?博主簡介：熱愛科研的Matlab仿真開發(fā)者，修心和技術(shù)同步精進，Matlab項目合作可私信。
??個人主頁：海神之光
??代碼獲取方式：
海神之光Matlab王者學(xué)習(xí)之路—代碼獲取方式
??座右銘：行百里者，半于九十。

更多Matlab仿真內(nèi)容點擊??
Matlab圖像處理（進階版）
路徑規(guī)劃（Matlab）
神經(jīng)網(wǎng)絡(luò)預(yù)測與分類（Matlab）
優(yōu)化求解（Matlab）
語音處理（Matlab）
信號處理（Matlab）
車間調(diào)度（Matlab）

?一、蜣螂算法無人機避障三維航跡規(guī)劃簡介

1 無人機航跡規(guī)劃問題的數(shù)學(xué)模型
建立三維航跡規(guī)劃問題的數(shù)學(xué)模型時, 不但考慮無人機基本約束, 還考慮復(fù)雜的飛行環(huán)境, 包括山體地形和雷暴威脅區(qū)。

1.1 無人機基本約束
規(guī)劃的無人機三維航跡, 通常需要滿足一些基本約束, 包括最大轉(zhuǎn)彎角、最大爬升角或下滑角、最小航跡段長度、最低和最高飛行高度, 以及最大航跡長度等約束。其中, 最大轉(zhuǎn)彎角約束, 是指無人機只能在水平面內(nèi)小于或等于指定的最大轉(zhuǎn)彎角內(nèi)轉(zhuǎn)彎;最大爬升角或下滑角約束, 是指無人機只能在垂直平面內(nèi)小于或等于指定的最大爬升角或下滑角內(nèi)爬升或下滑;最小航跡段長度約束, 要求無人機改變飛行姿態(tài)之前, 按目前的航跡方向飛行的最短航程;最低和最高飛行高度約束, 要求無人機在指定的飛行高度區(qū)間飛行;最大航跡長度約束, 是指無人機的航跡長度小于或等于指定的閾值。

記q (x, y, z, θ, ψ) 為無人機的飛行位置與姿態(tài), 其中, (x, y, z) 為無人機的位置, θ為無人機的水平轉(zhuǎn)彎角, ψ為無人機的豎直爬升角或下滑角, 進而建立上述基本約束的數(shù)學(xué)表達式。

1.2 飛行環(huán)境障礙物和威脅區(qū)建模
在飛行環(huán)境中, 高聳的山體近似采用圓錐體等效表示, 用以e為底的自然指數(shù)圖形生成, 那么, 山體地形可以通過多個位置不同的圓錐體疊加而成。若將參考海拔基準高度設(shè)置為xOy平面, 記 (x, y, z) 為山體地形中的點, 那么

式中:N為山體個數(shù);xk0和yk0為第k座山體中心對稱軸的橫坐標(biāo)和縱坐標(biāo);hk為第k座山體的最大高度;xki和yki為第k座山體的橫向斜度和縱向斜度。

在飛行環(huán)境中, 山體附近通常存在雷暴等極端氣象, 本文視為飛行威脅區(qū), 并通過球體近似等效表示, 且記第k座山體附近飛行威脅區(qū)的球心坐標(biāo)為 (xks0, yks0, zks0) , 半徑為rk。

1.3 目標(biāo)函數(shù)及航跡表示
在本文中, 執(zhí)行任務(wù)的某型無人機, 其航跡規(guī)劃的目標(biāo)函數(shù)是生成一條由起始點到目標(biāo)點的無碰撞可行航跡。采用q (x, y, z, θ, ψ) 表示無人機在飛行空域中某特定位置的特定姿態(tài), 那么 (x, y, z) 則表示無人機所在航跡點, θ表示無人機的水平轉(zhuǎn)彎角, ψ表示無人機的豎直爬升角或下滑角。采用r (q) 表示由起始點qinitial到目標(biāo)點qgoal的無碰撞可行航跡, 那么航跡規(guī)劃的過程可以寫成如下形式:

2 蜣螂算法
摘要：蜣螂優(yōu)化算法( Dung beetle optimizer, DBO), 是由 Jiankai Xue 等于2022 年提出的一種群體智能優(yōu)化算法。其靈感來源于蜣螂的生物行為過程，具有尋優(yōu)能力強，收斂速度快的特點。
眾所周知，蜣螂是自然界中一種常見的昆蟲，動物的糞便為食，在全世界內(nèi)分布廣泛，扮演著自然界中分解者的角色，對生態(tài)系統(tǒng)平衡起著至關(guān)重要的作用。蜣螂有一個有趣的習(xí)慣，它們會把糞便捏成球，然后把它滾出來，目的是能夠盡可能快速、有效地移動糞球，防止被其他蜣螂搶奪。蜣螂的可以利用天體線索(特別是太陽、月亮和偏振光)來導(dǎo)航，讓糞球沿著直線滾動，如果完全沒有光源(也就是在完全黑暗的環(huán)境中)，蜣螂的就不再走直線，而是彎曲的，有時甚至略圓，有很多因素(如風(fēng)、地面不平)都會導(dǎo)致蜣螂偏離原來的方向，蜣螂在滾糞球的過程如遇到障礙物而無法前進時，通常會爬到糞球上面"跳舞"(包括一系列的旋轉(zhuǎn)和停頓)，決定它們的運動方向。

從蜣螂的習(xí)性中觀察發(fā)現(xiàn)，其獲取糞球主要有以下兩個目的：①用來產(chǎn)卵和養(yǎng)育下一代；②作為食物。蜣螂會把糞球埋起來，雌性蜣螂會在糞球里產(chǎn)卵，糞球不僅是蜣螂幼蟲的發(fā)育場所，也是必需的食物。所以，糞球?qū)︱掾氲纳嫫鹬豢商娲淖饔谩?/p>

本位介紹了一種新的群體智能優(yōu)化算法------DBO（Dung beetle optimizer）技術(shù)，其靈感主要來源于蜣螂的滾球、跳舞、覓食、偷竊、和繁殖等行為。

2.1 結(jié)構(gòu)和算法
根據(jù)上面的討論，蜣螂在滾動過程中需要通過天體線索導(dǎo)航，以保持糞球在直線路徑上滾動。為了模擬滾球行為，要求蜣螂在整個搜索空間中沿著給定的方向移動。蜣螂的運動軌跡如圖1所示。在圖1中，蜣螂利用太陽來導(dǎo)航，其中紅色箭頭表示的是滾動的方向,同時，我們假設(shè)光源的強度也會影響蜣螂的路徑。

2.2 計算步驟
DBO 算法作為一種新穎的基于 SI 的優(yōu)化技術(shù), 主要有六個步驟:
(1) 初始化蜣螂群和 DBO 算法的參數(shù);
(2) 根據(jù)目標(biāo)函數(shù)計算出所有目標(biāo)代理的適應(yīng)度值;
(3) 更新所有蟯螂的位置;
(4) 判斷每個目標(biāo)代理是否超出邊界;
(5) 更新當(dāng)前最優(yōu)解及其適應(yīng)度值;
(6) 重復(fù)上述步驟, 直到 t 滿足終止準則, 輸出全局最優(yōu)解及其適應(yīng)度值。

?二、部分源代碼

close all
clear
clc
dbstop if all error
global model
model = CreateModel(); % 創(chuàng)建模型
F=‘F1’;
[Xmin,Xmax,dim,fobj] = fun_info(F);%獲取函數(shù)信息
pop=40;%種群大小(可以自己修改)
maxgen=150;%最大迭代次數(shù)(可以自己修改)
[fMin,bestX,ConvergenceCurve] = DBO(pop, maxgen,Xmin,Xmax,dim,fobj);

%% 計算無人機的相關(guān)信息
N=length(bestX)/(3model.n);%無人機的數(shù)量
St=1;
for i=1:N %計算每個無人機的適應(yīng)度值
Et=St+3model.n-1;
Xbest=bestX(St:Et);
BestPosition(i,:) = SphericalToCart(Xbest);%% 計算航跡坐標(biāo)
BestFit(i)=MyCost(Xbest,1);%% 計算每個無人機的適應(yīng)度值
UAVfit(i,:)=MyCost(Xbest,2);
St=Et+1;
end

%% 保存結(jié)果
save BestPosition BestPosition %每個無人機的航跡坐標(biāo)
save BestFit BestFit %每個無人機的總成本
save UAVfit UAVfit % 每個無人機的四個成本
save ConvergenceCurve ConvergenceCurve % 無人機集群的成本隨迭代次數(shù)的變化

%% 畫圖
ColStr={‘r-.’,‘g–’,‘b-.’,‘c–’,‘m-.’};%顏色
LegendStr={‘UAV1’,‘UAV2’,‘UAV3’,‘UAV4’,‘UAV5’};

%圖1 算法收斂曲線圖
gca1=figure(1);
plot(ConvergenceCurve,‘g-’,‘linewidth’,1.5)
xlabel(‘迭代次數(shù)’);
ylabel(‘全部無人機總成本’);
legend(‘DBO’)

%圖2和圖3 無人機軌跡圖
gca2=figure(2);
gca3=figure(3);
[h11,h12]=PlotSolution(BestPosition(1,:),model,ColStr{1},gca2,gca3);
[h21,h22]=PlotSolution(BestPosition(2,:),model,ColStr{2},gca2,gca3);
[h31,h32]=PlotSolution(BestPosition(3,:),model,ColStr{3},gca2,gca3);
[h41,h42]=PlotSolution(BestPosition(4,:),model,ColStr{4},gca2,gca3);
[h51,h52]=PlotSolution(BestPosition(5,:),model,ColStr{5},gca2,gca3);
legend([h11,h21,h31,h41,h51],LegendStr,‘location’,‘NorthWest’);
legend([h12,h22,h32,h42,h52],LegendStr,‘location’,‘NorthWest’);
% colormapStr=othercolor(61);
% colormap(gca2,colormapStr);
% colormap(gca3,colormapStr);

figure
bar(BestFit)
set(gca,‘xtick’,1:1:5);
set(gca,‘XTickLabel’,LegendStr)
ylabel(‘總成本’)

figure
bar(UAVfit);
set(gca,‘XTickLabel’,LegendStr)
legend(‘路徑成本’,‘威脅成本’,‘高度成本’,‘轉(zhuǎn)角成本’)

figure
bar(UAVfit,“stacked”);
set(gca,‘XTickLabel’,LegendStr)
legend(‘路徑成本’,‘威脅成本’,‘高度成本’,‘轉(zhuǎn)角成本’)

figure
bar(UAVfit’);
set(gca,‘xtick’,1:1:4);
set(gca,‘XTickLabel’,{‘路徑成本’,‘威脅成本’,‘高度成本’,‘轉(zhuǎn)角成本’})
legend(LegendStr)

% saveas(gca2,‘Figure.fig’);%將圖二保存
% openfig(‘Figure.fig’);
% view(2)

?三、運行結(jié)果

?四、matlab版本及參考文獻

1 matlab版本
2014a

2 參考文獻
[1]田疆,李二超.用于無人機三維航跡規(guī)劃改進連接型快速擴展隨機樹算法[J].航空工程進展. 2018,9(04)
[2]陳明強,李奇峰,馮樹娟等.基于改進粒子群算法的無人機三維航跡規(guī)劃[J].無線電工程,2023,53(02):394-400.
[3]徐建新,孫緯,馬超.基于改進粒子群算法的無人機三維路徑規(guī)劃[J/OL].電光與控制:1-10

3 備注
簡介此部分摘自互聯(lián)網(wǎng)，僅供參考，若侵權(quán)，聯(lián)系刪除

?? 仿真咨詢
1 各類智能優(yōu)化算法改進及應(yīng)用
1.1 PID優(yōu)化
1.2 VMD優(yōu)化
1.3 配電網(wǎng)重構(gòu)
1.4 三維裝箱
1.5 微電網(wǎng)優(yōu)化
1.6 優(yōu)化布局
1.7 優(yōu)化參數(shù)
1.8 優(yōu)化成本
1.9 優(yōu)化充電
1.10 優(yōu)化調(diào)度
1.11 優(yōu)化電價
1.12 優(yōu)化發(fā)車
1.13 優(yōu)化分配
1.14 優(yōu)化覆蓋
1.15 優(yōu)化控制
1.16 優(yōu)化庫存
1.17 優(yōu)化路由
1.18 優(yōu)化設(shè)計
1.19 優(yōu)化位置
1.20 優(yōu)化吸波
1.21 優(yōu)化選址
1.22 優(yōu)化運行
1.23 優(yōu)化指派
1.24 優(yōu)化組合
1.25 車間調(diào)度
1.26 生產(chǎn)調(diào)度
1.27 經(jīng)濟調(diào)度
1.28 裝配線調(diào)度
1.29 水庫調(diào)度
1.30 貨位優(yōu)化
1.31 公交排班優(yōu)化
1.32 集裝箱船配載優(yōu)化
1.33 水泵組合優(yōu)化
1.34 醫(yī)療資源分配優(yōu)化
1.35 可視域基站和無人機選址優(yōu)化

2 機器學(xué)習(xí)和深度學(xué)習(xí)分類與預(yù)測
2.1 機器學(xué)習(xí)和深度學(xué)習(xí)分類
2.1.1 BiLSTM雙向長短時記憶神經(jīng)網(wǎng)絡(luò)分類
2.1.2 BP神經(jīng)網(wǎng)絡(luò)分類
2.1.3 CNN卷積神經(jīng)網(wǎng)絡(luò)分類
2.1.4 DBN深度置信網(wǎng)絡(luò)分類
2.1.5 DELM深度學(xué)習(xí)極限學(xué)習(xí)機分類
2.1.6 ELMAN遞歸神經(jīng)網(wǎng)絡(luò)分類
2.1.7 ELM極限學(xué)習(xí)機分類
2.1.8 GRNN廣義回歸神經(jīng)網(wǎng)絡(luò)分類
2.1.9 GRU門控循環(huán)單元分類
2.1.10 KELM混合核極限學(xué)習(xí)機分類
2.1.11 KNN分類
2.1.12 LSSVM最小二乘法支持向量機分類
2.1.13 LSTM長短時記憶網(wǎng)絡(luò)分類
2.1.14 MLP全連接神經(jīng)網(wǎng)絡(luò)分類
2.1.15 PNN概率神經(jīng)網(wǎng)絡(luò)分類
2.1.16 RELM魯棒極限學(xué)習(xí)機分類
2.1.17 RF隨機森林分類
2.1.18 SCN隨機配置網(wǎng)絡(luò)模型分類
2.1.19 SVM支持向量機分類
2.1.20 XGBOOST分類

2.2 機器學(xué)習(xí)和深度學(xué)習(xí)預(yù)測
2.2.1 ANFIS自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測
2.2.2 ANN人工神經(jīng)網(wǎng)絡(luò)預(yù)測
2.2.3 ARMA自回歸滑動平均模型預(yù)測
2.2.4 BF粒子濾波預(yù)測
2.2.5 BiLSTM雙向長短時記憶神經(jīng)網(wǎng)絡(luò)預(yù)測
2.2.6 BLS寬度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)預(yù)測
2.2.7 BP神經(jīng)網(wǎng)絡(luò)預(yù)測
2.2.8 CNN卷積神經(jīng)網(wǎng)絡(luò)預(yù)測
2.2.9 DBN深度置信網(wǎng)絡(luò)預(yù)測
2.2.10 DELM深度學(xué)習(xí)極限學(xué)習(xí)機預(yù)測
2.2.11 DKELM回歸預(yù)測
2.2.12 ELMAN遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測
2.2.13 ELM極限學(xué)習(xí)機預(yù)測
2.2.14 ESN回聲狀態(tài)網(wǎng)絡(luò)預(yù)測
2.2.15 FNN前饋神經(jīng)網(wǎng)絡(luò)預(yù)測
2.2.16 GMDN預(yù)測
2.2.17 GMM高斯混合模型預(yù)測
2.2.18 GRNN廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測
2.2.19 GRU門控循環(huán)單元預(yù)測
2.2.20 KELM混合核極限學(xué)習(xí)機預(yù)測
2.2.21 LMS最小均方算法預(yù)測
2.2.22 LSSVM最小二乘法支持向量機預(yù)測
2.2.23 LSTM長短時記憶網(wǎng)絡(luò)預(yù)測
2.2.24 RBF徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)預(yù)測
2.2.25 RELM魯棒極限學(xué)習(xí)機預(yù)測
2.2.26 RF隨機森林預(yù)測
2.2.27 RNN循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測
2.2.28 RVM相關(guān)向量機預(yù)測
2.2.29 SVM支持向量機預(yù)測
2.2.30 TCN時間卷積神經(jīng)網(wǎng)絡(luò)預(yù)測
2.2.31 XGBoost回歸預(yù)測
2.2.32 模糊預(yù)測
2.2.33 奇異譜分析方法SSA時間序列預(yù)測

2.3 機器學(xué)習(xí)和深度學(xué)習(xí)實際應(yīng)用預(yù)測
CPI指數(shù)預(yù)測、PM2.5濃度預(yù)測、SOC預(yù)測、財務(wù)預(yù)警預(yù)測、產(chǎn)量預(yù)測、車位預(yù)測、蟲情預(yù)測、帶鋼厚度預(yù)測、電池健康狀態(tài)預(yù)測、電力負荷預(yù)測、房價預(yù)測、腐蝕率預(yù)測、故障診斷預(yù)測、光伏功率預(yù)測、軌跡預(yù)測、航空發(fā)動機壽命預(yù)測、匯率預(yù)測、混凝土強度預(yù)測、加熱爐爐溫預(yù)測、價格預(yù)測、交通流預(yù)測、居民消費指數(shù)預(yù)測、空氣質(zhì)量預(yù)測、糧食溫度預(yù)測、氣溫預(yù)測、清水值預(yù)測、失業(yè)率預(yù)測、用電量預(yù)測、運輸量預(yù)測、制造業(yè)采購經(jīng)理指數(shù)預(yù)測

3 圖像處理方面
3.1 圖像邊緣檢測
3.2 圖像處理
3.3 圖像分割
3.4 圖像分類
3.5 圖像跟蹤
3.6 圖像加密解密
3.7 圖像檢索
3.8 圖像配準
3.9 圖像拼接
3.10 圖像評價
3.11 圖像去噪
3.12 圖像融合
3.13 圖像識別
3.13.1 表盤識別
3.13.2 車道線識別
3.13.3 車輛計數(shù)
3.13.4 車輛識別
3.13.5 車牌識別
3.13.6 車位識別
3.13.7 尺寸檢測
3.13.8 答題卡識別
3.13.9 電器識別
3.13.10 跌倒檢測
3.13.11 動物識別
3.13.12 二維碼識別
3.13.13 發(fā)票識別
3.13.14 服裝識別
3.13.15 漢字識別
3.13.16 紅綠燈識別
3.13.17 虹膜識別
3.13.18 火災(zāi)檢測
3.13.19 疾病分類
3.13.20 交通標(biāo)志識別
3.13.21 卡號識別
3.13.22 口罩識別
3.13.23 裂縫識別
3.13.24 目標(biāo)跟蹤
3.13.25 疲勞檢測
3.13.26 旗幟識別
3.13.27 青草識別
3.13.28 人臉識別
3.13.29 人民幣識別
3.13.30 身份證識別
3.13.31 手勢識別
3.13.32 數(shù)字字母識別
3.13.33 手掌識別
3.13.34 樹葉識別
3.13.35 水果識別
3.13.36 條形碼識別
3.13.37 溫度檢測
3.13.38 瑕疵檢測
3.13.39 芯片檢測
3.13.40 行為識別
3.13.41 驗證碼識別
3.13.42 藥材識別
3.13.43 硬幣識別
3.13.44 郵政編碼識別
3.13.45 紙牌識別
3.13.46 指紋識別

3.14 圖像修復(fù)
3.15 圖像壓縮
3.16 圖像隱寫
3.17 圖像增強
3.18 圖像重建

4 路徑規(guī)劃方面
4.1 旅行商問題（TSP）
4.1.1 單旅行商問題（TSP）
4.1.2 多旅行商問題（MTSP）
4.2 車輛路徑問題（VRP）
4.2.1 車輛路徑問題（VRP）
4.2.2 帶容量的車輛路徑問題（CVRP）
4.2.3 帶容量+時間窗+距離車輛路徑問題（DCTWVRP）
4.2.4 帶容量+距離車輛路徑問題（DCVRP）
4.2.5 帶距離的車輛路徑問題（DVRP）
4.2.6 帶充電站+時間窗車輛路徑問題（ETWVRP）
4.2.3 帶多種容量的車輛路徑問題（MCVRP）
4.2.4 帶距離的多車輛路徑問題（MDVRP）
4.2.5 同時取送貨的車輛路徑問題（SDVRP）
4.2.6 帶時間窗+容量的車輛路徑問題（TWCVRP）
4.2.6 帶時間窗的車輛路徑問題（TWVRP）
4.3 多式聯(lián)運運輸問題

4.4 機器人路徑規(guī)劃
4.4.1 避障路徑規(guī)劃
4.4.2 迷宮路徑規(guī)劃
4.4.3 柵格地圖路徑規(guī)劃

4.5 配送路徑規(guī)劃
4.5.1 冷鏈配送路徑規(guī)劃
4.5.2 外賣配送路徑規(guī)劃
4.5.3 口罩配送路徑規(guī)劃
4.5.4 藥品配送路徑規(guī)劃
4.5.5 含充電站配送路徑規(guī)劃
4.5.6 連鎖超市配送路徑規(guī)劃
4.5.7 車輛協(xié)同無人機配送路徑規(guī)劃

4.6 無人機路徑規(guī)劃
4.6.1 飛行器仿真
4.6.2 無人機飛行作業(yè)
4.6.3 無人機軌跡跟蹤
4.6.4 無人機集群仿真
4.6.5 無人機三維路徑規(guī)劃
4.6.6 無人機編隊
4.6.7 無人機協(xié)同任務(wù)
4.6.8 無人機任務(wù)分配

5 語音處理
5.1 語音情感識別
5.2 聲源定位
5.3 特征提取
5.4 語音編碼
5.5 語音處理
5.6 語音分離
5.7 語音分析
5.8 語音合成
5.9 語音加密
5.10 語音去噪
5.11 語音識別
5.12 語音壓縮
5.13 語音隱藏

6 元胞自動機方面
6.1 元胞自動機病毒仿真
6.2 元胞自動機城市規(guī)劃
6.3 元胞自動機交通流
6.4 元胞自動機氣體
6.5 元胞自動機人員疏散
6.6 元胞自動機森林火災(zāi)
6.7 元胞自動機生命游戲

7 信號處理方面
7.1 故障信號診斷分析
7.1.1 齒輪損傷識別
7.1.2 異步電機轉(zhuǎn)子斷條故障診斷
7.1.3 滾動體內(nèi)外圈故障診斷分析
7.1.4 電機故障診斷分析
7.1.5 軸承故障診斷分析
7.1.6 齒輪箱故障診斷分析
7.1.7 三相逆變器故障診斷分析
7.1.8 柴油機故障診斷

7.2 雷達通信
7.2.1 FMCW仿真
7.2.2 GPS抗干擾
7.2.3 雷達LFM
7.2.4 雷達MIMO
7.2.5 雷達測角
7.2.6 雷達成像
7.2.7 雷達定位
7.2.8 雷達回波
7.2.9 雷達檢測
7.2.10 雷達數(shù)字信號處理
7.2.11 雷達通信
7.2.12 雷達相控陣
7.2.13 雷達信號分析
7.2.14 雷達預(yù)警
7.2.15 雷達脈沖壓縮
7.2.16 天線方向圖
7.2.17 雷達雜波仿真

7.3 生物電信號
7.3.1 肌電信號EMG
7.3.2 腦電信號EEG
7.3.3 心電信號ECG
7.3.4 心臟仿真

7.4 通信系統(tǒng)
7.4.1 DOA估計
7.4.2 LEACH協(xié)議
7.4.3 編碼譯碼
7.4.4 變分模態(tài)分解
7.4.5 超寬帶仿真
7.4.6 多徑衰落仿真
7.4.7 蜂窩網(wǎng)絡(luò)
7.4.8 管道泄漏
7.4.9 經(jīng)驗?zāi)B(tài)分解
7.4.10 濾波器設(shè)計
7.4.11 模擬信號傳輸
7.4.12 模擬信號調(diào)制
7.4.13 數(shù)字基帶信號
7.4.14 數(shù)字信道
7.4.15 數(shù)字信號處理
7.4.16 數(shù)字信號傳輸
7.4.17 數(shù)字信號去噪
7.4.18 水聲通信
7.4.19 通信仿真
7.4.20 無線傳輸
7.4.21 誤碼率仿真
7.4.22 現(xiàn)代通信
7.4.23 信道估計
7.4.24 信號檢測
7.4.25 信號融合
7.4.26 信號識別
7.4.27 壓縮感知
7.4.28 噪聲仿真
7.4.29 噪聲干擾

7.5 無人機通信

7.6 無線傳感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度預(yù)估
7.6.3 濾波跟蹤
7.6.4 目標(biāo)定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法優(yōu)化定位
7.6.5 組合導(dǎo)航

8 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)、儲能配置文章來源地址http://www.zghlxwxcb.cn/news/detail-854466.html

到了這里，關(guān)于【DBO三維路徑規(guī)劃】基于matlab蜣螂算法DBO多無人機協(xié)同集群避障路徑規(guī)劃（目標(biāo)函數(shù)：最低成本：路徑、高度、威脅、轉(zhuǎn)角）【含Matlab源碼 4124期】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(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！