【无人机路径规划】基于粒子群PSO、灰狼优化GWO、鲸鱼优化WOA的多无人机协同三维航迹规划考虑航程高度雷达威胁火炮威胁时间协同空间避撞航角约束禁飞区附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：多无人机协同航迹规划 —— 复杂任务的核心支撑

多无人机协同作业在军事侦察、应急救援、环境监测等场景中具有显著优势（如覆盖范围广、任务效率高），而三维航迹规划是实现协同作业的关键前提 —— 需为每架无人机规划出满足航程、高度、威胁规避、协同约束的最优航迹，同时确保多机空间避撞与时间同步。

传统单无人机航迹规划算法（如 A*、RRT）难以适配多机协同的复杂约束（如时间协同、空间避撞）；而单一优化算法在多目标、多约束寻优中易陷入局部最优。本文提出粒子群算法（PSO）+ 灰狼优化（GWO）+ 鲸鱼优化（WOA）的多无人机协同三维航迹规划方案：通过融合三种智能优化算法的寻优优势，构建多约束适应度函数，实现 “航程最优、威胁最小、协同高效、避撞安全” 的三维航迹规划，适配复杂作业场景需求。

二、核心基础：多无人机协同规划的约束条件与建模

多无人机协同三维航迹规划需兼顾 “个体约束” 与 “协同约束”，确保航迹的可行性、安全性与协同性，具体约束建模如下：

三、核心算法：三种智能优化算法的适配与改进

PSO、GWO、WOA 均为群体智能优化算法，通过模拟生物群体行为实现寻优，针对多无人机协同规划的多约束特性，需进行针对性适配：

1. 粒子群算法（PSO）：快速收敛的基础寻优

⛳️ 运行结果

📣 部分代码

h22 = plot3([UAV.Start(ii,1) X((j-1)*UAVnum+ii,:) UAV.Goal(ii,1)],...

[UAV.Start(ii,2) Y((j-1)*UAVnum+ii,:) UAV.Goal(ii,2)],...

[ UAV.Start(ii,3) Z((j-1)*UAVnum+ii,:) UAV.Goal(ii,3)], 'Color', colors{4}, 'LineWidth', 2);hold on % 修改这里

hold on

ii=3;

h33 = plot3([UAV.Start(ii,1) X((j-1)*UAVnum+ii,:) UAV.Goal(ii,1)],...

[UAV.Start(ii,2) Y((j-1)*UAVnum+ii,:) UAV.Goal(ii,2)],...

[ UAV.Start(ii,3) Z((j-1)*UAVnum+ii,:) UAV.Goal(ii,3)], 'Color', colors{7}, 'LineWidth', 2);hold on % 修改这里

hold on

% legend([h1,h2,h3],{'UAV-1','UAV-2','UAV-3'})

subtitle(Curve_name(j),'FontSize',12,'FontName','Times New Roman')

[Xx,Yy] = meshgrid(1:MAPSIZE_X,1:MAPSIZE_Y);

s=mesh(Xx,Yy,H); % Plot the data

s.FaceColor = 'flat';

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('x [m]','FontSize',12,'FontName','Times New Roman');

ylabel('y [m]','FontSize',12,'FontName','Times New Roman');

zlabel('z [m]','FontSize',12,'FontName','Times New Roman');

zlim([0,max(max(Z))+50])

hold on

%% 修改视角不同的视角可以从这里修改俯视图view(0,90) 侧视图view(-90,0) 正视图view(0,0)

view(0,90)

box on

grid on

% 火炮

for i = 1:size(threats_other,1)

a = threats_other(i,1);

b = threats_other(i,2);

c = threats_other(i,3);

R = threats_other(i,4);

% 生成数据

[x,y,z] = sphere(15);

% 调整半径

x = R*x;

y = R*y;

z = R*z;

% 调整球心

x = x+a;

y = y+b;

z = z+c;

h1=surf(x,y,z);

hold on

h1.EdgeColor = [.5, 0.18, .14];

h1.FaceColor = [0.69, 0.09, 0.12];

h1.FaceAlpha = 0.7;

end

% 雷达

for i =1:size(threats_radar,1)

a = threats_radar(i,1);

b = threats_radar(i,2);

c = threats_radar(i,3);

R = threats_radar(i,4);

% 生成数据

[x,y,z] = sphere(15);

% 调整半径

x = R*x;

y = R*y;

z = R*z;

% 调整球心

x = x+a;

y = y+b;

z = z+c;

h2=surf(x,y,z);

hold on

h2.EdgeColor = [0, 0, 0];

h2.FaceColor = [0.75, 0.75, 0.75];

h2.FaceAlpha = .7;

end

% h=250; % Height

for i = 1:NFZ_num

NFZ_x = NFZ(i,1);

NFZ_y = NFZ(i,2);

NFZ_z = NFZ(i,3);

NFZ_radius = NFZ(i,4);

scatter3(NFZ_x, NFZ_y, max(max(H))+20,5,'filled', 'MarkerFaceColor','r');

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

% Create the x and y locations at each angle:

x = NFZ_radius * cos(theta) + NFZ_x;

y = NFZ_radius * sin(theta) + NFZ_y;

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

z = zeros(1, numel(x)) + max(max(H))+20;

plot3(x, y, z, '-', 'color', [0.24,0.35,0.67], 'LineWidth', 2);

end

% 起点/终点

p1= scatter3(UAV.Start(1,1),UAV.Start(1,2),UAV.Start(1,3),100,'bs','MarkerFaceColor','y'); hold on

p2= scatter3(UAV.Goal(1,1),UAV.Goal(1,2),UAV.Goal(1,3),100,'kp','MarkerFaceColor','y');

scatter3(UAV.Start(2,1),UAV.Start(2,2),UAV.Start(2,3),100,'bs','MarkerFaceColor','y');

scatter3(UAV.Goal(2,1),UAV.Goal(2,2),UAV.Goal(2,3),100,'kp','MarkerFaceColor','y');

scatter3(UAV.Start(3,1),UAV.Start(3,2),UAV.Start(3,3),100,'bs','MarkerFaceColor','y');

scatter3(UAV.Goal(3,1),UAV.Goal(3,2),UAV.Goal(3,3),100,'kp','MarkerFaceColor','y');

if j==3

legend([p1,p2,h11,h22,h33],{'Start','End','UAV-1','UAV-2','UAV-3'},'FontSize',12,'FontName','Times New Roman') ; hold on

end

clear h11 h22 h33

end

% title('Multi-UAV Path Planning','FontSize',12,'FontName','Times New Roman')

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