【AFO三维路径规划】帝国企鹅算法无人机避障三维航迹规划【含Matlab源码 3336期】

【AFO三维路径规划】基于matlab帝国企鹅算法无人机避障三维航迹规划【含Matlab源码 3336期】 帝国企鹅算法无人机避障三维航迹规划 完整代码,包运行;可提供运行操作视频!适合小白! 阅读详情

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
在这里插入图片描述
🔊博主简介:985研究生,Matlab领域科研开发者;

🚅座右铭:行百里者,半于九十。

🏆代码获取方式:
优快云 Matlab武动乾坤—代码获取方式

更多Matlab路径规划仿真内容点击👇
①Matlab路径规划(进阶版)

⛳️关注优快云 Matlab武动乾坤,更多资源等你来!!

⛄一、帝国企鹅算法无人机避障三维航迹规划简介

1 无人机航迹规划问题的数学模型
建立三维航迹规划问题的数学模型时, 不但考虑无人机基本约束, 还考虑复杂的飞行环境, 包括山体地形和雷暴威胁区。

1.1 无人机基本约束
规划的无人机三维航迹, 通常需要满足一些基本约束, 包括最大转弯角、最大爬升角或下滑角、最小航迹段长度、最低和最高飞行高度, 以及最大航迹长度等约束。其中, 最大转弯角约束, 是指无人机只能在水平面内小于或等于指定的最大转弯角内转弯;最大爬升角或下滑角约束, 是指无人机只能在垂直平面内小于或等于指定的最大爬升角或下滑角内爬升或下滑;最小航迹段长度约束, 要求无人机改变飞行姿态之前, 按目前的航迹方向飞行的最短航程;最低和最高飞行高度约束, 要求无人机在指定的飞行高度区间飞行;最大航迹长度约束, 是指无人机的航迹长度小于或等于指定的阈值。

记q (x, y, z, θ, ψ) 为无人机的飞行位置与姿态, 其中, (x, y, z) 为无人机的位置, θ为无人机的水平转弯角, ψ为无人机的竖直爬升角或下滑角, 进而建立上述基本约束的数学表达式。
在这里插入图片描述
1.2 飞行环境障碍物和威胁区建模
在飞行环境中, 高耸的山体近似采用圆锥体等效表示, 用以e为底的自然指数图形生成, 那么, 山体地形可以通过多个位置不同的圆锥体叠加而成。若将参考海拔基准高度设置为xOy平面, 记 (x, y, z) 为山体地形中的点, 那么
在这里插入图片描述
式中:N为山体个数;xk0和yk0为第k座山体中心对称轴的横坐标和纵坐标;hk为第k座山体的最大高度;xki和yki为第k座山体的横向斜度和纵向斜度。

在飞行环境中, 山体附近通常存在雷暴等极端气象, 本文视为飞行威胁区, 并通过球体近似等效表示, 且记第k座山体附近飞行威胁区的球心坐标为 (xks0, yks0, zks0) , 半径为rk。

1.3 目标函数及航迹表示
在本文中, 执行任务的某型无人机, 其航迹规划的目标函数是生成一条由起始点到目标点的无碰撞可行航迹。采用q (x, y, z, θ, ψ) 表示无人机在飞行空域中某特定位置的特定姿态, 那么 (x, y, z) 则表示无人机所在航迹点, θ表示无人机的水平转弯角, ψ表示无人机的竖直爬升角或下滑角。采用r (q) 表示由起始点qinitial到目标点qgoal的无碰撞可行航迹, 那么航迹规划的过程可以写成如下形式:
在这里插入图片描述

2 帝国企鹅算法
目前,关于帝企鹅算法在国内外研究较少,在中对该算法进行了分析,并且与常见的粒子群算法、萤火虫算法进行了对比分析. 帝企鹅从事各种活动,如狩猎、群体觅食,是群居性动物.每当恶劣的气候来临,它们会挤在一起防风御寒.帝企鹅在南极极端冬季期间主要以集群的方式互相取暖来度过−40 ℃ 的冬季. 为了保证每只企鹅都能取暖,因此每只企鹅都在平等地做出贡献,同时它们的社交行为极为团结以及分工明确. 集群的行为可归纳如下。

2.1 确定集群边界范围 
设定在帝企鹅蜷缩取暖的过程中所选择的位置范围在多边形的网格范围内,帝企鹅在聚集的过程中至少与两只以上的帝企鹅相邻,邻居的选择是随机的;而在帝企鹅集群过程中范围的边界是不规则的多边形,因此用围绕住帝企鹅集群的风的梯度来表示整体集群的边界,在此定义风速 和其梯度 、 ,集群边界 ,可表示为
γ = ∆α, (8) µ = α+iβ. (9) W

2.2 计算集群层次周围的温度 
南极严酷的外界环境使得帝企鹅在迁徙过程中面对寒冷天气会采取集群取暖来保持温度. 若当前聚集半径 d>0.5 时,其温度 W=0;当 d<0.5 时,其温度 W=1. 温度梯度曲线可以描述为
在这里插入图片描述
其中, 为最大迭代次数,x 为当前迭代次数,温度的表达式
在这里插入图片描述

2.3 计算帝企鹅间的距离 
在集群范围内帝企鹅间的距离表示为该个体与集群中心帝企鹅的距离,集群距离公式如下:
在这里插入图片描述
其中, 代表帝企鹅距中心距离; x 表示当前迭代数; 和 用于帝企鹅体积设置的影响向量因子,
避免个体间的冲突; 为 x 轮最优解;表示当前帝企鹅的位置向量; 定义帝企鹅的主体社会地位,负责区别最优个体与普通个体. 向量和 计算如下:
在这里插入图片描述
其中 , 是移动步长参数,这里 的值设置为 2.5, 通过比较与最优的差异来定义多边形网格精度,而 是一个随机函数. 函数计算如下:
在这里插入图片描述
其中,ξ 和 φ是控制参数,其值分别在(2,3)(1.5,2)的范围内能得出更好的结果.

2.4 帝企鹅位置更新 帝企鹅集群中的个体通过向集群中心帝企鹅 Q 的方向移动更新位置信息,其位置更新如下:
Oep(x+1) = Obest(x)−ΓLep, (17)
其中,Oep(x+1)代表皇帝企鹅的下一个更新位置.在迭代过程中,一旦移动者重新定位,帝企鹅的上述参数将被重新计算.

⛄二、部分源代码

%% 三维地图-无人机寻路
% 3D map - aircraft pathfinding
%% 这是使用原始算法的直接求解结果,添加专用于本问题的更新方式可以进一步提高精度
% This is the direct result of using the original algorithm,
% adding some specific update methods to this problem can further improve the accuracy
clc;
clear;
close all;
warning off

%% 载入数据
data.S=[1,950,12]; %起点位置
data.E=[950,1,1]; %终点点位置
data.Obstacle=xlsread(‘data.xls’);
data.numObstacles=length(data.Obstacle(:,1));
data.mapSize=[1000,1000,20]; %10m 地图尺寸
data.unit=[50,50,1]; %地图精度
data.S0=ceil(data.S./data.unit);
data.E0=ceil(data.E./data.unit);
data.mapSize0=data.mapSize./data.unit;
data.map=zeros(data.mapSize0);
figure
plot3(data.S(:,1),data.S(:,2),data.S(:,3),‘o’,‘LineWidth’,1,…
‘MarkerEdgeColor’,‘g’,…
‘MarkerFaceColor’,‘g’,…
‘MarkerSize’,8)
hold on
plot3(data.E(:,1),data.E(:,2),data.E(:,3),‘h’,‘LineWidth’,1,…
‘MarkerEdgeColor’,‘g’,…
‘MarkerFaceColor’,‘g’,…
‘MarkerSize’,8)
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);
[V,F] = DrawCuboid(long, wide, pretty, x,y,z);
x0=ceil(x/data.unit(1));
y0=ceil(y/data.unit(2));
z0=ceil(z/data.unit(3));
long0=ceil(long/data.unit(1));
wide0=ceil(wide/data.unit(2));
pretty0=ceil(pretty/data.unit(3));
data.map(x0:x0+long0,y0:y0+wide0,z0:z0+pretty0)=1;
end
legend(‘起点’,‘终点’)
title(‘三维地形地图’)
grid on
axis equal
%%
% index=find(data.map==1);
% [p1,p2,p3] = ind2sub(size(data.map), index);
% figure
% plot3(data.S0(:,1),data.S0(:,2),data.S0(:,3),‘o’,‘LineWidth’,1,…
% ‘MarkerEdgeColor’,‘g’,…
% ‘MarkerFaceColor’,‘g’,…
% ‘MarkerSize’,8)
% hold on
% plot3(data.E0(:,1),data.E0(:,2),data.E0(:,3),‘h’,‘LineWidth’,1,…
% ‘MarkerEdgeColor’,‘g’,…
% ‘MarkerFaceColor’,‘g’,…
% ‘MarkerSize’,8)
% plot3(p1,p2,p3,‘.’,‘LineWidth’,1,…
% ‘MarkerEdgeColor’,‘k’,…
% ‘MarkerFaceColor’,‘g’,…
% ‘MarkerSize’,10)
% legend(‘起点’,‘终点’)
% title(‘三维地形地图’)
% grid on
% axis equal
% xlabel(‘x(km)’)
% ylabel(‘y(km)’)
% zlabel(‘z(km)’)
%% 生成可移动方向
temp=[1,0,-1];
direction=[];
for i=1:3
for j=1:3
for k=1:3
direction=[direction;temp(i),temp(j),temp(k)];
end
end
end
position=find(direction(:,1)==0 & direction(:,2)==0 & direction(:,3)==0);
direction(position,:)=[];
data.direction=direction;

%% 算法参数设置 Parameters
% 基本参数
numAgent=20; %种群个体数 size of population,可自行修改
Max_iter=20; %最大迭代次数 maximum number of interation,可自行修改
lb=0;%下限,可自行修改
ub=1;%上限,可自行修改
dim=prod(data.mapSize0); % 优化变量个数
fobj=@(x) aimFcn(x,data);%目标函数,用以优化

%% 使用优化算法求解

Optimal_results{2,index}=recording;%迭代曲线
Optimal_results{3,index}=bestY;%最佳函数值
Optimal_results{4,index}=bestX; %最佳变量值
Optimal_results{5,index}=result; %优化结果
Optimal_results{6,index}=toc; %运行时间
index = index +1;

⛄三、运行结果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]田疆,李二超.用于无人机三维航迹规划改进连接型快速扩展随机树算法[J].航空工程进展. 2018,9(04)

3 备注
简介此部分摘自互联网,仅供参考,若侵权,联系删除

🍅 仿真咨询
1 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

2 机器学习和深度学习方面
卷积神经网络(CNN)、LSTM、支持向量机(SVM)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)、核极限学习机(KELM)、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、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、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

3 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

4 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、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 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

6 无线传感器定位及布局方面
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

7 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

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合

【代码】二维n锚点多目标的AOA(到达角度)定位,距离辅助增强精度。订阅专栏后可查看完整代码 本文基于多基站AOA角度观测与距离辅助信息,实现多个静态目标的二维定位,对比纯AOA最小二乘与AOA+距离辅助定位性能。通过MATLAB仿真,绘制真实与估计位置图、分轴RMSE及误差统计图,输出各目标坐标与误差指标。支持基站与目标数量、位置分布、噪声参数自定义,订阅专栏可获取完整代码,直接运行即可获得结果。 阅读详情

相关推荐

Puma560_六轴机械臂码垛(搬运)仿真

本文基于MATLAB与Robotics Toolbox,实现Puma 560六轴机械臂四层码垛仿真。通过重生成真实尺寸的ASCII STL模型,合理布置工作台与货物,采用数值逆解结合热启动与多初值优选策略,确保关节轨迹连续;动画采用“一次建图、仅更新句柄”机制,彻底解决平台与货物闪烁问题。结合标准DH参数与运动学分析,实现稳定流畅的笛卡尔轨迹规划与可视化,验证了仿真系统在真实场景下的可行性与稳定性。

yjw0911的博客 370

物理信息神经网络与扩展物理信息神经网络(PINN/XPINN)求解功能梯度材料稳态—瞬态热传导,MATLAB代码

物理信息神经网络与扩展物理信息神经网络(PINN/XPINN)求解功能梯度材料稳态—瞬态热传导,MATLAB代码

机器学习之心的博客,关注并私信文章链接,获取对应文章源码和数据。 379

USB之ch376s数据手册

         最近师兄交给我一个项目,虽说刚学嵌入式起步,但上手一个项目怎说都是最好的快速学习方式。因为刚了解ch376s管理U盘的数据,所以先是看了ch376s的数据手册。那我就把数据手册直接放上来吧。。。。      1、概述 CH376 是文件管理控制芯片,用于单片机系统读写 U 盘或者 SD 卡中的文件。 CH376 支持 USB 设备方式和 USB 主机方式,并且内置了 USB 通...

iBGG的博客 6009

AI核心功能解析:问答、编码与逻辑推理

作为一个人工智能助手,我的核心功能是基于海量数据训练而成的自然语言处理与逻辑推理能力,旨在为用户提供高效、准确的信息解答与任务辅助。在技术实现层面,我通过 Transformer 架构理解上下文语义,能够像 MATLAB 处理矩阵运算 或 CANoe 处理总线报文 那样,精准执行用户指令。相较于单一功能软件,我的优势在于跨域知识的融合能力。例如,我可以结合示波器的波形捕获原理 与 MATLAB 的绘图功能 ,为用户设计一套完整的信号处理教学方案;

一名网络界的大虾 155

基于ENVI5.6与SARscape的哨兵一号时序InSAR实战:从数据准备到PS/SBAS结果解译

本文详细介绍了基于ENVI5.6与SARscape软件,利用哨兵一号(Sentinel-1)卫星数据,进行PS-InSAR与SBAS-InSAR时序分析,以监测地表形变的完整实战流程。内容涵盖从数据下载、软件配置、预处理、核心处理步骤到结果解译与质量评估,重点解析了PS与SBAS方法的关键参数设置、常见问题及解决方案,旨在帮助用户掌握从数据准备到成果分析的完整技术链条。

oo7890的博客 637

倍福Twincat 3.0软件与C++通讯问题(ADS通讯)

倍福Twincat 3.0软件与C++通讯问题 倍福公司所开发的Twincat 3.0软件是基于Visual studio开发环境的一款自动化软件,目前其与C++程序通讯的方式主要还是靠ADS-DLL接口进行数据和信息传递,作者在Visual C++上进行混合编程开发,通过TwinCAT路由器和C语言API函数实现混合编程。 倍福软件提供: TcAdsDll.dll—动态链接库; TcAdsDll...

weixin_42811651的博客 1万+

MATLAB 数值优化工具及其使用方法:从基础函数到工程优化实例

本文系统介绍了MATLAB中数值优化工具的应用,涵盖基础环境、Optimization Toolbox与Global Optimization Toolbox三大层次。重点讲解了fminbnd、fminsearch、linprog、fmincon等常用函数的适用场景与实现方法,结合单变量优化、无约束多变量优化、线性规划及非线性约束优化实例,展示了如何将实际问题转化为数学模型并求解。强调应根据问题结构选择合适算法,以提升求解效率与精度。

weixin_47502228的博客 296

影楼精修-肤色统一算法解析

本文介绍了影楼精修中肤色统一算法的实现方案,并以像素蛋糕软件为例进行详细分析。肤色统一旨在通过调整人像照片中皮肤区域的颜色,使其看起来更加均匀一致。像素蛋糕软件提供了AI肤色统一和传统肤色统一两种功能,分别适用于不同需求。传统肤色统一算法通过皮肤分割、人脸检测、亮度统一和颜色统一等步骤,实现了对皮肤区域的精细调整。文章还提供了亮度统一的核心代码,并对比了传统算法与AI算法的效果,指出AI算法在自然度和亮度矫正方面表现更优。整体而言,本文为影楼精修中的肤色统一提供了实用的技术参考。

Trent1985的专栏 2072

MATLAB 在科学计算可视化中的进阶应用

本文系统阐述了科学计算可视化的基本思路与实现方法,涵盖二维标量场的热力图、等值线图与三维曲面表达,矢量场的箭头图与流线分析,以及三维体数据的切片与等值面重构。通过MATLAB图形对象机制,结合多种可视化技术,有效揭示数值结果的空间结构与动态特征,提升对复杂物理现象的直观理解与分析能力。

weixin_47502228的博客 624

北斗导航 | ChatGPT之RTK、RTD、ARAIM算法原理及程序代码(ChatGPT看你怎么回答,附部分代码)

ChatGPT之RTK、RTD、ARAIM算法原理及程序代码

尘世冰封的专栏 3679

我用 GPT-5.5 十分钟搞定一篇文献综述!附全流程指南

每一个框架中提出的逻辑链接,都必须至少有一篇提供文本中的文献作为支撑、严格禁止虚构变量、逻辑关系或研究结果、如果某些变量或关系在文本中未提及,必须明确声明“在提供的文本中未找到相关信息”、引用格式必须严格遵循原文提供的“作者/年份”格式,例如:[Smith, 2022]。各位同仁好,我是七哥。扫描提供的文献摘要,识别存在冲突的结果或理论、分析这些文献之间的差异,并总结可能导致差异的原因、输出一个结构化的学术争论段落,清楚呈现文献间的分歧和潜在影响因素、对于缺失或不明确的信息,按约束条件如实标注。

智能AI让学术科研更容易 372

第【136】期--面向通信感感知一体化的AFDM波形性能分析--matlab完整代码

通信感知一体化(Integrated Sensing and Communication, ISAC)要求同一套波形同时承担数据传输与目标探测两类任务,而传统的正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)波形在高移动性场景下会因载波间干扰(Inter-Carrier Interference, ICI)而性能显著退化。

qq_35027690的博客 546

数据资产可视化分析:PowerBI在大数据管理中的实战

目的:帮你搞懂“为什么数据资产需要可视化?”“PowerBI能帮企业解决什么问题?”,并掌握用PowerBI做大数据可视化的实战技巧。范围:覆盖数据资产定义、可视化分析原理、PowerBI核心功能(数据连接、建模、可视化)、零售企业实战案例,以及未来趋势与挑战。背景:为什么企业的数据像乱堆的玩具?核心概念:数据资产、可视化分析、PowerBI分别是什么?它们怎么配合?实战步骤:用PowerBI帮零售企业整理“销售玩具箱”,做出能指导决策的仪表盘;应用场景:不同部门怎么用这个“整理好的玩具箱”?

2501_92132293的博客 907

第【135】期--基于 M-ASK 调制的数字通信系统设计与仿真--matlab完整代码

本文设计并仿真了一个完整的 M 进制幅移键控(M-ASK)数字通信系统。系统由发射机、加性高斯白噪声(AWGN)信道和接收机三部分构成。发射机完成符号映射、上采样、根升余弦(RRC)脉冲成形、数模转换与射频调制;接收机通过相干解调、低通滤波、降采样、匹配滤波和幅度判决恢复原始符号。为了解决帧同步问题,系统在数据帧头部插入了由巴克码构造的前导序列,接收端利用相关检测完成定时对齐,并通过蒙特卡洛仿真验证了系统在不同信噪比条件下的误码性能,仿真结果与理论曲线吻合较好。关键词:M-ASK;脉冲成形;匹配滤波;

qq_35027690的博客 370

【报错解决】OpenClaw 报错 FetchError: request to [https://registry.npmjs.org/](https://registry.npmjs.or

在国产基础软件与云原生生态逐步成熟的背景下,越来越多的开发者开始尝试将 Web 前端、AI 推理、系统服务等组件部署到国产操作系统与国产云环境中。我所在的项目正是这样一个场景: 我们基于 OpenClaw 构建一套云端 AI 管理平台,用于统一管理模型服务、前端控制台与后台 API。

博客 1755

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

MATLAB优化算法实战:从无约束到约束优化

优化问题在工程中无处不在:参数调优、路径规划、资源分配、控制器设计都需要优化算法。MATLAB的Optimization Toolbox提供了从简单到复杂的完整优化工具链。

2501_93482674的博客 218

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

MATLAB 离散数据分箱:半开区间、末端点与计数、加权和、平均

明确半开区间、最右端点、越界及空箱规则,用 histcounts 与 accumarray 同时得到计数、贡献和、样本平均贡献及箱号。附 MATLAB R2025b 原生边界、非法输入、1000×105 独立参考测试和错误实现负例。

hxy_programmer的博客 356

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

IEEE TASE,光伏最大功率点跟踪最优控制: 基于群体智能的自适应动态规划

辐照度快速变化会使光伏最大功率点不断移动,传统扰动观察法(P&O)和增量电导法(IC)难以兼顾跟踪速度与稳态振荡。论文提出群智能自适应动态规划(SI-ADP),将光伏最大功率点跟踪(MPPT)转化为带占空比约束的非线性最优控制问题。评论家网络学习长期代价,粒子群算法(PSO)搜索动作网络参数,直接生成 Boost 变换器占空比。MATLAB/Simulink 与硬件在环结果支持其改善动态响应、稳态功率波动和并网电流质量。

Logic_9527的博客 154

第【134】期--基于OFDMA资源块分配的多用户调度算法仿真--matlab完整代码

正交频分多址(OFDMA)是 4G/5G 移动通信系统下行链路的核心多址方式,其本质是将时频资源划分为若干资源块(RB),由基站调度器在每一个调度周期内决定每个资源块分配给哪个用户。调度策略直接决定了系统吞吐量与用户间公平性,二者往往相互制约。本文建立了一个调度器层面的 OFDMA 多用户仿真模型,在没有需求冲突限制的条件下,实现并对比了三种典型调度算法:轮询调度(Round Robin, RR)、最大载干比调度(Max-Rate)与比例公平调度(Proportional Fair, PF)。

qq_35027690的博客 251

MATLAB 稳健计算三维向量夹角:缩放、atan2 与零向量契约

通过最大绝对分量缩放与 atan2 稳健计算三维向量无符号夹角,明确零向量和输入类型契约。附 MATLAB R2025b 原生测试、2000 组解析几何随机用例、错误实现负例及数值精度边界。

hxy_programmer的博客 323
上一篇: 【AGTO三维路径规划】人工大猩猩部队算法无人机避障三维航迹规划【含Matlab源码 3337期】
下一篇: 【ACO三维路径规划】蚁群算法无人机避障三维航迹规划【含Matlab源码 3335期】
Matlab武动乾坤
博客等级 码龄3年 3万+粉丝 1万+原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值