【无人机三维路径规划】基于鳄鱼伏击算法CAOA多无人机协同路径规划（自定义：无人机数量）附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥内容介绍

一、引言

在电力巡检、应急救援、地理测绘等复杂场景中，多无人机协同作业凭借效率高、覆盖范围广、任务容错性强等优势，逐渐取代单一无人机成为主流作业模式。三维路径规划作为多无人机协同的核心技术，需解决三大核心问题：一是复杂三维环境（如地形起伏、障碍物分布）下的路径可行性；二是多无人机间的避碰协同（避免飞行冲突）；三是路径的全局最优性（兼顾飞行距离、能耗、时间成本）。

传统多无人机路径规划算法（如 PSO、GA、A*）存在协同机制复杂、三维环境适应性差、易陷入局部最优等缺陷。鳄鱼伏击算法（Crocodile Attack Optimization Algorithm, CAOA）是一种新型群智能优化算法，模拟鳄鱼群体的协同狩猎行为（潜伏、包围、突袭），具有全局寻优能力强、收敛速度快、参数设置简单等优势。本文针对多无人机三维路径规划需求，提出改进鳄鱼伏击算法（Improved CAOA, ICAOA），通过引入三维环境适配机制、多机协同避碰策略与动态目标权重，实现自定义数量无人机的高效协同路径规划，为复杂场景下的多无人机自主作业提供可靠技术支撑。

二、核心技术原理剖析

2.1 原始鳄鱼伏击算法（CAOA）核心机制

CAOA 模拟鳄鱼群体在狩猎过程中的三大行为：

潜伏阶段：鳄鱼个体在水域中分散潜伏，通过感知猎物位置调整自身状态，对应算法的全局探索阶段；

包围阶段：鳄鱼群体根据猎物位置与自身分布，协同移动形成包围圈，对应算法的局部开发阶段；

突袭阶段：鳄鱼群体向猎物发起同步突袭，对应算法的最优解更新阶段。

CAOA 的数学建模如下：

⛳️ 运行结果

📣 部分代码

This function will plot:

- model with a terrain map and obstacles

- solutions with different views

function [lenr1,lenr2]=PlotSolution(sol,model,CorStr,gca1,gca2)

% global model

smooth = 0.99;

%% Plot 3D view

% PlotModel(model)

x=sol.x;

y=sol.y;

z=sol.z;

% Start location

xs=model.start(1);

ys=model.start(2);

zs=model.start(3);

% Final location

xf=model.end(1);

yf=model.end(2);

zf=model.end(3);

x_all = [xs x xf];

y_all = [ys y yf];

z_all = [zs z zf];

N = size(x_all,2); % real path length

% Path height is relative to the ground height

for i = 1:N

z_map = model.H(round(y_all(i)),round(x_all(i)));

z_all(i) = z_all(i) + z_map;

end

% given data in a point matrix, xyz, which is 3 x number of points

xyz = [x_all;y_all;z_all];

[ndim,npts]=size(xyz);

xyzp=zeros(size(xyz));

for k=1:ndim

xyzp(k,:)=ppval(csaps(1:npts,xyz(k,:),smooth),1:npts);

end

figure(gca1);

PlotModel(model)

lenr1=plot3(xyzp(1,:),xyzp(2,:),xyzp(3,:),CorStr,'LineWidth',2);

% plot start point

plot3(x_all(1),y_all(1),z_all(1),'ks','MarkerSize',7,'MarkerFaceColor','k');

% plot target point

plot3(x_all(N),y_all(N),z_all(N),'ko','MarkerSize',7,'MarkerFaceColor','k');

% hold off;

text(x_all(1),y_all(1),z_all(1),' 起点')

text(x_all(N),y_all(N),z_all(N),' 终点')

%% Plot top view

figure(gca2);

mesh(model.X,model.Y,model.H); % Plot the data

colormap summer; % Default color map.

set(gca, 'Position', [0 0 1 1]); % Fill the figure window.

axis equal vis3d on; % Set aspect ratio and turn off axis.

shading interp; % Interpolate color across faces.

material dull; % Mountains aren't shiny.

% camlight left; % Add a light over to the left somewhere.

% lighting gouraud; % Use decent lighting.

xlabel('\it\fontname{Times New Roman}x/m');

ylabel('\it\fontname{Times New Roman}y/m');

zlabel('\it\fontname{Times New Roman}z/m');

hold on

% Threats as cylinders

threats = model.threats;

threat_num = size(threats,1);

for i = 1:threat_num

threat = threats(i,:);

threat_x = threat(1);

threat_y = threat(2);

threat_z = max(max(model.H))+1; % choose z to be the highest peak

threat_radius = threat(4);

for j=1:3

% Define circle parameters:

% Make an array for all the angles:

theta = linspace(0, 2 * pi, 2000);

% Create the x and y locations at each angle:

x = threat_radius * cos(theta) + threat_x;

y = threat_radius * sin(theta) + threat_y;

% Need to make a z value for every (x,y) pair:

z = zeros(1, numel(x)) + threat_z;

% Do the plot:

% First plot the center:

plot3(threat_x, threat_y, threat_z, 'o', 'color', 'y', 'MarkerSize', 3, 'MarkerFaceColor','m');

% Next plot the circle:

plot3(x, y, z, '-', 'color', 'k', 'LineWidth', 1);

% Repeat for a smaller radius

threat_radius = threat_radius - 20;

end

% plot path

lenr2=plot3(xyzp(1,:),xyzp(2,:),xyzp(3,:),CorStr,'LineWidth',2);

% plot start point

plot3(x_all(1),y_all(1),z_all(1),'ks','MarkerSize',7,'MarkerFaceColor','k');

% plot target point

plot3(x_all(N),y_all(N),z_all(N),'ko','MarkerSize',7,'MarkerFaceColor','k');

text(x_all(1),y_all(1),z_all(1),' 起点')

text(x_all(N),y_all(N),z_all(N),' 终点')

% Set top view

view(0,90)

% hold off;

%% Plot side view

% figure(gca3);

% mesh(model.X,model.Y,model.H); % Plot the data

% colormap summer; % Default color map.

% set(gca, 'Position', [0 0 1 1]); % Fill the figure window.

% axis equal vis3d on; % Set aspect ratio and turn off axis.

% shading interp; % Interpolate color across faces.

% material dull; % Mountains aren't shiny.

% camlight left; % Add a light over to the left somewhere.

% lighting gouraud; % Use decent lighting.

% xlabel('\it\fontname{Times New Roman}x/m');

% ylabel('\it\fontname{Times New Roman}y/m');

% zlabel('\it\fontname{Times New Roman}z/m');

% hold on

% % plot path

% plot3(xyzp(1,:),xyzp(2,:),xyzp(3,:),CorStr,'LineWidth',2);

% % plot start point

% plot3(x_all(1),y_all(1),z_all(1),'ks','MarkerSize',7,'MarkerFaceColor','k');

% % plot target point

% plot3(x_all(N),y_all(N),z_all(N),'ko','MarkerSize',7,'MarkerFaceColor','k');

% % text(x_all(1),y_all(1),z_all(1),' Start')

% % text(x_all(N),y_all(N),z_all(N),' End')

% view(90,0);

% % hold off;

end

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、风电场布局、时隙分配优化、最佳分布式发电单元分配、多阶段管道维修、工厂-中心-需求点三级选址问题、应急生活物质配送中心选址、基站选址、道路灯柱布置、枢纽节点部署、输电线路台风监测装置、集装箱调度、机组优化、投资优化组合、云服务器组合优化、天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、订单拆分调度问题、公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、充电车辆路径规划（EVRP）、双层车辆路径规划（2E-VRP）、油电混合车辆路径规划、船舶航迹规划、全路径规划规划、仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化

电力系统核心问题经济调度：机组组合、最优潮流、安全约束优化。新能源消纳：风光储协同规划、弃风弃光率量化、爬坡速率约束建模多能耦合系统：电-气-热联合调度、P2G与储能容量配置新型电力系统关键技术灵活性资源：虚拟电厂、需求响应、V2G车网互动、分布式储能优化稳定与控制：惯量支撑策略、低频振荡抑制、黑启动预案设计低碳转型：碳捕集电厂建模、绿氢制备经济性分析、LCOE度电成本核算风光出力预测：LSTM/Transformer时序预测、预测误差场景生成（GAN/蒙特卡洛）不确定性优化：鲁棒优化、随机规划、机会约束建模能源流分析、PSASP复杂电网建模，经济调度，算法优化改进，模型优化，潮流分析，鲁棒优化，创新点，文献复现微电网配电网规划，运行调度，综合能源，混合储能容量配置，平抑风电波动，多目标优化，静态交通流量分配，阶梯碳交易，分段线性化，光伏混合储能VSG并网运行，构网型变流器，虚拟同步机等包括混合储能HESS：蓄电池+超级电容器，电压补偿,削峰填谷，一次调频，功率指令跟随，光伏储能参与一次调频，功率平抑，直流母线电压控制；MPPT最大功率跟踪控制，构网型储能，光伏，微电网调度优化，新能源，虚拟同同步机，VSG并网，小信号模型