💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文内容如下：🎁🎁🎁
⛳️赠与读者
👨💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎
💥第一部分——内容介绍
基于杜鹃鸟优化算法的多无人机三维协同路径规划方法
摘要
在复杂三维地形、多障碍物约束以及多机协同作业需求下，传统无人机路径规划方法普遍存在寻优精度不足、易陷入局部最优、路径平滑性差、集群易发生碰撞等问题。为此，本文提出一种基于杜鹃鸟优化算法的多无人机三维协同路径规划方法。该方法以路径长度最优、飞行高度安全、转向角度合理、威胁规避可靠以及多机无冲突为综合优化目标，构建加权型多约束一体化代价函数；采用球坐标向量对无人机飞行路径进行参数化表征，通过坐标变换实现球坐标空间到笛卡尔空间的平稳映射；设计边界约束、威胁距离惩罚、多机安全距离检测相结合的多层约束处理机制，全面保障路径可行性与集群飞行安全性。在优化求解层面，利用莱维飞行实现大范围全局搜索，借助随机抛弃策略强化局部开发能力，有效提升高维非线性路径优化问题的求解效率与寻优稳定性。仿真实验结果表明，所提方法能够在复杂地形与多威胁环境中快速生成安全、平滑、无冲突的三维协同路径，收敛速度、寻优精度与规划可靠性均优于传统粒子群算法，可有效满足多无人机在巡检、侦察、应急救援及物流配送等实际任务中的路径规划需求。
关键词：多无人机系统；三维路径规划；杜鹃鸟优化算法；球坐标参数化；协同约束；代价函数；莱维飞行
1 引言
1.1 研究背景与意义
近年来，无人机技术快速发展并逐步走向工程化、规模化应用。凭借机动灵活、部署便捷、成本较低、无人员伤亡风险等优势，无人机已广泛渗透到军事侦察、目标打击、电力线路巡检、地理测绘、森林防火、应急救援、物流配送、城市安防等众多领域。随着任务场景不断向大范围、长航时、高复杂度方向延伸，单一无人机在续航能力、载荷水平、感知范围、任务冗余度等方面的局限日益凸显，多无人机协同作业已成为无人机系统发展的主流趋势。
三维路径规划作为多无人机协同控制的核心支撑技术，直接决定任务执行效率、飞行安全性与系统整体效能。其核心目标是在包含地形起伏、障碍物、禁飞区、气象约束等复杂环境中，为无人机集群规划出满足起点终点约束、运动学约束、空域约束、安全距离约束以及任务时序约束的最优或近似最优飞行路径，同时保证无人机之间无碰撞、航迹平滑可飞、整体能耗与航程最优。在真实三维作业环境中，地形高程剧烈变化、威胁分布密集、优化维度高、约束条件复杂，传统路径规划方法难以同时兼顾全局最优性、实时性、平滑性与鲁棒性。
群智能优化算法因具备不依赖梯度信息、全局搜索能力强、适用于高维非线性优化、鲁棒性高等特点，逐渐成为无人机路径规划的主流解决方案。其中，杜鹃鸟优化算法结构简洁、控制参数少、基于莱维飞行的探索能力突出，在复杂工程优化问题中表现出优异性能。基于此，本文将杜鹃鸟优化算法引入多无人机三维协同路径规划领域，通过环境建模、路径编码、代价函数设计、约束处理与求解流程优化，构建一套完整、高效、可靠的多机三维路径规划体系。
1.2 国内外研究现状
在无人机路径规划领域，国内外研究主要分为传统算法与智能优化算法两大方向。传统方法以 A*、Dijkstra、人工势场法、快速扩展随机树等为典型代表。A * 与 Dijkstra 算法在栅格环境中搜索逻辑清晰、路径可追溯，但在三维高维空间中易出现维数灾难、计算量激增、路径锯齿化严重等问题；人工势场法计算简单、响应快速，但存在局部最优、目标不可达、震荡等固有缺陷；快速扩展随机树系列算法具备概率完备性，但路径冗余度高、平滑性差、收敛速度慢。总体而言，传统方法在单无人机、低约束、二维场景中具备一定优势，但难以适配多机协同、高维约束、复杂地形的三维路径规划需求。
随着智能算法的兴起，粒子群优化、灰狼优化、蚁群算法、麻雀搜索算法、杜鹃鸟优化算法等被大量应用于无人机路径规划研究。部分学者采用球坐标向量实现路径参数化，显著提升了路径平滑度与优化效率；也有研究将协同约束、避障约束、高度约束融入目标函数，实现多无人机无冲突路径生成。尽管现有研究已取得一定进展，但仍存在明显不足：一是多数方法聚焦单无人机场景，对多机安全距离、时空协同、冲突消解等问题考虑不足；二是三维地形高程信息融合不充分，路径高度安全性与地形适应性较弱；三是部分算法易早熟收敛，寻优精度与稳定性有限；四是路径参数化方式复杂，优化维度高，导致求解效率偏低。
1.3 本文主要研究内容
针对现有方法存在的缺陷，本文围绕多无人机三维协同路径规划开展系统性研究，具体内容如下：
- 建立融合栅格地形高程与圆柱形威胁的三维环境模型，实现真实作业环境的数字化表征。
- 提出基于球坐标向量的路径参数化方法，降低优化维度，简化约束条件，提升路径平滑性。
- 构建包含路径长度、飞行高度、转向角度、威胁规避以及多机碰撞惩罚的加权多约束一体化代价函数。
- 设计基于杜鹃鸟优化算法的路径求解框架，通过莱维飞行全局搜索与随机抛弃局部开发提升寻优性能。
- 建立变量边界、空域边界、威胁规避、转向限制、多机安全距离相结合的多层约束处理机制，保证路径完全可行。
- 通过多组对比仿真实验，从路径效果、收敛性能、规划效率、安全性等维度验证所提方法的有效性与优越性。
2 三维环境与无人机路径建模
2.1 三维地形与威胁环境建模
本文采用栅格高程图对三维真实地形进行统一建模，将地形表示为二维离散高程矩阵，矩阵中每个位置的数值对应该点的地面高程，从而构建出连续起伏的三维地形空间。无人机飞行空域被限定在一个固定的三维长方体范围内，所有路径点必须处于空域边界内部，以确保飞行安全可控。
为模拟建筑物、雷达探测区、禁飞区、危险区域等障碍，将环境威胁统一建模为圆柱形威胁体。每个威胁由中心坐标、底面半径与有效高度共同确定，所有威胁组合形成离散化的安全约束区域。路径规划过程中，无人机必须与所有威胁保持足够安全距离，严禁进入威胁影响范围。
2.2 基于球坐标的无人机路径参数化
为解决笛卡尔坐标直接优化带来的维度高、约束复杂、路径不平滑等问题，本文采用球坐标向量对无人机路径进行参数化表达。每架无人机的飞行轨迹由一组连续路径节点构成，每个节点的位置由相对距离、俯仰角和方位角三个参数确定。这种编码方式能够显著减少决策变量数量，降低优化复杂度，同时天然保证路径的连续性与平滑性，更符合无人机运动特性。
在路径评估与可视化过程中，通过坐标变换将球坐标参数转换为标准笛卡尔坐标，生成可直接用于飞行控制的三维路径点。转换过程中加入严格的边界约束处理，确保所有路径点均落在安全飞行空域内，避免越界、贴地、超高等危险状态。
2.3 路径与威胁距离计算
为精准判断路径与障碍威胁之间的接近程度，采用点到线段最短距离计算方法，获取路径段与威胁中心投影点之间的最小距离。该方法能够准确识别路径是否靠近或进入威胁区域，为威胁规避惩罚提供可靠依据，从而保证无人机与障碍之间始终保持安全间隔。距离计算结果直接影响代价函数取值，是实现可靠避障的关键基础。
3 多约束一体化代价函数构建
3.1 单无人机代价函数
单无人机代价函数采用加权组合形式，综合衡量路径长度、飞行高度、转向角度和威胁规避四项关键指标，形成统一可优化的目标函数。路径长度代价用于追求最短航程，提高飞行效率；高度代价使无人机保持在安全高度区间中间位置，避免过低触地或过高增加能耗；转向角度代价限制无人机转向幅度，保证航迹平滑可飞，符合机动性能；威胁规避代价根据路径与威胁的距离设置分级惩罚，实现可靠避障。
各项子代价通过合理设置的权重系数进行动态平衡，权重可根据任务类型、飞行平台、任务优先级进行调整。当路径出现越界、超限、进入威胁等不可行情况时，对应代价项被设置为极大值，使不可行路径在优化过程中被自动淘汰。
3.2 多无人机协同代价函数
为实现多无人机无冲突协同飞行，在单无人机代价基础上引入多机碰撞惩罚项，构建面向集群的总代价函数。总代价由所有无人机单机代价之和与碰撞惩罚项共同组成。当任意两架无人机之间的距离小于设定安全距离时，碰撞惩罚项置为极大值，迫使算法放弃冲突路径。
该协同代价函数能够同时对所有无人机的路径进行优化，在保证单架无人机路径性能最优的前提下，实现集群整体无碰撞、无交叉、安全有序的协同飞行，满足多机编队、协同巡检、协同侦察等复杂任务的安全需求。
4 基于杜鹃鸟优化算法的路径求解
4.1 杜鹃鸟优化算法原理
杜鹃鸟优化算法是一种模拟杜鹃鸟巢寄生繁殖行为的群智能优化算法，核心包含莱维飞行全局搜索和随机抛弃局部开发两大策略。莱维飞行服从重尾分布，能够实现大范围跳跃式搜索，有效增强算法全局探索能力，避免陷入局部最优。随机抛弃策略按照固定概率对适应度较差的个体进行扰动更新，提升局部开发精度，加快算法收敛速度。
该算法结构简单、控制参数少、寻优能力强、稳定性高，非常适合处理高维、非线性、多约束、非凸的复杂优化问题，与多无人机三维路径规划的问题特性高度匹配。
4.2 路径求解流程
基于杜鹃鸟优化算法的路径求解流程分为初始化、迭代更新、约束处理、最优保留与终止判断五个阶段。首先设置种群规模、最大迭代次数、变量上下限、抛弃概率等关键参数；随后生成满足球坐标约束的初始路径种群，并将其转换为笛卡尔坐标；在每一代迭代中，先通过莱维飞行对个体进行全局更新，再执行随机抛弃实现局部优化，每次更新后进行边界约束处理；每代迭代完成后保留最优个体，记录最优路径与最优代价；当达到最大迭代次数时，输出全局最优路径，完成整个规划过程。
4.3 约束处理机制
为确保路径完全满足飞行约束与任务要求，本文设计多层约束处理机制。对球坐标参数设置合理范围，过滤无效搜索；对笛卡尔坐标进行截断，确保路径点位于安全空域；对威胁区域进行严格规避，进入威胁范围即判定为不可行路径；限制转向角度，保证路径符合无人机机动性能；设置多机最小安全距离，避免集群交叉碰撞。多重约束协同作用，确保最终输出路径安全、可行、可飞。
5 仿真实验与结果分析
5.1 实验环境与参数设置
仿真实验在 Windows 操作系统与 MATLAB 平台下开展，采用真实地形高程图构建三维地形环境，设置多个圆柱形威胁区域模拟障碍。实验采用多架无人机，每架无人机设置独立起点与终点，路径节点数量固定。杜鹃鸟优化算法参数经过多次调试确定，同时选取经典粒子群算法作为对比算法，从路径效果、收敛性能、安全性、规划效率等维度进行全面对比。
5.2 路径规划结果分析
仿真结果表明，本文所提方法能够为每架无人机生成平滑、连续、姿态合理的三维飞行路径。所有路径均成功避开地形起伏与圆柱形威胁区域，保持在设定安全高度范围内；无人机之间始终保持安全距离，无交叉、对飞、靠近等危险情况，路径完全满足任务约束与飞行安全要求，具备较高的工程实用价值。
5.3 收敛性能分析
收敛曲线对比结果显示，杜鹃鸟优化算法在迭代初期快速下降，能够迅速逼近较优解；中期平稳收敛，波动较小；后期持续精细寻优，精度不断提升。整体收敛速度、稳定性与最终寻优精度均明显优于对比算法，能够在较少迭代次数内获得高质量路径。
5.4 对比实验结果
与传统粒子群算法相比，基于杜鹃鸟优化算法的路径规划方法在最优代价、路径总长度、路径平滑度、收敛速度、规划成功率、安全可靠性等多项指标上均具有显著优势，充分验证了所提方法在多无人机三维协同路径规划问题上的有效性与优越性。
6 结论与展望
6.1 结论
本文提出一种基于杜鹃鸟优化算法的多无人机三维协同路径规划方法，通过球坐标参数化降低优化复杂度，提升路径平滑性；构建多约束一体化代价函数，平衡路径性能、飞行约束与多机安全需求；利用莱维飞行与随机抛弃双层搜索机制，提升算法全局寻优能力与收敛速度；通过多层约束处理机制，保证路径完全可行且集群无碰撞。实验结果表明，该方法能够在复杂三维地形与多威胁环境中快速生成安全、平滑、无冲突的协同路径，整体性能优于传统智能算法，适用于多无人机实际工程作业场景。
6.2 未来展望
未来可在本文基础上开展进一步深入研究：针对动态环境中移动威胁、实时扰动等情况，构建在线更新、快速重规划的动态路径规划方法；融合任务时间窗、通信链路约束、能耗约束、载荷约束等，构建更贴近实际的多目标优化模型；设计分布式协同规划架构，提升大规模无人机集群的规划效率、鲁棒性与扩展性；结合深度学习、强化学习等方法，提升算法在未知环境中的自主感知、自主决策与自适应能力。
📚第二部分——运行结果
2.1 静态环境下的路径规划
2.2 动态环境下的路径规划
%% ====================== 杜鹃鸟优化算法（CSO）====================== % 专用于多无人机三维路径规划 | 最小值优化 | 稳定收敛 % 输入： % pop : 种群数量 % maxgen : 最大迭代次数 % lb : 变量下限 % ub : 变量上限 % dim : 变量维度 % fobj : 总目标函数 % Fobj : 子函数（兼容原工程） % 输出： % fMin : 最优适应度值 % bestX : 最优解 % Convergence_curve : 收敛曲线 %% ================================================================= function [fMin, bestX, Convergence_curve] = CSO(pop, maxgen, lb, ub, dim, fobj, Fobj) % ====================== CSO 算法参数 ====================== pa = 0.25; % 外来鸟蛋被发现的概率 (标准固定值) % ========================================================== % 初始化种群 nest = initialization(pop, dim, ub, lb, Fobj); % 计算初始适应度 fitness = zeros(1, pop); for i = 1:pop fitness(i) = fobj(nest(i, :)); end % 记录最优解 [fMin, idx] = min(fitness); bestX = nest(idx, :); % 收敛曲线初始化 Convergence_curve = zeros(1, maxgen); tic; % 开始计时 %% ====================== 主迭代循环 ====================== for iter = 1:maxgen % ---------------------- 1. 莱维飞行（全局搜索）---------------------- for i = 1:pop % 莱维飞行公式：产生步长 (标准CSO) beta = 1.5; sigma = (gamma(1+beta)*sin(pi*beta/2) / (gamma((1+beta)/2)*beta*2^((beta-1)/2)))^(1/beta); u = randn(1, dim) * sigma; v = randn(1, dim); step = u ./ abs(v).^(1/beta); % 莱维飞行更新位置 new_nest = nest(i, :) + 0.01 * step .* (nest(i, :) - bestX); % 边界越界处理 new_nest = max(new_nest, lb); new_nest = min(new_nest, ub); % 计算新适应度 new_fitness = fobj(new_nest); % 贪婪接受：更优则替换 if new_fitness < fitness(i) nest(i, :) = new_nest; fitness(i) = new_fitness; end end % ---------------------- 2. 随机抛弃（局部搜索）---------------------- % 生成随机排序 [~, idx_random] = sort(rand(1, pop)); nest_new = nest; for i = 1:pop if rand < pa % 随机选择两个不同巢穴进行交叉更新 j = idx_random(randi(pop)); k = idx_random(randi(pop)); while j == k k = idx_random(randi(pop)); end % 局部扰动更新 nest_new(i, :) = nest(i, :) + rand(1, dim) .* (nest(j, :) - nest(k, :)); % 边界约束 nest_new(i, :) = max(nest_new(i, :), lb); nest_new(i, :) = min(nest_new(i, :), ub); end end % 评估新巢穴 for i = 1:pop new_fitness = fobj(nest_new(i, :)); if new_fitness < fitness(i) nest(i, :) = nest_new(i, :); fitness(i) = new_fitness; end end % ---------------------- 3. 更新最优解 ---------------------- [currentMin, currentIdx] = min(fitness); if currentMin < fMin fMin = currentMin; bestX = nest(currentIdx, :); end % 保存收敛曲线 Convergence_curve(iter) = fMin; % 打印迭代信息 if mod(iter, 10) == 0 fprintf('CSO 迭代：%4d | 最优成本：%.6f\n', iter, fMin); end end toc; disp('✅ 杜鹃鸟优化算法（CSO）求解完成！'); end🎉第三部分——参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)
🌈第四部分——本文完整资源下载
资料获取，更多粉丝福利，MATLAB|Simulink|Python|数据|文档等完整资源获取
 部署教程：NVIDIA Container Toolkit配置指南)
