【协同任务】基于matlab改进的灰狼算法多无人作战飞机协同航迹规划【含Matlab源码 2470期】

💥💥💥💥💥💥💞💞💞💞💞💞💞💞欢迎来到海神之光博客之家💞💞💞💞💞💞💞💞💥💥💥💥💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进；
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式

⛳️座右铭：行百里者，半于九十。
更多Matlab路径规划仿真内容点击👇
①Matlab路径规划（进阶版）
②付费专栏Matlab路径规划（初级版）

⛳️关注优快云海神之光，更多资源等你来！！

⛄一、灰狼算法的多无人作战飞机简介

随着作战任务的复杂化，多无人作战飞机（Ｕｎｍａｎｎｅｄ Ｃｏｍｂａｔ Ａｉｒ Ｖｅｈｉｃｌｅ， ＵＣＡＶ）的协同作战引起了各军事强国的广泛关注。 在协同攻击技术中，协同航迹规划技术成为当前研究的热点，是指根据协同态势感知的作战环境信息，在多无人作战飞机协同目标分配方案的基础上，考虑到时间协同约束、空间协同约束及
航迹规划约束条件，使得各架无人作战飞机规划出初始点到目标点的在其指定的性能指标下达到最优或者较优时的可行飞行航迹，使其能够在相对合理的时间约束内完成目标打击或识别任务，提高多无人作战飞机的整体生存能力和作战效能。
当前，多无人作战飞机协同航迹规划研究主要集中在如何处理无人作战飞机编队内部成员之间的协同关系，包括空间协同约束、时间协同约束和任务时序约束等。 Ｇｏｋｈａｍ［１］ 针对多无人作战飞机协同航迹规划的时间协同问题，提出了一种分解策略，通过连续局部最优的博弈法得到接近理想最优值的解；Ｐｅｔｔｅｒｓｓｏｎ［２］通过调整速度，确保无人作战飞机编队同时到达目标；吴蕊［３］ 提出了基于层次分解策略的无人作战飞机协同航迹规划。 文献［４］利用 Ｄｉｊｋｓｔｒａ 算法对快速扩展随机树法（Ｒａｐｉｄｌｙ－ｅｘｐｌｏｒｉｎｇ Ｒａｎｄｏｍ Ｔｒｅｅｓ，ＲＲＴ）产生的航迹点进行修正，并利用赋权有向图进行搜索，得到各架无人作战飞机代价最小的最优航迹；文献［ ５］在利用改进的免疫遗传算法求解无人机航路规划模型，提高了搜索速度；文献［ ６］采用改进蚁群算法，设计了自适应状态转换规则和自适应信息激素更新规则，提高了无人机的作战效率和生存概率；文献［７］采用遗传算法求解无人机航路规划，将染色体编码的维数由二维降为一维，提高了规划效率。综上，遗传算法、蚁群算法、免疫算法、粒子群算法等传统智能算法求解多无人机协同任务规划或协同航迹规划问题已较为成熟，但传统优化算法在求解精度、收敛速度和计算稳定性上具有一定的局限性。 近年来，基于种群生存规则的灰狼算法已成为智能算法的研究前沿，其在解决复杂化、多变量、非线性优化问题上表现出较为突出的性能。 因此，本文采用灰狼算法对多无人作战飞机协同航迹规划进行研究。

１　 多无人作战飞机协同航迹规划模型
多无人作战飞机协同航迹规划是通过建立多无人作战飞机编队协同作战飞行模型，并设计相应智能算法进行求解和优化，从而达到群体效能最优。 其难点包含两方面：① 每架无人作战飞机最优航迹的集合不能代表整体航路的最优，各条航迹之间的协调必须是同步的；② 时间约束与空间约束之间存在耦合关系。
本文采用分层规划的思想研究多无人作战飞机协同航迹规划问题，如图 １ 所示。

由图 １ 可知，分层规划策略模型包括航迹规划层和协同规划层两个层次［８］。 由于两个层次依次求解满足该层次约束的航迹所需计算量较大，因此本文的分层策略是将两个层次的约束条件并行作用于无人作战飞机航迹规划中，然后计算协同航迹综合评价函数。
１．１　 协同约束分析
１．１．１　 时间协同约束
时间协同约束是指设置无人作战飞机到达终点的指令时间与求解其到达任务时间范围，通过判断实际到达目标终点的时间与指令时间的关系，确定无人作战飞机整体是否符合协同任务时间要求。 ｔｃ 为无人作

１．１．２　 空间协同约束
空间协同约束主要考虑编队中各个无人作战飞机之间无碰撞。 因此，空间协同约束要求无人作战飞机之间的最小距离应该大于最小安全飞行距离，那么该约束可以描述为：

式中，ｄｉ－ｊ为飞行过程中第 ｉ 架无人作战飞机与第 ｊ 架无人作战飞机的航迹点之间最小的距离；ｄｓ 为无人作战飞机之间最小安全飞行距离。
１．２　 协同航迹评价函数
将多无人作战飞机航迹代价函数作为航迹评价的指标函数，主要包括燃油代价（ｆＯ ） 、高度代价（ｆＨ ） 、威胁代价（ｆＴ－ｉ） 、时间代价（ｆＴｉｍｅ－ｉ） 、碰撞代价（ｆＣｒａｓｈ－ｉ） 。 燃油代价由总航程决定，总航程越短，相应的耗油量越
少，增强了经济性和作战能力；高度代价主要取决于无人作战飞机与当前地形的相对高度或者其海拔高度，通常可利用地形的遮挡作用和地面杂波降低被发现或被击毁的概率；威胁代价主要与无人机在飞行过程中可能受到的或潜在的威胁有关；时间代价和空间代价用于表征协同飞行效率。 综上，协同航迹评价函数可设置为：

由于多无人作战飞机编队协同作战飞行涉及到整个群体中的个体安全性以及任务效率，在多无人作战飞机协同航迹评价函数中采用时间代价和碰撞代价两项，用于表征协同飞行的安全性和效率［９，１０］。 时间代价和碰撞代价推导如下。
１．２．１　 时间代价
首先设置无人作战飞机到达目标终点的指令时间为 ｔｃ，利用这个指令时间约束可以保证无人作战飞机在时间上协同；对于到达目标终点的实际时间范围，可以根据无人作战飞机的速度范围与航迹长度可以求得，其范围为 ｔ

１．２．２　 碰撞代价
对于碰撞代价的计算，以第 ｉ 架无人作战飞机为例，首先计算在当前时间该无人作战飞机在各个航迹点上与前 ｉ－１ 架无人作战飞机的距离，如果该距离小于最小安全飞行距离，则记一次碰撞，依次对整条航迹的所有航迹点进行碰撞计数，并求和得到该无人作战飞机航迹的总碰撞次数。 计算公式为：

根据图 １ 所示协同航迹规划分层策略，将多无人作战飞机协同航迹规划问题分为航迹规划层和协同规划层两个层次进行研究，并将协同航迹代价函数作为评价函数表征规划效果，最后在时间和空间（碰撞）两个角度进行约束，上述多无人作战飞机协同航迹规划模型可表示为

２　 基于灰狼算法的多无人作战飞机协同航迹规划
本文应用一种新型的启发式优化算法———灰狼优化算法（Ｇｒｅｙ Ｗｏｌｆ Ｏｐｔｉｍｉｚａｔｉｏｎ，ＧＷＯ） ，由于该算法具有较少的控制参数，实现简单［１１］
，因此其在求解多模态、高维、非线性优化问题上能显著提高优化精度和求解效率［１２］。 基于灰狼算法的多无人作战飞机协同航迹规划流程如图 ２ 所示

基于灰狼算法的多无人作战飞机协同航迹规划的具体步骤如下：
（１）初始化满足约束的灰狼种群。 根据航迹初始化策略，随机生成 Ｎａｇｅｎｔ个基于变长度编码的协同航迹
染色体。
（２） 初始化 ａ，初始化 ｐα 、ｐβ 和 ｐδ。
（３）根据多指标条件下的最小值聚类策略，对所有协同航迹染色体进行聚类。
（４） 产生位置更新后的协同染色体。
（５） 对位置更新后的协同航迹染色体进行约束处理。
① 舍弃染色体中不满足约束条件或者在威胁禁忌区的航迹点；
② 分段生成航迹片段，经过舍弃而剩下的航迹点可以作为用来分段的航迹点，以此生成航迹片段，最后
生成整个协同航迹染色体；
（６） 合并所有子种群位置更新后经过处理的染色体，计算每个染色体的适应度值，与原来种群作比较，
得到最优染色体，即最优解；
（７） 当迭代过程进行到预先给定的最大次数，或者最优解的适应度值不变时，则输出最优协同航迹染色
体和最优值；否则转到（３）继续寻找。

⛄二、部分源代码

%%% 灰狼优化算法航迹规划 %%%
clc, close all

%— 算法选择 1：GWO算法 2：MP-GWO算法 3：CS-GWO算法
options = 2;

%— 算法参数设置
SearchAgents = 60; % 搜索智能体个数/狼群数量/可行解的个数 （>= 20）
Max_iter = 145 ; % 最大搜索步数

%— 协同无人机设置
UAV = UAV_SetUp1; % 在 UAV_SetUp.m 文件进行设置

%— 灰狼算法
if options < 2
solution = GWO(UAV, SearchAgents, Max_iter); % GWO算法
elseif options < 3
solution = MP_GWO(UAV, SearchAgents, Max_iter); % MP-GWO算法
else
solution = CS_GWO(UAV, SearchAgents, Max_iter); % CS-GWO算法
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]周楚涵1,王瑛,王宁,王晓琳.基于灰狼算法的多无人作战飞机协同航迹规划研究[J].第九届中国航空学会青年科技论坛论文集

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