✅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
无人机集群路径规划是无人机协同作业的核心技术之一，其核心目标是在满足飞行约束（如避障、续航、协同性）的前提下，为集群中每架无人机规划出最优路径，实现任务效率最大化（如最短路径、最少能耗、最快完成时间）。针对传统路径规划算法在复杂场景（多障碍物、动态环境、多无人机协同）中优化精度低、收敛速度慢、易陷入局部最优等问题，本文引入5种优化算法——SFOA（果蝇优化算法）、APO（北极狐优化算法）、GOOSE（ Goose优化算法）、CO（布谷鸟优化算法）、PIO（鸽群优化算法），将其应用于无人机集群路径规划问题的求解。通过对5种算法的原理适配、参数改进、仿真实验与性能对比，筛选出适用于不同场景的最优路径规划算法，为无人机集群在侦察、救援、测绘等实际协同任务中的路径规划提供理论支撑与技术参考。
1 引言
1.1 研究背景与意义
随着无人机技术的快速发展，单架无人机已无法满足复杂任务的需求，无人机集群协同作业凭借其灵活性、高效性、冗余性等优势，被广泛应用于军事侦察、民用测绘、应急救援、物流配送等多个领域。路径规划作为无人机集群协同的前提与基础，直接决定了集群作业的效率、安全性与可靠性。
无人机集群路径规划区别于单无人机路径规划，需同时考虑多架无人机的路径协同性（避免路径冲突）、全局优化性（整体路径最优而非单架最优）以及动态环境适应性（如障碍物移动、任务目标变化），属于多目标、多约束、非线性的复杂优化问题。传统路径规划方法（如A*算法、Dijkstra算法）虽实现简单，但在处理多无人机协同、复杂约束场景时，易出现路径冗余、冲突频发、优化效果不佳等问题，难以满足实际作业需求。
智能优化算法凭借其强大的全局搜索、局部寻优能力以及对复杂非线性问题的适配性，成为无人机集群路径规划的研究热点。本文选取5种具有代表性的智能优化算法（SFOA、APO、GOOSE、CO、PIO），系统研究其在无人机集群路径规划中的应用，通过对比分析各算法的性能差异，为实际场景中的算法选型提供依据，具有重要的理论研究价值与工程应用意义。
1.2 国内外研究现状
目前，国内外学者已将多种智能优化算法应用于无人机集群路径规划研究中。布谷鸟优化算法（CO）凭借其搜索策略简单、收敛速度较快的优势，被广泛用于多无人机路径规划，通过改进其 Levy飞行参数，可提升路径避障精度；鸽群优化算法（PIO）基于信鸽归巢行为，具有较强的全局搜索能力，适用于大规模无人机集群的路径协同规划；果蝇优化算法（SFOA）结构简单、易实现，在单无人机路径规划中已得到初步应用，但在多无人机协同场景中的优化效果仍需改进；北极狐优化算法（APO）作为一种新型智能优化算法，基于北极狐的觅食与迁徙行为，具有较强的局部寻优能力和收敛稳定性，在复杂约束问题中表现突出；Goose优化算法（GOOSE）模拟大雁的集群飞行与协同觅食行为，天然适配多智能体协同问题，与无人机集群路径规划的协同需求高度契合。
现有研究多集中于单一算法的改进或两种算法的对比，针对上述5种算法在无人机集群路径规划中的系统对比研究较少，且未明确不同算法在不同场景（如障碍物密度、无人机数量、任务优先级）下的适配性。因此，本文开展5种优化算法的系统研究与对比，填补现有研究空白，为算法选型与改进提供参考。
1.3 研究内容与技术路线
1.3.1 研究内容
本文的核心研究内容围绕5种优化算法在无人机集群路径规划中的应用展开，具体包括以下4个方面：
无人机集群路径规划问题建模：明确无人机集群的飞行约束（避障约束、续航约束、协同约束、路径平滑约束），建立路径规划的优化目标函数（最短路径总长、最少能耗、最短任务时间、最小路径冲突），构建适用于5种优化算法求解的数学模型。
5种优化算法的原理适配与改进：针对无人机集群路径规划的数学模型，分析SFOA、APO、GOOSE、CO、PIO 5种算法的核心原理、搜索策略与参数特性，对算法进行适应性改进（如调整搜索步长、优化适应度函数、引入协同机制），使其适配多无人机协同路径规划的需求，避免路径冲突，提升优化效果。
仿真实验设计与实现：搭建无人机集群路径规划仿真平台，设置不同实验场景（低障碍物密度、中障碍物密度、高障碍物密度、不同无人机集群规模），将改进后的5种算法分别应用于各场景，记录算法的收敛速度、优化精度、路径长度、能耗、路径冲突率等性能指标。
算法性能对比与分析：基于仿真实验数据，从全局优化性、收敛速度、稳定性、抗干扰能力等方面，对5种算法的性能进行系统对比，分析各算法的优势与不足，明确不同场景下的最优算法选型方案，并提出算法进一步改进的方向。
1.3.2 技术路线
本文的技术路线可概括为：明确研究问题→构建数学模型→适配与改进算法→设计仿真实验→对比分析性能→得出研究结论。具体流程如下：首先，梳理无人机集群路径规划的研究背景与现状，明确研究目标与重难点；其次，建立无人机集群路径规划的数学模型，明确约束条件与优化目标；再次，针对5种优化算法进行原理分析与适应性改进，使其适配路径规划模型；然后，搭建仿真平台，设置不同实验场景，开展仿真实验并记录性能数据；最后，对比分析5种算法的性能差异，得出研究结论与应用建议。
1.4 研究重难点与创新点
1.4.1 研究重难点
本文的研究重点的是5种优化算法在无人机集群路径规划中的适配与改进，以及各算法的性能对比分析；研究难点在于如何构建贴合实际场景的多约束数学模型，如何改进算法以解决多无人机路径协同中的冲突问题，以及如何设计合理的实验场景，全面对比各算法的性能差异。
1.4.2 研究创新点
1. 系统对比SFOA、APO、GOOSE、CO、PIO 5种优化算法在无人机集群路径规划中的应用效果，填补现有研究中多算法系统对比的空白；2. 针对无人机集群的协同需求，对5种算法进行适应性改进，引入路径冲突避免机制，提升算法在多无人机协同场景中的适配性；3. 设计多场景（不同障碍物密度、不同集群规模）的仿真实验，全面分析各算法的性能差异，为实际场景中的算法选型提供精准参考。
2 无人机集群路径规划问题建模
3 5种优化算法原理与适配改进
3.1 果蝇优化算法（SFOA）
3.1.1 算法核心原理
果蝇优化算法（Fruit Fly Optimization Algorithm, SFOA）是基于果蝇的觅食行为提出的一种智能优化算法。果蝇具有敏锐的嗅觉和视觉，能够通过嗅觉感知食物的气味浓度，向气味浓度最高的方向飞行，再通过视觉定位食物位置，最终实现觅食目标。算法的核心思想是：将每只果蝇视为一个可行解，食物的气味浓度对应优化问题的适应度函数值，通过迭代更新果蝇的位置（可行解），逐步逼近最优解。
SFOA的基本迭代流程包括：初始化果蝇种群位置与参数→计算每只果蝇的气味浓度（适应度函数值）→筛选出气味浓度最高的果蝇（最优可行解）→更新种群位置，向最优果蝇靠拢→重复迭代，直至满足收敛条件。
3.1.2 算法适配与改进
针对无人机集群路径规划问题，对SFOA进行适应性改进，使其适配多约束、多无人机协同的需求：
可行解编码：将每只果蝇的位置编码为无人机集群的路径节点坐标，即每只果蝇对应一套完整的无人机集群路径方案（包含所有无人机的路径节点）。
适应度函数设计：结合优化目标与约束条件，构建适应度函数。将路径总长的倒数作为基础适应度值，同时引入惩罚因子，对违反避障、续航、协同约束的路径进行惩罚，降低其适应度值，确保可行解满足所有约束条件。
迭代策略改进：为避免SFOA易陷入局部最优的问题，引入自适应搜索步长，迭代初期采用较大步长，提升全局搜索能力；迭代后期减小步长，提升局部寻优精度，加快收敛速度。
3.2 北极狐优化算法（APO）
3.2.1 算法核心原理
北极狐优化算法（Arctic Fox Optimization, APO）是一种新型智能优化算法，模拟北极狐在极寒环境中的觅食与迁徙行为。北极狐具有较强的环境适应性，能够通过感知猎物的位置、利用环境中的冰洞等隐蔽场所，优化觅食路径，同时通过迁徙行为适应环境变化。算法的核心特点是：结合了全局探索（迁徙行为）与局部开发（觅食行为），具有较强的收敛稳定性和局部寻优能力。
APO的基本迭代流程包括：初始化北极狐种群（可行解）与参数→模拟北极狐的觅食行为，更新个体位置（局部开发）→模拟北极狐的迁徙行为，更新种群位置（全局探索）→计算适应度函数值，筛选最优解→重复迭代，直至满足收敛条件。
3.2.2 算法适配与改进
针对无人机集群路径规划的多约束特性，对APO的改进如下：
约束处理机制：在迭代过程中，对每一个可行解（北极狐位置）进行约束检测，若违反避障约束，采用“路径修正”策略，调整路径节点坐标，使其远离障碍物；若违反续航、协同约束，引入惩罚因子，降低适应度值。
适应度函数优化：结合路径总长、能耗、协同性三个优化目标，构建加权适应度函数，可根据实际任务需求调整各目标的权重，实现多目标优化。
迁徙策略改进：将无人机集群的协同约束融入迁徙策略中，确保迁徙过程中各无人机的路径协同性，避免路径冲突。
3.3 Goose优化算法（GOOSE）
3.3.1 算法核心原理
Goose优化算法（Goose Optimization Algorithm, GOOSE）模拟大雁的集群飞行与协同觅食行为，大雁在飞行过程中形成V型编队，通过协同配合减少飞行阻力，同时通过信息共享定位食物位置，具有较强的协同性和全局搜索能力。算法的核心思想是：将每只大雁视为一个可行解，编队飞行对应可行解的协同优化，通过信息共享与协同配合，逐步逼近全局最优解。
GOOSE的基本迭代流程包括：初始化大雁种群与编队参数→模拟大雁的编队飞行，更新个体位置（基于相邻大雁的信息共享）→模拟大雁的觅食行为，局部优化位置→计算适应度函数值，更新全局最优解→重复迭代，直至满足收敛条件。
3.3.2 算法适配与改进
GOOSE的协同特性与无人机集群路径规划的需求高度契合，适配改进重点如下：
编队飞行与路径协同：将大雁的编队飞行机制与无人机集群的路径协同约束相结合，每架无人机（大雁）的路径更新需参考相邻无人机的路径信息，确保无人机之间的安全距离，避免路径冲突。
信息共享机制优化：建立无人机路径信息共享池，每架无人机将自身的路径节点、适应度值等信息存入共享池，供其他无人机参考，提升算法的协同优化效率。
局部寻优改进：针对大雁觅食行为的局部搜索能力不足的问题，引入局部搜索算子，对每架无人机的路径进行局部优化，提升路径平滑度与优化精度。
3.4 布谷鸟优化算法（CO）
3.4.1 算法核心原理
布谷鸟优化算法（Cuckoo Optimization, CO），又称布谷鸟搜索算法（CS），基于布谷鸟的寄生繁殖行为提出，核心机制包括：布谷鸟通过产卵寄生在其他鸟类的巢穴中，部分鸟蛋会被宿主发现并丢弃，布谷鸟需重新寻找合适的巢穴；同时，布谷鸟的飞行路径遵循Levy飞行策略，具有随机游走特性，能够实现全局搜索。
CO的基本迭代流程包括：初始化布谷鸟种群（鸟蛋，可行解）与参数→基于Levy飞行策略，更新布谷鸟的产卵位置（可行解更新）→模拟宿主丢弃鸟蛋的行为，淘汰适应度较差的可行解→补充新的可行解，维持种群规模→计算适应度函数值，更新全局最优解→重复迭代，直至满足收敛条件。
3.4.2 算法适配与改进
针对无人机集群路径规划问题，对CO的改进如下：
Levy飞行参数调整：Levy飞行的步长直接影响算法的搜索能力，结合路径规划的优化目标，调整Levy飞行的步长参数，迭代初期增大步长，提升全局搜索能力，避免遗漏最优路径；迭代后期减小步长，提升局部寻优精度。
约束处理与可行解筛选：在可行解更新后，对每一个路径方案进行约束检测，淘汰违反避障、续航约束的可行解（类比宿主丢弃鸟蛋），同时补充满足约束条件的新可行解，确保种群中均为有效路径方案。
适应度函数改进：将路径总长、路径平滑度、协同性融入适应度函数，对路径平滑的方案给予更高的适应度值，提升无人机飞行的稳定性。
3.5 鸽群优化算法（PIO）
3.5.1 算法核心原理
鸽群优化算法（Pigeon-Inspired Optimization, PIO）基于信鸽的归巢行为提出，信鸽归巢过程中主要依靠地磁导航和地标导航，具有较强的全局搜索能力和收敛速度。算法的核心机制包括：地磁导航阶段（全局探索），信鸽根据地磁信息向目标方向飞行，实现全局搜索；地标导航阶段（局部开发），信鸽根据沿途地标信息，调整飞行路径，实现局部寻优。
PIO的基本迭代流程包括：初始化鸽群种群（可行解）与参数→地磁导航阶段，更新鸽群位置（全局探索）→筛选出适应度较好的鸽群，进入地标导航阶段→地标导航阶段，更新鸽群位置（局部开发）→计算适应度函数值，更新全局最优解→重复迭代，直至满足收敛条件。
3.5.2 算法适配与改进
PIO的导航机制与无人机路径规划的目标高度契合，适配改进重点如下：
导航阶段与路径规划结合：将PIO的地磁导航阶段对应无人机集群路径的全局探索，确保算法能够搜索到整个任务区域的可行路径；将地标导航阶段对应路径的局部优化，调整路径节点，优化路径长度与平滑度。
协同约束融入：在鸽群位置更新过程中，引入无人机集群的协同约束，确保每架无人机的路径更新参考集群的整体路径信息，避免路径冲突，实现协同飞行。
收敛速度优化：针对PIO在迭代后期收敛速度变慢的问题，引入自适应权重，迭代后期增大局部开发的权重，加快收敛速度，同时避免陷入局部最优。
4 结论与展望
4.1 研究结论
本文围绕无人机集群路径规划问题，引入SFOA、APO、GOOSE、CO、PIO 5种优化算法，通过问题建模、算法适配改进、仿真实验与性能对比，得出以下核心结论：
5种优化算法均可通过适应性改进，应用于无人机集群路径规划问题的求解，但性能差异显著，PIO算法的综合性能最优，APO算法次之，SFOA算法表现最差。
不同算法适用于不同的场景：PIO算法适用于中高复杂度、大规模集群场景；APO算法适用于高障碍物密度、动态环境场景；GOOSE算法适用于低中复杂度、小规模集群场景；CO算法适用于简单场景；SFOA算法仅适用于简单场景的基础路径规划。
通过对算法的参数改进与约束处理机制优化，可有效提升算法的优化精度、收敛速度与稳定性，使其更好地适配无人机集群路径规划的多约束、协同性需求。
4.2 研究不足与展望
本文的研究仍存在一些不足，未来可从以下几个方面开展进一步研究：
优化目标的扩展：本文主要采用单目标（路径总长最小化）优化模型，未来可构建多目标优化模型，综合考虑能耗、时间、任务优先级等多个目标，提升路径规划的实用性。
动态环境的适配：本文的仿真实验均基于静态障碍物场景，未来可引入动态障碍物（如移动车辆、飞行鸟类），研究算法在动态环境中的适应性，提升算法的实际应用能力。
算法的进一步改进：可将5种算法进行融合，构建混合优化算法（如PIO-APO混合算法），结合各算法的优势，进一步提升优化精度与收敛速度；同时，可引入深度学习等技术，实现路径规划的智能化、自适应优化。
实际场景的验证：本文的研究基于仿真实验，未来可搭建实际无人机集群测试平台，在真实场景中验证算法的有效性与可靠性，推动算法的工程化应用。
⛳️ 运行结果
🔗 参考文献
[1] 罗诚.无人机路径规划算法研究[D].复旦大学,2010.
[2] 蔺文轩,谢文俊,张鹏,等.基于分组优化改进粒子群算法的无人机三维路径规划[J].火力与指挥控制, 2023, 48(1):20-25.DOI:10.3969/j.issn.1002-0640.2023.01.004.
[3] 吴军.基于MOJS算法求解多无人机协同路径规划研究[J].技术与市场, 2025, 32(10):31-35.
📣 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
👇
