多目标黑翅鸢算法(MOBKA)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

在应急救援物资投送、城市安防巡检、电力线路运维等场景中，多无人机协同路径规划（多起点多终点）需满足 “多无人机从自定义起点出发，规避障碍物，高效抵达自定义终点” 的核心需求，同时平衡路径长度、飞行时间、能耗成本等多目标优化目标。传统路径规划算法如 A*、Dijkstra 难以应对多目标协同与动态参数自定义需求，粒子群优化（PSO）、遗传算法（GA）等智能算法则存在多目标 Pareto 最优解分布不均、复杂障碍物场景下收敛速度慢等问题。在此背景下，多目标黑翅鸢算法（MOBKA，Multi-Objective Black-Winged Kite Algorithm） 凭借其源于黑翅鸢生物行为的 “多目标感知 - 协同搜索 - 动态避障” 特性，为多无人机协同路径规划（多起点多终点）提供了创新解决方案。本文将从问题建模、算法原理、求解流程到实验验证，全面解析 MOBKA 算法如何适配自定义参数场景，实现多目标优化下的高效路径规划。

一、多无人机协同路径规划（多起点多终点）的问题建模与核心挑战

多无人机协同路径规划（多起点多终点）的本质是在复杂约束条件下，为每架无人机规划从专属起点到专属终点的最优路径，同时满足多目标优化与协同避碰需求。精准的问题建模是算法设计的前提，而动态参数自定义与多目标平衡则是核心挑战。

1.1 问题建模：多起点、多终点与多约束的数学表达

二、MOBKA 算法的生物学启发机制与核心原理

MOBKA 算法源于黑翅鸢（Black-Winged Kite）的生物行为，其 “高空盘旋搜索、动态俯冲捕猎、群体协同警戒” 特性与多无人机路径规划需求高度契合。本节首先解析黑翅鸢的关键生物行为，再将其抽象为数学模型，构建 MOBKA 算法的核心框架。

2.1 生物学启发：黑翅鸢的核心行为特性

黑翅鸢是一种广泛分布于开阔地带的猛禽，具有出色的环境适应能力与捕食策略，其三大核心行为为 MOBKA 算法提供了天然灵感：

• 多目标感知与高空搜索：黑翅鸢在捕食时，会在 100-300 米高空盘旋，通过 “视觉感知”（观察地面猎物移动）、“听觉感知”（捕捉猎物活动声响）、“气流感知”（利用热气流节省体力）三种感官，同时优化 “猎物定位精度”“飞行能耗”“捕猎时间” 三个目标，确保高效找到猎物的同时降低自身消耗。

• 动态俯冲与路径调整：当黑翅鸢锁定猎物后，会根据猎物移动方向与地形障碍（如树木、灌丛），动态调整俯冲路径 —— 若猎物前方有障碍物，会提前改变俯冲角度，绕开障碍后再加速接近，避免碰撞；俯冲过程中，若猎物改变移动方向，会实时修正飞行轨迹，确保追捕效率。

• 群体协同与警戒机制：当多只黑翅鸢在同一区域捕猎时，会通过 “视觉信号”（翅膀摆动频率）传递位置与猎物信息，形成协同警戒网络：若某只黑翅鸢发现危险（如天敌、人类活动），会通过特定翅膀动作警示其他个体，同时调整自身飞行路径，避免群体冲突；捕猎时，会自动划分搜索区域，避免重复搜索，提升整体捕猎效率。

2.2 MOBKA 算法的核心原理：生物行为的数学抽象

MOBKA 算法将黑翅鸢的生物行为抽象为 “个体搜索模块”“多目标评估模块”“群体协同模块” 三大核心模块，实现对多无人机路径规划问题的求解。

⛳️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

- 不同视角的解决方案

输入：%}

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

% 全局模型

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');

% 延迟;

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

    终点

    %% 绘制顶视图

    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。

    阴影插值; % 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(模型.H))+1;  % 选择 z 为最高的峰值

        威胁半径 = 威胁(4);

        对于 j=1:3 

        % 定义圆的参数：

        % 创建一个包含所有角度的数组:

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

        % 创建每个角度的 x 和 y 位置：

        x = 威胁半径 * cos(θ) + 威胁x;

        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');

        % 绘制圆的下一个图：

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

🔗 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