多目标大甘蔗鼠算法MOGCRA求解多无人机协同路径规划（多起点多终点，起始点、无人机数、障碍物可自定义）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

🍊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

一、核心概念：MOGCRA 算法与多无人机路径规划的适配性

1.1 多无人机协同路径规划的核心需求

多无人机协同路径规划需在复杂环境中（含障碍物），为多架无人机规划从 “各自起点” 到 “各自终点” 的路径，同时满足三大核心目标：

• 安全性：路径需避开所有障碍物，且无人机间保持安全距离（避免碰撞）；

• 高效性：总飞行里程最短或总飞行时间最少（提升任务执行效率）；

• 协同性：无人机间路径时序匹配（如同步抵达目标区域，或按任务优先级有序抵达）。

此外，实际应用中需支持参数自定义：起点数量（≤无人机数）、终点数量（≤无人机数）、障碍物类型（静态 / 动态，此处聚焦静态）、无人机性能约束（如最大转弯角、最大飞行速度）。

1.2 大甘蔗鼠算法（GCRA）的生物启发机制

大甘蔗鼠算法（Giant Cane Rat Algorithm, GCRA）是模拟大甘蔗鼠 “觅食 - 筑巢 - 群体协作” 行为的新型群智能优化算法，其核心行为机制与路径规划需求高度契合：

1. 觅食行为：大甘蔗鼠通过 “气味梯度” 搜索食物（对应路径规划中 “起点到终点的代价梯度”），能快速向目标区域收敛；

1. 筑巢行为：在安全区域（无天敌，对应无障碍物区域）构建巢穴，体现 “避障优先” 的决策逻辑；

1. 群体协作：多只大甘蔗鼠通过 “信息素传递” 共享食物位置与危险区域信息（对应无人机间的路径协同）。

相较于传统算法（如 A*、PSO、GA），GCRA 在复杂障碍物环境中具有更强的避障能力和更快的收敛速度，而多目标大甘蔗鼠算法（MOGCRA） 则通过引入 “多目标优化机制”（如帕累托支配关系），同时优化 “里程、时间、安全性” 等多个冲突目标。

1.3 MOGCRA 适配多无人机路径规划的优势

1. 多目标并行优化：无需将多目标加权为单目标（避免权重设定主观性），直接输出帕累托最优路径集，供决策者根据任务需求选择（如 “紧急任务优先选时间最短路径，侦察任务优先选安全距离最大路径”）；

1. 自定义参数兼容性：通过调整算法输入参数（如起点集合、终点集合、障碍物坐标矩阵），可灵活适配不同任务场景（如 3 架无人机从 2 个起点出发，前往 4 个终点执行侦察任务）；

1. 协同约束易集成：将 “无人机间安全距离”“时序同步” 等协同约束融入算法的适应度函数，无需额外设计协同策略，简化规划流程；

1. 复杂环境鲁棒性：基于 “气味梯度 + 信息素更新” 的搜索机制，在密集障碍物环境中（如城市建筑群、山地地形）不易陷入局部最优（如传统 A * 易因局部障碍物绕远路）。

⛳️ 运行结果

📝 部分代码

输入：%{

 此功能将绘制：

- 带有地形图和障碍物的模型

- 不同视图的解决方案

输入：%}

函数 PlotSolution(sol, model, gca1, gca2, gca3)

% 全球模型

平滑 = 0.99;

    %% 绘制3D视图

    图形(gca1);

    绘图模型(model)

    x=sol.x;

    y=sol.y;

    z=sol.z;

    % 开始位置

    xs=model.start(1);

    ys=model.start(2);

    zs=model.start(3);

    % 最终位置

    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); % 实际路径长度

   % 路径高度是相对于地面高度的

    对于 i = 1:N

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

        z_all(i) = z_all(i) + z_map;

    结束

    % 给定数据在点矩阵中，xyz，是3 x 点的数量

    xyz = [x_all;y_all;z_all];

    [ndim, npts] = size(xyz);

    xyzp=zeros(size(xyz));

    对于 k=1:ndim

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

    结束

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

    % 图形起始点

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

    % 绘图目标点

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

%  推迟；

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

    终点

    %% 绘制俯视图

    图形(gca2);

    网格(model.X, model.Y, model.H); % 绘制数据

    颜色映射夏季; % 默认颜色映射。

    设置(gca, 'Position', [0 0 1 1]); % 填充图形窗口。

    轴等距 vis3d 开启; % 设置纵横比并关闭轴。

    着色插值； % 在面上插值颜色。

    材料暗淡；% 山脉不闪亮。

    左侧的聚光灯； % 在左侧某个地方添加一个灯。

    照明古劳德；% 使用良好的照明。

    xlabel('x [米]');

    ylabel('y [米]');

    zlabel('z [米]');

    等一下

    % 威胁作为气缸

    威胁 = 模型.威胁;

    威胁数 =威胁的大小(威胁,1);

    对于 i = 1:威胁数

        威胁 = threats(i,:);

        威胁_x = 威胁(1);

        威胁_y = threat(2);

        威胁_z = max(max(model.H))+1;  % 选择 z 为最高的山峰

        威胁半径 = 威胁(4);

        对于 j=1:3 

        % 定义圆参数：

        % 创建一个包含所有角度的数组:

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

        % 创建每个角度处的 x 和 y 位置：

        x = 威胁半径 * cos(威胁角度) + 威胁x坐标;

        y = 威胁半径 * sin(θ) + 威胁y;

        需要为每个 (x,y) 对创建一个 z 值:

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

        % 绘制图表：

        % 首先绘制中心:

        plot3(威胁_x, 威胁_y, 威胁_z, 'o', 'color', 'y', 'MarkerSize', 3, 'MarkerFaceColor','m');

        % 绘制圆：

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

        % 重复以获得较小的半径

        threat_radius = threat_radius - 20;

        end

    end

    % plot path

    plot3(xyzp(1,:),xyzp(2,:),xyzp(3,:),'r','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('x [m]');

    ylabel('y [m]');

    zlabel('z [m]');

    hold on

    % plot path

    plot3(xyzp(1,:),xyzp(2,:),xyzp(3,:),'r','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;

🔗 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、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

🌟 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