✅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
为解决传统蝙蝠优化算法（BA）在无人机3D路径规划中存在的收敛速度与求解精度难以平衡、易陷入局部最优等问题，提出一种融合粒子群优化思想与混合分布策略的改进蝙蝠优化算法（OS-PSOBA）。该算法首先将粒子群算法（PSO）的个体最优因素引入BA的全局随机飞行搜索过程，增强种群搜索的发散性与全局探索能力；在局部搜索阶段，采用高斯分布与柯西分布融合模型约束新解生成，提升局部寻优精度；同时引入基于最优成功率策略动态调节的惯性权值，实现全局探索与局部优化的动态平衡。构建含山地地形、威胁区域的3D飞行空间模型，以路径长度、威胁规避成本、飞行高度成本为目标函数建立多约束优化模型。通过MATLAB仿真实验，将改进算法与传统BA、PSO算法在复杂3D环境中进行性能对比。结果表明，改进算法在路径规划成功率、收敛速度及路径综合成本方面均优于传统算法，能快速生成安全、高效、平滑的无人机3D飞行路径，为无人机在复杂场景下的自主飞行提供技术支撑。
关键词：无人机；3D路径规划；蝙蝠优化算法；粒子群算法；混合分布策略；动态惯性权值
0 引言
无人机（UAV）路径规划作为自主飞行系统的核心技术，是指在综合考虑飞行约束、环境障碍、任务需求等多因素下，寻找一条从起点到终点的最优轨迹，其性能直接决定无人机任务执行的安全性与高效性。随着无人机在军事侦察、电力巡检、灾害救援、物流配送等领域的广泛应用，飞行环境从二维平面向三维复杂空间延伸，传统路径规划算法难以满足3D场景下的多约束优化需求。
当前无人机路径规划算法主要分为传统经典算法与现代群智能算法两大类。传统算法如A*、快速探索随机树（RRT）等，在高维空间中易面临计算复杂度激增、路径平滑性差等问题，尤其在复杂山地、城市峡谷等3D场景中适应性有限。群智能算法凭借其鲁棒性强、无需梯度信息、易于并行计算等优势，成为3D路径规划的研究热点，典型算法包括粒子群算法（PSO）、人工蜂群算法（ABC）、蝙蝠算法（BA）等。
2010年Yang教授提出的蝙蝠算法（BA），模拟蝙蝠回声定位的捕食行为，通过全局随机搜索与局部精细搜索的结合，在优化问题中展现出较强的寻优能力。但其存在固有缺陷：全局搜索阶段发散性不足，局部搜索阶段求解速度较慢，难以平衡收敛速度与寻优精度，在复杂3D路径规划中易陷入局部最优。现有改进方案如融合差分进化的DEBA算法，虽提升了探索能力，但路径规划成功率与求解速度有所下降；混沌初始化改进BA算法虽增强了种群多样性，却未解决局部优化精度不足的问题。
针对上述问题，本文提出一种多策略改进的蝙蝠优化算法，通过融合PSO个体最优机制、混合分布局部搜索与动态惯性权值调节，优化算法的全局探索与局部寻优性能。构建贴近实际的3D飞行环境模型与多目标成本函数，通过仿真实验验证算法在无人机3D路径规划中的优越性，为复杂场景下无人机自主路径规划提供新方案。
1 相关理论基础
1.1 传统蝙蝠优化算法（BA）
蝙蝠算法基于蝙蝠回声定位行为构建理想化假设：蝙蝠通过回声感知与目标的距离并辨别障碍物；以随机速度飞行，通过调整脉冲频率、响度与发射率实现目标搜索；响度从最大值逐渐衰减至最小值，脉冲发射率则反向递增。基于上述假设，算法核心公式如下：
1）脉冲频率更新：$f_i = f_{\text{min}} + (f_{\text{max}} - f_{\text{min}}) \times \beta$，其中$f_{\text{min}}$、$f_{\text{max}}$分别为频率上下限，$\beta$为[0,1]区间均匀随机数。
2）速度与位置更新：$v_{i}^{t+1} = v_{i}^{t} + (x_{i}^{t} - x^*) \times f_i$，$x_{i}^{t+1} = x_{i}^{t} + v_{i}^{t+1}$，其中$v_{i}^{t}$、$x_{i}^{t}$分别为第$i$只蝙蝠第$t$代的速度与位置，$x^*$为当前种群全局最优位置。
3）脉冲发射率与响度更新：$r_{i}^{t+1} = r_{i}^{0}(1 - \exp(-\gamma \times t))$，$A_{i}^{t+1} = \alpha \times A_{i}^{t}$，其中$r_{i}^{0}$为初始发射率，$\gamma$为发射率增长系数，$\alpha$为响度衰减系数（$\alpha \in (0,1)$）。
传统BA算法通过随机飞行实现全局搜索，在最优解附近进行局部搜索，但全局探索与局部优化的协同性不足，易出现收敛滞后或局部最优问题。
1.2 粒子群优化算法（PSO）核心思想
PSO模拟群体觅食行为，每个粒子对应解空间的一个候选解，通过跟踪个体最优位置（$p_{\text{best}}$）与种群全局最优位置（$g_{\text{best}}$）更新自身速度与位置，具有搜索效率高、结构简单的优势。但其固有缺陷为易过早收敛，在复杂优化问题中难以跳出局部最优，需与其他算法融合以互补性能。
2 改进蝙蝠优化算法设计
2.1 算法改进核心策略
为解决传统BA算法的性能瓶颈，本文从全局搜索、局部优化、权值调节三个维度设计改进策略，构建OS-PSOBA算法。
2.1.1 融合PSO个体最优的全局搜索机制
传统BA全局搜索仅依赖全局最优位置$x^*$引导，种群发散性不足。引入PSO的个体最优因素，将速度更新公式改进为：$v_{i}^{t+1} = \omega \times v_{i}^{t} + c_1 \times \text{rand}() \times (p_{i,\text{best}} - x_{i}^{t}) + c_2 \times \text{rand}() \times (x^* - x_{i}^{t}) + (x_{i}^{t} - x^*) \times f_i$。其中$\omega$为惯性权值，$c_1$、$c_2$为学习因子，分别调节个体最优与全局最优的引导权重，$\text{rand}()$为[0,1]随机数，$p_{i,\text{best}}$为第$i$只蝙蝠的历史最优位置。该改进通过个体最优与全局最优的双重引导，增强种群全局探索能力，避免算法过早收敛。
2.1.2 高斯-柯西混合分布局部搜索策略
传统BA局部搜索采用随机扰动生成新解，精度较低。高斯分布具有集中性强的特点，适合精细搜索；柯西分布尾部更厚，易生成远距离新解，利于跳出局部最优。融合两种分布构建局部搜索新解生成模型：$x_{\text{new}} = x^* + \delta \times \begin{cases} \text{Gauss}(0,1) & \text{rand}() < 0.5 \\ \text{Cauchy}(0,1) & \text{rand}() \geq 0.5 \end{cases}$，其中$\delta$为扰动系数，随迭代次数线性递减，实现前期粗搜索、后期精优化的动态调整。
2.1.3 基于最优成功率的动态惯性权值
设计基于最优成功率的动态惯性权值$\omega$，实时调节全局与局部搜索比重：$\omega = \omega_{\text{max}} - \frac{\omega_{\text{max}} - \omega_{\text{min}}}{T_{\text{max}}} \times t - \eta \times S$，其中$\omega_{\text{max}}$、$\omega_{\text{min}}$分别为权值上下限，$T_{\text{max}}$为最大迭代次数，$t$为当前迭代次数，$\eta$为调节系数，$S$为当前迭代的最优成功率（最优解更新次数与种群规模的比值）。当最优成功率较高时，增大$\omega$增强全局探索；反之减小$\omega$强化局部优化。
2.2 改进算法执行流程
OS-PSOBA算法的无人机3D路径规划流程如下：
初始化参数：设置蝙蝠种群规模、最大迭代次数$T_{\text{max}}$、频率范围$[f_{\text{min}}, f_{\text{max}}]$、初始响度$A_0$、初始发射率$r_0$、学习因子$c_1$、$c_2$、惯性权值范围$[\omega_{\text{min}}, \omega_{\text{max}}]$等。
构建3D飞行空间模型，初始化蝙蝠种群位置与速度，每个位置对应3D空间中的路径节点坐标$(x,y,z)$。
计算每个蝙蝠个体的适应度值，即路径综合成本（基于目标函数计算），初始化个体最优位置$p_{i,\text{best}}$与种群全局最优位置$x^*$。
迭代更新：① 按改进公式更新蝙蝠脉冲频率、速度与位置；② 基于高斯-柯西混合分布生成局部搜索新解；③ 计算新解适应度，若满足接受条件（随机数小于响度且适应度更优），更新个体位置、响度与发射率；④ 更新个体最优与全局最优位置，调节动态惯性权值$\omega$。
判断是否达到最大迭代次数，若是则输出全局最优位置对应的3D路径；否则返回步骤4继续迭代。
3 无人机3D路径规划模型构建
3.1 3D飞行空间环境模型
结合实际飞行场景，构建包含山地地形与威胁区域的3D环境模型，兼顾地形起伏与安全避障需求。
3.1.1 山地地形建模：采用随机山峰生成模型构建地形，数学表达式为$z(x,y) = \sum_{i=1}^{n} h_i \times \exp\left(-\frac{(x - x_{si})^2}{2\sigma_{xi}^2} - \frac{(y - y_{si})^2}{2\sigma_{yi}^2}\right)$，其中$n$为山峰数量，$h_i$为第$i$座山峰的高度参数，$(x_{si}, y_{si})$为山峰中心坐标，$\sigma_{xi}$、$\sigma_{yi}$为坡度调节参数，通过该公式实现地形表面平滑处理，模拟真实山地起伏特征。
3.1.2 安全高度约束：为避免无人机与地形碰撞，设定安全飞行高度$H(x,y) = z(x,y) + h_s$，其中$h_s$为最小安全高度（$0 < h_s < H_{\text{max}}$，$H_{\text{max}}$为无人机最大飞行高度限制），平衡飞行安全性与能耗成本。
3.1.3 威胁区域建模：将威胁源（如雷达、障碍物）简化为三维圆柱体，半径为$R_k$，中心坐标为$(x_k, y_k, z_k)$。当无人机坐标$(x,y,z)$与威胁源中心的距离小于$R_k + d_s$（$d_s$为威胁规避安全距离）时，判定为进入威胁区域，产生威胁成本。
3.2 多目标优化目标函数
以路径综合成本最小化为目标，综合考虑路径长度、威胁规避、飞行高度三大成本，构建目标函数：$W_{\text{min}} = k_1 V_L + k_2 V_T + k_3 V_H$，其中$k_1$、$k_2$、$k_3$为权重系数（$0 < k_1,k_2,k_3 < 1$且$k_1 + k_2 + k_3 = 1$），可根据任务需求动态调整。
3.2.1 路径长度成本$V_L$：反映无人机飞行能耗，计算公式为$V_L = \sum_{j=1}^{m-1} \sqrt{(x_{j+1} - x_j)^2 + (y_{j+1} - y_j)^2 + (z_{j+1} - z_j)^2}$，其中$m$为路径节点数量，$(x_j, y_j, z_j)$为第$j$个节点坐标。
3.2.2 威胁区域成本$V_T$：量化威胁规避程度，计算公式为$V_T = \sum_{k=1}^{N_t} t_k \times \exp\left(-\frac{(x - x_k)^2 + (y - y_k)^2 + (z - z_k)^2}{R_k^2}\right)$，其中$N_t$为威胁源数量，$t_k$为第$k$个威胁源的威胁等级（$t_k \in [1,5]$）。
3.2.3 飞行高度成本$V_H$：约束飞行高度在合理范围，计算公式为$V_H = W_0 \times \left|\frac{h - H_{\text{avg}}}{H_{\text{max}}}\right|$，其中$W_0$为高度成本系数，$h$为无人机当前高度，$H_{\text{avg}}$为平均安全高度。
4 结论与展望
4.1 研究结论
本文提出的OS-PSOBA改进蝙蝠优化算法，通过融合PSO个体最优机制、高斯-柯西混合分布局部搜索与动态惯性权值调节，有效解决了传统算法在无人机3D路径规划中收敛速度与寻优精度失衡、易陷入局部最优的问题。仿真实验表明，改进算法在路径综合成本、收敛速度、安全性及规划成功率方面均优于传统BA与PSO算法，能快速生成满足多约束需求的最优3D路径，适用于复杂山地、多威胁源场景下的无人机自主飞行规划。
4.2 未来展望
后续研究可从三方面展开：① 引入动态障碍物模型，增强算法在实时变化环境中的适应性，提升路径重规划能力；② 结合多无人机协同任务需求，扩展算法至多智能体路径规划场景，优化任务协同效率；③ 基于硬件在环仿真平台，验证算法在实际无人机系统中的可行性，推动理论成果向工程应用转化。
⛳️ 运行结果
🔗 参考文献
[1] 刘科,周继强,郭小和.基于改进粒子群算法的无人机路径规划研究[J].中北大学学报：自然科学版, 2013, 34(4):7.DOI:10.3969/j.issn.1673-3193.2013.04.019.
[2] 罗诚.无人机路径规划算法研究[D].复旦大学,2010.
[3] 王庆海,刘广瑞,郭珂甫,等.基于改进人工蜂群算法的无人机航迹规划研究[J].机床与液压, 2017, 45(21):5.DOI:CNKI:SUN:JCYY.0.2017-21-016.
📣 部分代码
🎈 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
🌈 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
👇
