【无人机集群路径规划】5种最新优化算法（CBSO、ECO、AOA、SFOA、PLO）求解无人机集群路径规划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

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

无人机集群路径规划是智能控制领域的重要难题，它需要在复杂环境中为多架无人机规划出无碰撞、高效率、低能耗的最优路径。近年来，各类元启发式算法凭借其强大的全局搜索能力，成为解决这一问题的热门工具。本文将聚焦 5 种 2024 年提出的新型优化算法 —— 海星优化算法（SFOA）、极光优化算法（PLO）、互联银行系统优化算法（CBSO）、教育竞争优化算法（ECO）和青蒿素优化算法（AOA），探讨它们如何为无人机集群路径规划提供创新解决方案。

海星优化算法（SFOA）：生物本能的路径探索之道

海星优化算法（SFOA）以海星的自然行为为灵感，将其探索、捕食和再生三大核心行为转化为算法的搜索策略，在无人机集群路径规划中展现出独特的适应性。

在探索阶段，SFOA 模拟海星在海底缓慢移动以寻找食物的过程，让算法在解空间中进行大范围、低精度的搜索。这一阶段对应无人机集群对未知环境的初步探测，通过随机生成多条候选路径，覆盖可能的飞行区域，避免因初始路径局限而陷入局部最优。例如，在城市建筑群等复杂环境中，探索阶段可让无人机尝试穿越不同街道组合，为后续优化提供丰富的路径样本。

捕食行为则被转化为局部精细搜索机制。当海星发现猎物时，会收紧触手精准捕获，SFOA 则在找到较优路径后，对路径中的关键节点（如转弯点、避障点）进行微调，缩短飞行距离或降低能耗。对于无人机集群而言，这意味着在初步路径基础上，优化相邻无人机的相对位置，减少碰撞风险，同时优化单架无人机的飞行姿态，降低能源消耗。

最具创新性的是再生机制。海星在受损后能重新长出触手，SFOA 则允许算法在路径陷入停滞时 “抛弃” 无效路径段，重新生成新的路径分支。当无人机集群遭遇突发障碍（如临时禁飞区）时，这一机制可快速舍弃受影响的路径部分，再生出绕障路径，保证集群的持续飞行能力。

在多无人机协同场景中，SFOA 的再生机制还能动态调整集群规模。若部分无人机因故障退出，算法可通过再生策略重新分配任务路径，确保整体任务目标不受影响。

极光优化算法（PLO）：粒子运动的动态路径建模

极光优化算法（PLO）从极光彩带的形成原理中汲取灵感，通过模拟带电粒子在磁场中的运动轨迹，为无人机集群路径规划提供了动态调整的数学模型。

极光是太阳带电粒子与地球大气分子碰撞的结果，粒子在地球磁场作用下呈现螺旋式运动轨迹。PLO 将无人机集群中的每架无人机视为一个 “带电粒子”，将环境中的障碍物、禁飞区等约束条件转化为 “磁场力”，路径规划过程则成为粒子在复杂力场中的运动优化。

在算法中，粒子的运动速度与方向由 “磁场强度” 决定：距离障碍物越近，“斥力” 越大，推动无人机加速偏离；而目标点则产生 “吸引力”，引导粒子向其靠近。这种动态受力模型能实时响应环境变化，例如当无人机接近突发出现的障碍物（如鸟类群）时，PLO 可迅速计算斥力增量，调整飞行方向，实现实时避障。

对于集群协同，PLO 模拟了极光中粒子的协同发光现象，通过粒子间的 “电磁感应” 传递位置信息。无人机之间通过数据交互形成虚拟 “力场”，保持安全距离的同时协同调整飞行节奏。例如，在编队飞行中，前方无人机的路径变化会通过 “感应” 传递给后方无人机，实现整体路径的平滑过渡，避免集群溃散。

PLO 的优势在于对动态环境的适应性。当目标点移动（如追踪移动目标）或环境约束变化（如风力增强）时，粒子运动模型能快速收敛到新的最优路径，确保无人机集群的实时响应能力。

互联银行系统优化算法（CBSO）：系统思维的集群协同策略

互联银行系统优化算法（CBSO）以银行系统的互联性和风险传导机制为核心，为无人机集群的协同路径规划提供了系统性解决方案，尤其适用于需要高度协作的任务场景。

在银行系统中，核心银行的稳定性决定整体系统安全，银行间的双边交易影响连接质量。CBSO 将无人机集群中的 “领航机” 视为 “核心银行”，负责全局路径规划；其他 “跟随机” 则为 “分支银行”，通过与领航机及其他跟随机的 “交易”（数据交互）优化局部路径。

核心银行（领航机）的路径规划优先考虑全局目标，如最短总航程、最小能耗等，其路径变化会通过 “系统传导” 影响所有跟随机。例如，当领航机调整飞行高度以规避云层时，所有跟随机需同步响应，避免脱离通信范围。

双边交易机制则模拟了银行间的合作与竞争，实现无人机间的局部协同。两架相邻无人机通过 “交易” 协商相对位置：若距离过近，“交易成本” 上升，推动两者拉开距离；若距离过远，“信息传递效率” 下降，促使其靠近以保持通信。这种机制能动态维持集群的最优密度，在保证协同效率的同时降低碰撞风险。

CBSO 最突出的优势是抗故障能力。如同银行系统通过风险隔离防止单点崩溃，当某架无人机出现故障时，CBSO 会迅速切断其与其他无人机的 “交易连接”，重新分配路径任务，避免故障扩散导致整个集群瘫痪。

教育竞争优化算法（ECO）：分层进化的路径迭代机制

教育竞争优化算法（ECO）模拟学生在教育体系中的竞争与成长过程，通过分层学习机制实现无人机集群路径的逐步优化，尤其适合需要按任务优先级规划路径的场景。

ECO 将无人机集群划分为 “教师”“优秀学生”“普通学生” 三个层级，对应不同的路径规划角色。“教师机” 负责制定全局路径策略，基于历史最优路径和任务目标（如时间最短、能耗最低）生成引导信息；“优秀学生机” 则在教师引导下进行局部路径创新，尝试优化关键路径段；“普通学生机” 通过模仿优秀者的路径，快速提升自身路径质量。

在迭代过程中，层级会根据路径性能动态调整：若 “普通学生机” 的路径优于 “优秀学生机”，则两者互换角色，形成良性竞争。这种机制推动集群路径不断进化，例如在快递配送任务中，教师机设定 “覆盖所有配送点” 的基础路径，优秀学生机优化 “避开交通高峰路段” 的细节，普通学生机通过模仿逐步提升路径效率，最终实现整体配送时间的最小化。

ECO 的竞争机制还能适应任务优先级变化。当出现紧急任务（如医疗物资运输）时，算法可提高对应无人机的 “学习权重”，使其优先获取优质路径资源，快速规划出应急通道。同时，“教师机” 会根据紧急任务的位置，重新调整全局路径布局，确保资源合理分配。

青蒿素优化算法（AOA）：靶向优化的路径精准调控

青蒿素优化算法（AOA）受青蒿素精准杀灭疟原虫的特性启发，通过靶向识别与高效抑制机制，解决无人机集群路径规划中的 “顽固问题”，如复杂障碍绕飞、多目标冲突等。

青蒿素在人体内能精准定位疟原虫并破坏其结构，AOA 则将路径规划中的 “痛点”（如难以绕开的密集障碍区、多机交汇的冲突点）视为 “目标病原体”，集中计算资源进行靶向优化。

在识别阶段，AOA 通过分析路径评估指标（如碰撞概率、能耗偏差），定位性能最差的路径段。例如，当多架无人机在某一狭窄通道频繁发生路径冲突时，算法会将该区域标记为 “靶点”。

在优化阶段，AOA 模拟青蒿素的作用机制，对靶点区域进行高强度局部搜索。通过增加该区域的路径采样密度，尝试更多绕飞组合，同时引入惩罚机制（如对冲突路径施加高能耗成本），迫使算法跳出无效循环。例如，在山区峡谷环境中，AOA 能针对峡谷狭窄处的无人机交汇冲突，生成 “分时通过”“高低层错落” 等精细化路径方案，彻底解决冲突问题。

对于多目标优化场景（如同时追求时间最短和能耗最低），AOA 可像青蒿素针对不同阶段疟原虫那样，分阶段靶向优化：先解决路径可行性问题（如避障），再优化效率指标，最后平衡多目标权重，实现综合最优。

算法对比与场景适配：选择你的最优路径方案

五种算法在无人机集群路径规划中各有侧重，选择时需结合具体场景需求：

• 动态障碍环境（如城市突发交通事件）优先选择 PLO，其粒子受力模型能实时响应环境变化，调整路径的速度最快。

• 高协同任务（如编队表演、联合搜救）适合 CBSO，银行系统的互联机制可保证集群动作的高度一致性，抗故障能力最强。

• 复杂多障碍场景（如山区、丛林）推荐 AOA，靶向优化机制能精准破解绕障难题，路径可行性最高。

• 大规模集群任务（如物流配送集群）更适合 ECO，分层竞争机制可高效管理多机资源，迭代优化效率突出。

• 需要容错再生的场景（如长距离巡检）则 SFOA 更优，再生机制能应对无人机故障或路径失效，任务持续性最佳。

从优化效果看，AOA 和 SFOA 在单目标精度上表现更优，PLO 和 CBSO 在动态适应性上更具优势，ECO 则在多机协同的均衡性上领先。实际应用中，可通过算法融合（如 PLO 的动态模型结合 AOA 的靶向优化）进一步提升性能，为无人机集群路径规划提供更灵活的解决方案。

随着无人机应用场景的不断扩展，这些源于自然与社会现象的优化算法，正持续推动着智能路径规划技术的突破，让集群飞行从 “有序” 走向 “智能”。

⛳️ 运行结果

📣 部分代码

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

    colormap summer;                    % Default color map. summer

    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);

    h=200; % Height

    for i = 1:threat_num

        threat = threats(i,:);

        threat_x = threat(1);

        threat_y = threat(2);

        threat_z = threat(3);

        threat_radius = threat(4);

        [xc,yc,zc]=cylinder(threat_radius,6); % create a unit cylinder

        % set the center and height 

        xc=xc+threat_x;  

        yc=yc+threat_y;

        zc=zc*h+threat_z;

        zc(1,:)=0;

        c = mesh(xc,yc,zc); % plot the cylinder 

%         set(c,'edgecolor','none','facecolor','#FF0000','FaceAlpha',.3); % set color and transparency

        set(c,'edgecolor','flat','facecolor','k','FaceAlpha',.3); % set color and transparency

        hold on

%         drawsphere(threat_x,threat_y,threat_z+h,threat_radius);%添加圆球

    end

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

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆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

🌟 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

🌟 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）

🌟 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌟 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌟 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码