【路径规划】基于粒子群的无人机三维路径规划含障碍matlab源码

1 基于粒子群的无人机三维路径规划模型

无人机作为侦察和作战的重要手段,重要的是保证侦察目标的准确性,对任务/航迹规划系统是无人机实现自主飞行和自主攻击的关键技术.在给出无人机航迹规划问题描述的基础上,提出一种基于粒子群优化算法的无人机航迹规划方法,利用粒子群优化算法,将约束条件和搜索算法相结合,从而有效减小搜索空间,得到一条全局最优路径并进行仿真.仿真结果表明,规划方法能够快速有效地完成规划任务,获得满意的航迹,满足无人机作战要求,具有重要的现实意义.

2 部分代码

%% PSO 三维路径规划 clc , clear , close all feature jit off %% 模型基本参数 % 载入地形 矩阵 filename = ’TestData1.xlsx’ ; model . x_data = xlsread (   filename , ’Xi’ ) ; model . y_data = xlsread ( filename , ’Yi’ ) ; model . z_data = xlsread ( filename , ’Zi’ ) ; model . x_grid =   model . x_data ( 1 ,:) ; model . y_grid = model . y_data (:, 1 ) ; model . xs =   10 ;   %起点   相关信息 model . ys = 90 ; model . zs =   interp2 (   model . x_data ,   model . y_data ,   model . z_data   ,   ...     model . xs ,     model . ys   , ’linear’ ) ;   % 高度为插值得到 model . xt =   150 ; % 终点 相关信息 model . yt = 40 ; model . zt = interp2 (   model . x_data ,   model . y_data , model . z_data   ,   ...     model . xt ,     model . yt ,   ’linear’ );   % 高度为插值得到 model . n =   5 ;   % 粗略导航点设置 model . nn =   80 ;   % 插值法获得的导航点总数 model . Safeh = 0.01 ;   % 与障碍物的最低飞行高度   % 导航点   边界值 model . xmin =   min (   model . x_data ( : ) ) ; model . xmax = max (   model . x_data ( : ) ) ; model . ymin = min (   model . y_data ( : ) ) ; model . ymax = max (   model . y_data ( : ) ) ; model . zmin = min (   model . z_data ( : ) ) ; model . zmax = model . zmin + ( 1 + 0.1 ) * ( max ( model . z_data (:) ) - model . zmin ) ; % 模型的其他参数 model . nVar =   3 * model . n ; % 编码长度 model . pf = 10 ^ 7 ; % 惩罚系数 % 障碍物 位置坐标及半径 model . Barrier = [ 10 , 60 , 8 ;       100 , 40 ,   15 ] ; model . Num_Barrier =   size ( model . Barrier , 1 ); % 障碍物的数目 model . weight1 = 0.5 ; % 权重1 飞行线路长度权重 model . weight2 = 0.3 ; % 权重2 飞行高度相关权重 model . weight3 = 0.2 ; % 权重3 Jsmooth 指标权重 %% 算法参数设置 param . MaxIt =   400 ;           %   迭代次数 param . nPop = 20 ;           % 种群数目 param . w = 1 ;                 %   权重 param . wdamp = 0.99 ;         %   退化率 param . c1 = 1.5 ;             % Personal Learning Coefficient param . c2 = 2 ;             % Global Learning Coefficient % 局部搜索部分参数 param . MaxSubIt = 0 ;     % Maximum Number of Sub-iterations ( 内循环迭代次数 ) param . T =   25 ;   % param . alpha1 = 0.99 ;     % Temp. Reduction Rate param . ShowIteration = 50 ; % 每过 多少次迭代显示一次图 %% 运行算法 CostFunction = @ ( x ) MyCost ( x , model );     %   设置目标函数 [ GlobalBest , BestCost ] =   pso ( param   , model , CostFunction ) ;

3 仿真结果

4 参考文献

1. O. Wilson, E., Sociobiology: The New Synthesis. 1976.

2. J Matari’c, M. and A. Brooks, Interaction and Intelligent Behavior. 1999.

3. Trelea, I.C., The particle swarm optimization algorithm: convergence analysis and parameter selection. Information Processing Letters, 2003. 85 (6): p. 317-325.

4. Kennedy, J. and R. Eberhart. Particle swarm optimization . in Proceedings of ICNN’95 - International Conference on Neural Networks . 1995.

5. Zhan, Z., et al. Adaptive control of acceleration coefficients for particle swarm optimization based on clustering analysis . in 2007 IEEE Congress on Evolutionary Computation . 2007.

5 代码下载