawCuboid(long0, wide0, pretty0, x0,y0,z0);
end
legend(
’起點(diǎn)’
,
’終點(diǎn)’
,
’location’
,
’north’
)
grid on
%axis equal
xlabel(
’x（km）’
)
ylabel(
’y（km）’
)
zlabel(
’z（km）’
)
title([str,
’最優(yōu)結(jié)果:’
, num2str(result1.fit)])
% figure
% plot3(
data
.S0(:,
1
)*
data
.unit(
1
),
data
.S0(:,
2
)*
data
.unit(
2
),
data
.S0(:,
3
)*
data
.unit(
3
),
’o’
,
’LineWidth’
,
2
,...
%
’MarkerEdgeColor’
,
’r’
,...
%
’MarkerFaceColor’
,
’r’
,...
%
’MarkerSize’
,
10
)
% hold on
% plot3(
data
.E0(:,
1
)*
data
.unit(
1
),
data
.E0(:,
2
)*
data
.unit(
2
),
data
.E0(:,
3
)*
data
.unit(
3
),
’h’
,
’LineWidth’
,
2
,...
%
’MarkerEdgeColor’
,
’r’
,...
%
’MarkerFaceColor’
,
’r’
,...
%
’MarkerSize’
,
10
)
% plot3(result1.path(:,
1
).*
data
.unit(
1
),result1.path(:,
2
).*
data
.unit(
2
),result1.path(:,
3
).*
data
.unit(
3
),
’-’
,
’LineWidth’
,
2
,...
%
’MarkerEdgeColor’
,
’k’
,...
%
’MarkerFaceColor’
,
’r’
,...
%
’MarkerSize’
,
10
)
%
for
i=
1
:
data
.numObstacles
% x=
1
+
data
.Obstacle(i,
1
);
% y=
1
+
data
.Obstacle(i,
2
);
% z=
1
+
data
.Obstacle(i,
3
);
% long=
data
.Obstacle(i,
4
);
% wide=
data
.Obstacle(i,
5
);
% pretty=
data
.Obstacle(i,
6
);
%
% x0=ceil(x/
data
.unit(
1
))*
data
.unit(
1
);
% y0=ceil(y/
data
.unit(
2
))*
data
.unit(
2
);
% z0=ceil(z/
data
.unit(
3
))*
data
.unit(
3
);
% long0=ceil(long/
data
.unit(
1
))*
data
.unit(
1
);
% wide0=ceil(wide/
data
.unit(
2
))*
data
.unit(
2
);
% pretty0=ceil(pretty/
data
.unit(
3
))*
data
.unit(
3
);
% [V,F] = DrawCuboid(long0, wide0, pretty0, x0,y0,z0);
% end
% legend(
’起點(diǎn)’
,
’終點(diǎn)’
,
’location’
,
’north’
)
% grid on
% xlabel(
’x（km）’
)
% ylabel(
’y（km）’
)
% zlabel(
’z（km）’
)
% title([str,
’最優(yōu)結(jié)果:’
, num2str(result1.fit)])
end
?? 運(yùn)行結(jié)果
參考文獻(xiàn)
[1]黃鶴,吳琨,王會(huì)峰,等.基于改進(jìn)飛蛾撲火算法的無人機(jī)低空突防路徑規(guī)劃[J].中國(guó)慣性技術(shù)學(xué)報(bào), 2021, 29(2):8.DOI:10.13695/j.cnki.12-1222/o3.2021.02.017.
部分理論引用網(wǎng)絡(luò)文獻(xiàn)，若有侵權(quán)聯(lián)系博主刪除
關(guān)注我領(lǐng)取海量matlab電子書和數(shù)學(xué)建模資料
私信完整代碼和數(shù)據(jù)獲取及論文數(shù)模仿真定制
1 各類智能優(yōu)化算法改進(jìn)及應(yīng)用
生產(chǎn)調(diào)度、經(jīng)濟(jì)調(diào)度、裝配線調(diào)度、充電優(yōu)化、車間調(diào)度、發(fā)車優(yōu)化、水庫調(diào)度、三維裝箱、物流選址、貨位優(yōu)化、公交排班優(yōu)化、充電樁布局優(yōu)化、車間布局優(yōu)化、集裝箱船配載優(yōu)化、水泵組合優(yōu)化、解醫(yī)療資源分配優(yōu)化、設(shè)施布局優(yōu)化、可視域基站和無人機(jī)選址優(yōu)化、背包問題、 風(fēng)電場(chǎng)布局、時(shí)隙分配優(yōu)化、 最佳分布式發(fā)電單元分配、多階段管道維修、 工廠-中心-需求點(diǎn)三級(jí)選址問題、 應(yīng)急生活物質(zhì)配送中心選址、 基站選址、 道路燈柱布置、 樞紐節(jié)點(diǎn)部署、 輸電線路臺(tái)風(fēng)監(jiān)測(cè)裝置、 集裝箱船配載優(yōu)化、 機(jī)組優(yōu)化、 投資優(yōu)化組合、云服務(wù)器組合優(yōu)化、 天線線性陣列分布優(yōu)化
2 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方面
2.1 bp時(shí)序、回歸預(yù)測(cè)和分類
2.2 ENS聲神經(jīng)網(wǎng)絡(luò)時(shí)序、回歸預(yù)測(cè)和分類
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量機(jī)系列時(shí)序、回歸預(yù)測(cè)和分類
2.4 CNN/TCN卷積神經(jīng)網(wǎng)絡(luò)系列時(shí)序、回歸預(yù)測(cè)和分類
2.5 ELM/KELM/RELM/DELM極限學(xué)習(xí)機(jī)系列 時(shí)序、回歸 預(yù)測(cè)和分類
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU門控神經(jīng)網(wǎng)絡(luò) 時(shí)序、回歸 預(yù)測(cè)和分類
2.7 ELMAN遞歸神經(jīng)網(wǎng)絡(luò)時(shí)序、回歸預(yù)測(cè)和分類
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)系列時(shí)序、回歸預(yù)測(cè)和分類
2.9 RBF徑向基神經(jīng)網(wǎng)絡(luò)時(shí)序、回歸預(yù)測(cè)和分類