✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、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
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
随着无人机在农林植保、电力巡检、灾害应急测绘等领域的大规模普及，无人机的整机参数优化已经成为提升飞行性能的核心技术环节。无人机的续航时间、最大飞行速度、姿态稳定性、整机重量等核心性能指标之间存在天然的矛盾关系——提升续航时间往往需要增大电池容量，这会直接增加整机重量、降低姿态稳定性，传统依靠经验试凑的参数设计方法，根本无法同时平衡多个相互冲突的优化目标。基于多目标单适应度聚合的优化框架，将粒子群算法（PSO）、遗传算法（GA）以及粒子群-遗传混合算法（PSO-GA）三类智能优化方法应用于无人机参数优化场景，通过将多个冲突目标聚合为单一综合适应度函数，实现无人机整机参数的全局最优求解，在工程实测中展现出了远超传统设计方法的性能优势。
一、 无人机参数多目标优化的核心场景与技术痛点
无人机整机参数优化是典型的高维多约束多目标优化问题，本次研究以小型多旋翼巡检无人机为优化对象，待优化的核心参数包含6个维度：动力电池容量、电机KV值、螺旋桨直径、机架轴距、整机空机重量、飞控PID增益系数，对应的待优化性能目标包含4项核心指标：最大化续航时间、最大化最大平飞速度、最小化姿态稳态误差、最小化整机结构成本。这4项性能目标之间存在显著的非线性耦合与冲突关系，无法通过单一参数调整同时实现所有目标的最优值，必须通过智能优化算法在整个参数解空间内搜索全局最优的均衡解。
传统的无人机参数优化方法主要分为两类：一类是基于梯度的数值优化方法，这类方法高度依赖目标函数的可导性，很容易陷入局部最优解，在无人机这类多变量强非线性耦合场景中，最终得到的优化结果往往只是局部最优解，无法实现整机性能的全局最优；另一类是传统单智能体优化方法，单独使用粒子群算法或者遗传算法进行优化，粒子群算法收敛速度快但迭代后期容易出现种群多样性衰减，陷入早熟收敛，遗传算法全局搜索能力强但收敛速度慢，迭代中后期容易出现搜索停滞，单独使用任意一种算法都无法在优化精度与收敛速度之间实现理想的平衡。
多目标单适应度聚合优化框架是解决这一痛点的高效路径，该框架通过层次分析法（AHP）结合无人机的实际使用场景，为不同的性能目标分配差异化的权重系数，将多个相互冲突的优化目标通过加权求和的方式聚合为单一的综合适应度函数，无需复杂的帕累托前沿求解过程，就可以直接输出适配场景需求的唯一最优参数组合，大幅降低了优化结果的工程落地难度，非常适配无人机这类对优化效率和结果可落地性要求较高的工业设计场景。
无人机参数多目标单适应度聚合优化：优化 3 个决策变量
\(x_1\)：飞行速度 Speed \(\in[4,12]\)
\(x_2\)：飞行高度 Altitude \(\in[25,100]\)
\(x_3\)：有效载荷 Payload \(\in[0,750]\)
优化算法：
标准 PSO 粒子群
标准 GA 遗传算法（锦标赛选择、算术交叉、高斯变异）
- 混合 GA‑PSO
：用 GA 最终种群作为 PSO 初始粒子，再执行 PSO 迭代
适应度函数（最小化）：
⛳️ 运行结果
📣 部分代码
ll;
rng(42); % 固定随机种子，实验可复现
%% 1. 优化变量上下限
lb = [4 25 0];
ub = [12 100 750];
maxSpeed = 12;
maxAlt = 100;
maxPayload = 750;
payload_ref = 235.65;
% 适应度函数：最小化问题
fitness = @(x) ...
0.40 * (12 / x(1)) + ...
0.30 * (x(2) / 100) + ...
0.30 * ((x(3) - payload_ref) / 750)^2;
%% ===================== 标准 PSO =====================
nParticles = 30;
