??作者簡介：熱愛科研的Matlab仿真開發(fā)者，修心和技術同步精進，

代碼獲取、論文復現(xiàn)及科研仿真合作可私信。

??個人主頁：Matlab科研工作室

??個人信條：格物致知。

更多Matlab完整代碼及仿真定制內(nèi)容點擊??

智能優(yōu)化算法?? ? ??神經(jīng)網(wǎng)絡預測?? ? ??雷達通信?? ? ?無線傳感器?? ? ? ?電力系統(tǒng)

信號處理?? ? ? ? ? ? ?圖像處理?? ? ? ? ? ? ??路徑規(guī)劃?? ? ??元胞自動機?? ? ? ?無人機

?? 內(nèi)容介紹

摘要

無人機三維路徑規(guī)劃是無人機自主飛行的關鍵技術之一。本文提出了一種基于 NSGA2、MPNDS、MPNDS2、BPNNIA、BPHEIA、BPAIMA 多種多目標優(yōu)化算法實現(xiàn)考慮無人機性能的復雜城市地形路徑規(guī)劃方法。該方法首先建立了無人機三維路徑規(guī)劃模型，然后利用 NSGA2、MPNDS、MPNDS2、BPNNIA、BPHEIA、BPAIMA 等多目標優(yōu)化算法對路徑規(guī)劃模型進行求解，最后對求解結(jié)果進行分析和比較。仿真結(jié)果表明，該方法能夠有效地解決無人機三維路徑規(guī)劃問題，并能夠滿足無人機性能要求。

1. 引言

無人機三維路徑規(guī)劃是無人機自主飛行的關鍵技術之一。無人機三維路徑規(guī)劃是指在三維空間中為無人機規(guī)劃一條從起點到終點的路徑，該路徑需要滿足一定的約束條件，如避障、能量消耗、飛行時間等。無人機三維路徑規(guī)劃問題是一個復雜的多目標優(yōu)化問題，需要考慮多個目標函數(shù)，如路徑長度、飛行時間、能量消耗等。

近年來，無人機三維路徑規(guī)劃問題引起了廣泛關注，并提出了多種求解方法。這些方法主要可以分為兩類：傳統(tǒng)方法和智能優(yōu)化算法。傳統(tǒng)方法包括貪婪算法、蟻群算法、粒子群算法等。智能優(yōu)化算法包括遺傳算法、進化算法、模擬退火算法等。

本文提出了一種基于 NSGA2、MPNDS、MPNDS2、BPNNIA、BPHEIA、BPAIMA 多種多目標優(yōu)化算法實現(xiàn)考慮無人機性能的復雜城市地形路徑規(guī)劃方法。該方法首先建立了無人機三維路徑規(guī)劃模型，然后利用 NSGA2、MPNDS、MPNDS2、BPNNIA、BPHEIA、BPAIMA 等多目標優(yōu)化算法對路徑規(guī)劃模型進行求解，最后對求解結(jié)果進行分析和比較。

2. 無人機三維路徑規(guī)劃模型

?3. 多目標優(yōu)化算法

多目標優(yōu)化算法是一種用于求解多目標優(yōu)化問題的算法。多目標優(yōu)化算法可以分為兩類：傳統(tǒng)方法和智能優(yōu)化算法。

傳統(tǒng)方法包括貪婪算法、蟻群算法、粒子群算法等。智能優(yōu)化算法包括遺傳算法、進化算法、模擬退火算法等。

本文采用 NSGA2、MPNDS、MPNDS2、BPNNIA、BPHEIA、BPAIMA 等多目標優(yōu)化算法對無人機三維路徑規(guī)劃模型進行求解。

?? 部分代碼

clear;clc;close all;rng defaultrng(11)addpath(genpath(pwd));%%data_2();data.alpha_trace = 60/360*(2*pi); % 偏航角data.beta_trace = 45/360*(2*pi); % 仰俯角data.map_size=map_size;data.P_crash = 3.42 * 10e-4; % 失控概率data.S_hit=0.0188; % m^2 撞擊面積data.R_I = 0.3;  % 阻力系數(shù)data.R_vf = 0.27; % 汽車風險data.alpha=10^6; % J 致死動能data.beta = 100; % J data.S_c = 0.5 ; % 遮蔽系數(shù)data.g = 9.8 ; % m/s^2data.IOT_pos=IOT_pos;data.m = 1380 ; % g (DJI Phantom4)data.rou_a = 1225 ; % g/m^3(大氣密度)data.miu = miu; % 樓高分布參數(shù)data.sigma = sigma; % 樓高分布參數(shù)data.v = 20; % 20m/sS=[1 1];E=[49 49]; % 起點終點 data.S = S;data.E = E;data.minh=bulid_xyz;data.maxh=141;Bound = E(1)-S(1);dim = Bound*2;data.Bound = Bound;data.map_step=map_step;data.populations_risk=populations_risk;data.road_risk=road_risk;%% pre-calystep = 3;pbase = ystep+1;for i = 1:2*ystep+1    pi = i - pbase;    can=[];    for j = -ystep:1:ystep        if acos([1,pi]*[1,j]'/sqrt(1+pi^2)/sqrt(1+(j)^2))<=data.alpha_trace            can=[can j];        end    end    canselect{i}=can;enddata.canselect = canselect;data.canselectp = pbase;%%tiledlayout(2,2);for h = 30:30:120    nexttile;    Risk_map = zeros(map_size);    Riskproperty_map = zeros(map_size);    for i=1:map_size(1)        for j =1:map_size(2)            Risk_map(i,j)=Risk_map(i,j)+getC_Risk(getR_pf(getV(h,data),data),populations_risk(i,j),data);            Risk_map(i,j)=Risk_map(i,j)+getC_Risk(data.R_vf,road_risk(i,j),data);        end    end    colormap('jet')    contourf(Risk_map)    colorbar;    title(['h=' num2str(h) 'm,' ' Risk of property=' num2str(getC_rpd(h,data))]);end%%problemList={@MPUAV1,@MPUAV2,@MPUAV3,@MPUAV4,@MPUAV5,@MPUAV6};maxiterList={40000,40000,40000,40000,40000,40000};problemMean=zeros(numel(problemList),6);problemStd=zeros(numel(problemList),6);data.lb = [ones(1,dim/2-1).*-1 ones(1,dim/2+1).*0];data.ub = [ones(1,dim/2-1).*ystep ones(1,dim/2+1).*1];data.dim = dim;temp.dec=0;temp.obj=0;for problemIndex= 1:numel(problemList)    TT=30;score=zeros(TT,6);% res_nsga=repmat(temp,1,numel(problemList));% res_nsga2=repmat(temp,1,numel(problemList));% res_mpnds=repmat(temp,1,numel(problemList));% res_mpnds2=repmat(temp,1,numel(problemList));% MPNNIA=repmat(temp,1,numel(problemList));% MPHEIA=repmat(temp,1,numel(problemList));% MPAIMA=repmat(temp,1,numel(problemList));%RS=1:31;RS(30)=[];parfor testtimes = 10:TTclose all;RANDSEED=testtimes;testfit = problemList{problemIndex};popnum=105;maxiter=maxiterList{problemIndex};%% NSGA2rng default;rng(RANDSEED);test_case={@OptAll,testfit,popnum,1,1,maxiter,dim};for i =1:numel(test_case)/7var={'-algorithm',test_case{i,1},'-problem',test_case{i,2},'-N',test_case{i,3},'-save',test_case{i,4},'-run',test_case{i,5}, ...,                        '-evaluation',test_case{i,6},'-D',test_case{i,7},'-data',data};Global = GLOBAL(var{:});Global.Start();endPopulation = MPSELECT(Global.result{2},100,2);[Population2,FrontNo,~] = NDSELECT(Global.result{2},100);Population2=Population2(FrontNo==1);res_nsgadec=reshape([Population.dec],dim,[])';res_nsgaobj=reshape([Population.obj],size(Population(1).obj,2),[])';res_nsga2dec=reshape([Population2.dec],dim,[])';res_nsga2obj=reshape([Population2.obj],size(Population(1).obj,2),[])';%% MPNDSrng default;rng(RANDSEED);test_case={@OptMPNDS,testfit,popnum,1,1,maxiter,dim};for i =1:numel(test_case)/7var={'-algorithm',test_case{i,1},'-problem',test_case{i,2},'-N',test_case{i,3},'-save',test_case{i,4},'-run',test_case{i,5}, ...,                        '-evaluation',test_case{i,6},'-D',test_case{i,7},'-data',data};Global = GLOBAL(var{:});Global.Start();endPopulation= MPSELECT(Global.result{2},100,2);res_mpndsdec=reshape([Population.dec],dim,[])';res_mpndsobj=reshape([Population.obj],size(Population(1).obj,2),[])';%% MPNDS2 rng default;rng(RANDSEED);test_case={@OptMPNDS2,testfit,popnum,1,1,maxiter,dim};for i =1:numel(test_case)/7var={'-algorithm',test_case{i,1},'-problem',test_case{i,2},'-N',test_case{i,3},'-save',test_case{i,4},'-run',test_case{i,5}, ...,                        '-evaluation',test_case{i,6},'-D',test_case{i,7},'-data',data};Global = GLOBAL(var{:});Global.Start();endPopulation= MPSELECT(Global.result{2},100,2);res_mpnds2dec=reshape([Population.dec],dim,[])';res_mpnds2obj=reshape([Population.obj],size(Population(1).obj,2),[])';%% MPNNIArng default;rng(RANDSEED);%popnum = 210;%maxiter=20000;test_case={@MPNNIA,testfit,popnum,1,1,maxiter,dim};for i =1:numel(test_case)/7var={'-algorithm',test_case{i,1},'-problem',test_case{i,2},'-N',test_case{i,3},'-save',test_case{i,4},'-run',test_case{i,5}, ...,                        '-evaluation',test_case{i,6},'-D',test_case{i,7},'-data',data};Global = GLOBAL(var{:});Global.Start();endPopulation= MPSELECT(Global.result{2},100,2);MPNNIAdec=reshape([Population.dec],dim,[])';MPNNIAobj=reshape([Population.obj],size(Population(1).obj,2),[])';%% MPHEIArng default;rng(RANDSEED);%popnum = 210;%maxiter=20000;test_case={@MPHEIA,testfit,popnum,1,1,maxiter,dim};for i =1:numel(test_case)/7var={'-algorithm',test_case{i,1},'-problem',test_case{i,2},'-N',test_case{i,3},'-save',test_case{i,4},'-run',test_case{i,5}, ...,                        '-evaluation',test_case{i,6},'-D',test_case{i,7},'-data',data};Global = GLOBAL(var{:});Global.Start();endPopulation= MPSELECT(Global.result{2},100,2);MPHEIAdec=reshape([Population.dec],dim,[])';MPHEIAobj=reshape([Population.obj],size(Population(1).obj,2),[])';%% MPAIMArng default;rng(RANDSEED);%popnum = 210;%maxiter=20000;test_case={@MPAIMA,testfit,popnum,1,1,maxiter,dim};for i =1:numel(test_case)/7var={'-algorithm',test_case{i,1},'-problem',test_case{i,2},'-N',test_case{i,3},'-save',test_case{i,4},'-run',test_case{i,5}, ...,                        '-evaluation',test_case{i,6},'-D',test_case{i,7},'-data',data};Global = GLOBAL(var{:});Global.Start();endPopulation= MPSELECT(Global.result{2},100,2);MPAIMAdec=reshape([Population.dec],dim,[])';MPAIMAobj=reshape([Population.obj],size(Population(1).obj,2),[])';%%allsol = [res_nsgaobj;res_mpndsobj;res_mpnds2obj;MPNNIAobj;MPHEIAobj;MPAIMAobj];nsga_hv = MPHV(res_nsgaobj,allsol,2);mpnds_hv = MPHV(res_mpndsobj,allsol,2);mpnds2_hv = MPHV(res_mpnds2obj,allsol,2);MPNNIA_hv = MPHV(MPNNIAobj,allsol,2);MPHEIA_hv = MPHV(MPHEIAobj,allsol,2);MPAIMA_hv = MPHV(MPAIMAobj,allsol,2);score(testtimes,:)=[nsga_hv mpnds_hv mpnds2_hv MPNNIA_hv MPHEIA_hv MPAIMA_hv];endproblemMean(problemIndex,:)= mean(score)clear varproblemStd(problemIndex,:)=var(score)end% problemMean =% %     0.0483    0.0682    0.0696    0.0519    0.0673    0.0807%     0.0533    0.1022    0.1051    0.0726    0.1102    0.1106%     0.0519    0.0843    0.0785    0.0610    0.0899    0.0914%     0.0494    0.0589    0.0523    0.0424    0.0539    0.0663%     0.0439    0.0744    0.0771    0.0518    0.0775    0.0788%     0.0369    0.0615    0.0572    0.0403    0.0598    0.0640% % % problemStd =% %     0.0003    0.0002    0.0002    0.0003    0.0004    0.0004%     0.0009    0.0007    0.0006    0.0007    0.0009    0.0010%     0.0006    0.0004    0.0004    0.0005    0.0005    0.0006%     0.0007    0.0003    0.0004    0.0005    0.0005    0.0004%     0.0006    0.0007    0.0007    0.0009    0.0012    0.0008%     0.0004    0.0004    0.0003    0.0003    0.0003    0.0005% problemMean =% %     0.0485    0.0681    0.0689    0.0669    0.0698    0.0800%     0.0530    0.1021    0.1038    0.1042    0.1013    0.1108%     0.0505    0.0817    0.0757    0.0830    0.0795    0.0891%     0.0488    0.0580    0.0513    0.0445    0.0448    0.0654%     0.0451    0.0770    0.0793    0.0636    0.0657    0.0803%     0.0362    0.0610    0.0565    0.0539    0.0533    0.0641% % % problemStd =% %     0.0003    0.0002    0.0003    0.0003    0.0003    0.0004%     0.0009    0.0007    0.0006    0.0012    0.0008    0.0009%     0.0005    0.0004    0.0004    0.0004    0.0004    0.0006%     0.0007    0.0003    0.0004    0.0004    0.0005    0.0004%     0.0007    0.0006    0.0007    0.0009    0.0010    0.0008%     0.0004    0.0005    0.0004    0.0004    0.0004    0.0005

?? 運行結(jié)果

4. 仿真結(jié)果

本文對提出的方法進行了仿真實驗。仿真實驗在 MATLAB 平臺上進行。仿真實驗結(jié)果表明，該方法能夠有效地解決無人機三維路徑規(guī)劃問題，并能夠滿足無人機性能要求。

圖 1 給出了無人機三維路徑規(guī)劃的仿真結(jié)果。從圖 1 可以看出，該方法能夠規(guī)劃出一條從起點到終點的路徑，該路徑能夠避開障礙物，并且能夠滿足無人機性能要求。

圖 2 給出了無人機三維路徑規(guī)劃的仿真結(jié)果。從圖 2 可以看出，該方法能夠規(guī)劃出一條從起點到終點的路徑，該路徑能夠避開障礙物，并且能夠滿足無人機性能要求。

圖 3 給出了無人機三維路徑規(guī)劃的仿真結(jié)果。從圖 3 可以看出，該方法能夠規(guī)劃出一條從起點到終點的路徑，該路徑能夠避開障礙物，并且能夠滿足無人機性能要求。

5. 結(jié)論

本文提出了一種基于 NSGA2、MPNDS、MPNDS2、BPNNIA、BPHEIA、BPAIMA 多種多目標優(yōu)化算法實現(xiàn)考慮無人機性能的復雜城市地形路徑規(guī)劃方法。該方法首先建立了無人機三維路徑規(guī)劃模型，然后利用 NSGA2、MPNDS、MPNDS2、BPNNIA、BPHEIA、BPAIMA 等多目標優(yōu)化算法對路徑規(guī)劃模型進行求解，最后對求解結(jié)果進行分析和比較。仿真結(jié)果表明，該方法能夠有效地解決無人機三維路徑規(guī)劃問題，并能夠滿足無人機性能要求。文章來源地址http://www.zghlxwxcb.cn/news/detail-820966.html

?? 參考文獻

?? 部分理論引用網(wǎng)絡文獻，若有侵權(quán)聯(lián)系博主刪除

?? ?關注我領取海量matlab電子書和數(shù)學建模資料

?? ?私信完整代碼、論文復現(xiàn)、期刊合作、論文輔導及科研仿真定制

1 各類智能優(yōu)化算法改進及應用

生產(chǎn)調(diào)度、經(jīng)濟調(diào)度、裝配線調(diào)度、充電優(yōu)化、車間調(diào)度、發(fā)車優(yōu)化、水庫調(diào)度、三維裝箱、物流選址、貨位優(yōu)化、公交排班優(yōu)化、充電樁布局優(yōu)化、車間布局優(yōu)化、集裝箱船配載優(yōu)化、水泵組合優(yōu)化、解醫(yī)療資源分配優(yōu)化、設施布局優(yōu)化、可視域基站和無人機選址優(yōu)化

2 機器學習和深度學習方面

卷積神經(jīng)網(wǎng)絡（CNN）、LSTM、支持向量機（SVM）、最小二乘支持向量機（LSSVM）、極限學習機（ELM）、核極限學習機（KELM）、BP、RBF、寬度學習、DBN、RF、RBF、DELM、XGBOOST、TCN實現(xiàn)風電預測、光伏預測、電池壽命預測、輻射源識別、交通流預測、負荷預測、股價預測、PM2.5濃度預測、電池健康狀態(tài)預測、水體光學參數(shù)反演、NLOS信號識別、地鐵停車精準預測、變壓器故障診斷

2.圖像處理方面

圖像識別、圖像分割、圖像檢測、圖像隱藏、圖像配準、圖像拼接、圖像融合、圖像增強、圖像壓縮感知

3 路徑規(guī)劃方面

旅行商問題（TSP）、車輛路徑問題（VRP、MVRP、CVRP、VRPTW等）、無人機三維路徑規(guī)劃、無人機協(xié)同、無人機編隊、機器人路徑規(guī)劃、柵格地圖路徑規(guī)劃、多式聯(lián)運運輸問題、車輛協(xié)同無人機路徑規(guī)劃、天線線性陣列分布優(yōu)化、車間布局優(yōu)化

4 無人機應用方面

無人機路徑規(guī)劃、無人機控制、無人機編隊、無人機協(xié)同、無人機任務分配、無人機安全通信軌跡在線優(yōu)化

5 無線傳感器定位及布局方面

傳感器部署優(yōu)化、通信協(xié)議優(yōu)化、路由優(yōu)化、目標定位優(yōu)化、Dv-Hop定位優(yōu)化、Leach協(xié)議優(yōu)化、WSN覆蓋優(yōu)化、組播優(yōu)化、RSSI定位優(yōu)化

6 信號處理方面

信號識別、信號加密、信號去噪、信號增強、雷達信號處理、信號水印嵌入提取、肌電信號、腦電信號、信號配時優(yōu)化

7 電力系統(tǒng)方面

微電網(wǎng)優(yōu)化、無功優(yōu)化、配電網(wǎng)重構(gòu)、儲能配置

8 元胞自動機方面

交通流 人群疏散 病毒擴散 晶體生長

9 雷達方面

卡爾曼濾波跟蹤、航跡關聯(lián)、航跡融合

到了這里，關于【無人機三維路徑規(guī)劃算法】基于NSGA2 MPNDS MPNDS2 BPNNIA BPHEIA BPAIMA多種多目標優(yōu)化算法實現(xiàn)考慮無人機性能的復雜城市地形路徑規(guī)劃的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！