【无人机三维路径规划】基于豪猪算法CPO实现多无人机协同三维路径规划附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

本研究针对多无人机协同作业中的三维路径规划难题，引入豪猪算法（CPO）进行求解。通过分析豪猪算法的搜索机制与优化原理，结合多无人机协同三维路径规划的约束条件与目标函数，构建基于 CPO 的路径规划模型。详细阐述算法实现流程，包括解的编码方式、适应度函数设计、算法迭代更新规则等，并通过 Python 代码实现算法。经仿真实验验证，该方法能够有效规划出满足多无人机协同要求的三维路径，在路径长度、避障性能和协同效率等方面表现良好，为多无人机协同作业提供了一种可行的路径规划解决方案。

一、引言

随着无人机技术的飞速发展，多无人机协同作业在物流配送、环境监测、灾害救援、军事侦察等领域得到了广泛应用 。在多无人机协同作业过程中，合理的三维路径规划至关重要，它直接影响任务执行效率、安全性以及无人机的能耗。三维路径规划需要在复杂的空间环境中，考虑障碍物、禁飞区、无人机性能限制等多种约束条件，同时还要实现多无人机之间的协同，避免碰撞并满足任务时序要求 。

传统的路径规划算法，如 A * 算法、Dijkstra 算法等，在处理小规模问题时具有较好的效果，但在三维空间和多无人机协同的复杂场景下，计算复杂度高，容易陷入局部最优。近年来，智能优化算法因其强大的全局搜索能力，在路径规划领域受到广泛关注。豪猪算法（CPO）是一种新兴的元启发式优化算法，通过模拟豪猪群体觅食行为，具有较强的全局搜索能力和较快的收敛速度 。将 CPO 应用于多无人机协同三维路径规划，有望为该问题提供高效的解决方案。

二、豪猪算法（CPO）原理

2.1 算法基本概念

豪猪算法（CPO）模拟了豪猪群体在自然环境中寻找食物的行为。在算法中，将问题的解看作豪猪个体，整个解空间视为豪猪的觅食区域。每只豪猪代表一个候选解，通过不断调整自身位置（即解的参数），在解空间中搜索最优解，也就是寻找食物资源最丰富的位置 。

2.2 算法搜索机制

CPO 主要通过两种行为进行搜索：探索行为和开发行为。探索行为模拟豪猪在较大范围内随机搜索食物的过程，用于发现解空间中潜在的优质区域，帮助算法跳出局部最优，扩大搜索范围。开发行为则模拟豪猪在已发现的食物资源附近进行细致搜索的过程，聚焦于当前最优解周围，对解进行精细化调整，提高解的质量 。

在算法迭代过程中，通过调整探索和开发行为的权重，平衡全局搜索和局部搜索能力。一般来说，在算法初期，侧重探索行为，以广泛搜索解空间；随着迭代进行，逐渐增加开发行为的比重，对找到的较优解进行深度优化 。

2.3 算法更新规则

CPO 中豪猪个体的位置更新基于自身历史最优位置、群体全局最优位置以及随机因素。具体更新公式会根据算法的具体实现有所差异，但核心思想是利用个体经验和群体信息来指导位置调整。例如，豪猪个体在每次迭代中，会根据与自身历史最优位置和全局最优位置的距离，结合随机扰动，计算出新的位置 。通过不断迭代更新个体位置，逐步逼近最优解。

三、多无人机协同三维路径规划问题建模

3.1 问题描述

多无人机协同三维路径规划问题可描述为：给定 N 架无人机、三维空间中的障碍物分布、无人机的起始位置和目标位置，在满足无人机飞行性能约束（如最大飞行速度、最大转弯角度等）和协同约束（如避免碰撞、保持编队等）的前提下，为每架无人机规划一条从起始点到目标点的三维路径，使得整体路径规划目标最优，如总路径长度最短、任务完成时间最短或能耗最小等 。

、基于 CPO 的多无人机协同三维路径规划算法实现

4.1 初始化

1. 确定算法参数，包括豪猪群体规模 

   P

   、最大迭代次数 

   T

   、探索和开发行为的权重参数等 。

1. 随机生成初始豪猪群体，每个豪猪个体代表一组多无人机的三维路径，即按照解的编码方式随机生成多组路径点序列 。

1. 计算初始群体中每个个体的适应度值，即根据目标函数计算每个候选解对应的目标函数值，适应度值越小表示解越优 。

4.2 迭代更新

在每次迭代中，执行以下操作：

1. 探索行为：部分豪猪个体按照一定概率进行探索操作，通过随机扰动自身位置（路径点序列），在解空间中进行大范围搜索 。具体可通过随机改变路径点的坐标值，或插入、删除部分路径点来实现。

1. 开发行为：其余豪猪个体进行开发操作，根据自身历史最优位置和群体全局最优位置，对当前位置进行调整，向更优解的方向移动 。例如，通过计算与全局最优解的差异，对路径点进行微调。

1. 更新位置和适应度：根据探索和开发行为更新豪猪个体的位置（路径），重新计算更新后个体的适应度值 。

1. 更新历史最优和全局最优：比较每个豪猪个体当前位置的适应度值与自身历史最优适应度值，若当前更优，则更新自身历史最优位置；同时，比较所有豪猪个体的适应度值，更新群体全局最优位置 。

4.3 终止条件

当达到最大迭代次数 T 或群体全局最优解在连续若干次迭代中不再显著改进时，算法终止。此时，群体全局最优解对应的多无人机路径即为最终规划结果 。

⛳️ 运行结果

📣 部分代码

- Setting ranges and limits

%}

function model=CreateModel2()

    H = imread('ChrismasTerrain2.tif'); % Get elevation data

%     H=H(1000:2000,1000:2000);

%     H = imread('ChrismasTerrain.tif'); % Get elevation data

    H (H < 0) = 0;

    MAPSIZE_X = size(H,2); % x index: columns of H

    MAPSIZE_Y = size(H,1); % y index: rows of H

    [X,Y] = meshgrid(1:MAPSIZE_X,1:MAPSIZE_Y); % Create all (x,y) points to plot

   %% Number of path nodes (not including the start position (start node))

    n=15;%12 %可以修改

   %% Threats as cylinders 可以根据自己需求添加

🔗 参考文献

[1] 徐光辉,邓赟,王淑青,等.改进凤头豪猪优化算法的无人机三维路径规划[J].中南民族大学学报(自然科学版), 2025(2).

🎈 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

👇