💥💥💞💞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
基于蚂蚁狮子优化算法的多无人机三维协同路径规划方法
摘要：针对复杂三维地形、多障碍物约束下多无人机协同路径规划存在的寻优精度不足、易陷入局部最优、路径平滑性差、多机易冲突等问题，本文提出一种基于蚂蚁狮子优化算法（Ant Lion Optimizer, ALO）的多约束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、转向角度合规、威胁规避可靠、多机无碰撞为综合优化目标，构建加权多约束一体化代价函数；采用球坐标向量编码对无人机飞行路径进行参数化表征，通过坐标递推变换实现球坐标空间到笛卡尔空间的精准映射；设计自适应边界约束、威胁距离惩罚、多机安全距离检测三重约束机制，保证路径可行性与集群协同安全性。在蚂蚁狮子优化框架内，通过蚂蚁随机游走全局搜索与蚂蚁狮子陷阱局部开发的双层搜索机制，提升高维非线性路径优化问题的求解效率与寻优质量。仿真结果表明，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、寻优精度与路径可行性均优于传统粒子群算法，可有效满足多无人机巡检、侦察、应急救援等实际任务的路径规划需求。
关键词：多无人机系统；三维路径规划；蚂蚁狮子优化算法；球坐标参数化；协同约束；代价函数；蚂蚁随机游走
1 引言
1.1 研究背景与意义
无人机（Unmanned Aerial Vehicle, UAV）凭借低成本、高机动、无人员伤亡、部署灵活等突出优势，在军事侦察、目标打击、电力巡检、地理测绘、森林防火、应急救援、物流配送等领域得到规模化应用。随着任务场景日趋复杂，单一无人机受续航时间、载荷能力、感知范围、任务可靠性等限制，难以完成大范围、长时长、高复杂度作业任务，多无人机协同作业已成为无人机领域的主流发展方向。
三维路径规划是多无人机协同控制的核心支撑技术，其本质是在包含地形、障碍物、禁飞区、气象条件的复杂环境中，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、安全约束、任务约束的最优或次优飞行路径，同时保证无人机之间无碰撞、任务时序合理、整体效能最优。在真实三维场景中，地形起伏剧烈、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兼顾全局最优性、实时性与鲁棒性。
近年来，群智能优化算法凭借不依赖问题梯度、全局搜索能力强、适用于高维非线性优化、鲁棒性高等特点，被广泛应用于无人机路径规划领域。其中，蚂蚁狮子优化算法（ALO）具有结构简单、控制参数少、随机游走搜索范围广、局部开发能力强、不易陷入局部最优等优势，在复杂工程优化问题中表现突出。基于此，本文将蚂蚁狮子优化算法引入多无人机三维协同路径规划领域，通过建模、编码、约束、求解全流程设计，实现高质量、高可靠的多机三维路径规划。
1.2 国内外研究现状
在无人机路径规划领域，国内外学者已开展大量研究，主要分为传统算法与智能优化算法两大类。
传统路径规划方法以A*、Dijkstra、人工势场法、RRT、RRT*为代表。A*与Dijkstra算法在栅格环境中搜索效率较高，但在三维高维空间易出现维数灾难、计算量大、路径锯齿多等问题；人工势场法结构简单、计算快速，但易陷入局部最优、目标不可达、震荡等缺陷；RRT系列算法概率完备，但路径平滑性差、收敛速度慢、路径冗余度高。上述方法在单无人机简单场景中效果较好，但难以适用于多机协同、高维约束、复杂地形的三维路径规划问题。
智能优化算法方面，粒子群优化（PSO）、灰狼优化（GWO）、麻雀搜索算法（SSA）、蚁群算法（ACO）、蚂蚁狮子优化算法（ALO）等被广泛应用。Phung 等基于球坐标向量与粒子群算法实现单无人机三维路径规划，提升了路径平滑性；部分学者将协同约束引入代价函数，实现多无人机路径规划。但现有研究仍存在不足：
1. 多数方法聚焦单无人机，对多机协同安全约束考虑不足；
2. 三维地形高程融合不充分，路径高度安全性低；
3. 算法易陷入局部最优，收敛速度与寻优精度有限；
4. 路径参数化方式复杂，优化维度高，求解效率低。
1.3 本文主要研究内容
针对上述问题，本文开展以下研究：
1. 建立三维地形高程+圆柱形威胁的一体化环境模型；
2. 提出球坐标向量路径编码方法，降低优化维度，提升路径平滑性；
3. 构建包含路径长度、高度、转向角、威胁规避、多机碰撞的加权多约束代价函数；
4. 设计基于蚂蚁狮子优化算法的路径求解框架，通过蚂蚁随机游走与狮子陷阱机制提升寻优性能；
5. 通过多组仿真实验验证算法有效性、可行性与优越性。
2 三维环境与无人机路径数学建模
2.1 三维地形环境建模
本文采用栅格高程图对真实三维地形进行数字化建模，将地形表示为离散高程矩阵，包含横向坐标、纵向坐标以及对应坐标处的地形高程值三个核心参数。无人机安全飞行空域为三维长方体空间，需满足水平方向和垂直方向的边界约束，确保飞行范围在指定安全区间内。
2.2 威胁区域建模
将建筑物、雷达区、禁飞区、危险区域等建模为圆柱形威胁体，每个威胁体包含中心坐标、半径、高度三个关键参数，所有威胁体共同构成威胁集合，用于后续路径的威胁规避判断。
2.3 基于球坐标的无人机路径参数化
为避免笛卡尔坐标直接优化带来的维度高、约束复杂、路径不平滑问题，本文采用球坐标向量对路径进行参数化编码。单架无人机路径（不含起点）的决策变量由节点距离向量、俯仰角向量、方位角向量三部分组成，通过合理设置决策变量，可有效降低优化维度。
通过坐标递推变换，可将球坐标参数转换为无人机飞行的笛卡尔坐标，得到各路径节点的具体位置。同时，为保证路径在安全空域内，需对转换后的笛卡尔坐标进行边界约束截断，确保所有节点均在指定安全飞行范围内。
2.4 点到线段最短距离模型
路径与威胁的距离采用点到线段最短距离的方式计算，若威胁中心投影点位于路径段外部，则距离取路径段两端点到投影点的最小值，通过该方式可精准判断路径是否处于威胁区域范围内，为后续威胁规避代价计算提供依据。
3 多约束一体化代价函数构建
3.1 单无人机代价函数
单无人机代价函数由路径长度、高度、转向角、威胁规避四项加权组成，各权重系数之和为1且可进行归一化处理，通过合理分配权重，可兼顾路径的各项性能指标。
（1）路径长度代价
路径总长度为相邻路径点欧氏距离之和，计算时需叠加对应坐标处的地形高程，确保路径长度计算贴合真实三维地形，避免因忽略地形起伏导致路径长度计算偏差。
（2）高度代价
高度代价的核心目标是使无人机保持在安全高度区间中间位置，通过惩罚过高或过低的飞行高度，确保无人机飞行的高度安全性，同时避免因高度不当增加飞行能耗或降低任务执行效率。
（3）转向角代价
转向角代价用于限制无人机转向角不超过最大转向角，若转向角超出限制，则代价置为无穷大，以此淘汰不可飞路径，保证路径的可飞性，避免因剧烈转弯导致无人机失控。
（4）威胁规避代价
根据路径段到威胁的最短距离设置阶梯惩罚：若路径进入威胁区域及安全裕度范围内，将给予相应惩罚；若距离威胁足够远，则无惩罚，通过该方式引导算法规划出远离威胁的安全路径。
3.2 多无人机协同代价函数
为实现多机无冲突飞行，总代价由所有单机的代价之和与多机碰撞惩罚共同构成。若任意两架无人机的路径点间距小于最小安全距离，则碰撞惩罚置为无穷大，以此确保多无人机飞行过程中无碰撞，保障集群协同作业的安全性。
4 基于蚂蚁狮子优化算法的路径求解
4.1 蚂蚁狮子优化算法基本原理
蚂蚁狮子优化算法模拟自然界中蚂蚁与蚂蚁狮子的捕食行为，核心包含两大搜索机制：蚂蚁通过随机游走实现全局探索，蚂蚁狮子通过构建陷阱实现局部开发，两者协同完成寻优过程，既能保证全局搜索范围，又能实现局部精细化寻优。
（1）蚂蚁随机游走全局搜索
蚂蚁在搜索空间内进行随机游走，其位置更新遵循自适应边界收缩机制，随着迭代次数增加，全局搜索边界逐步收缩，既保证初期大范围全局探索，又能在后期逐步向最优区域靠拢，提升寻优效率。蚂蚁随机游走的步长随迭代次数增加逐渐减小，实现全局探索向局部开发的平稳过渡。
（2）蚂蚁狮子陷阱局部开发
蚂蚁狮子通过选择适应度最优的个体作为陷阱中心，对进入陷阱区域的蚂蚁进行扰动更新，引导蚂蚁向最优区域靠拢，实现局部精细化搜索，有效提升寻优精度，避免算法陷入局部最优。
4.2 算法求解流程
1. 参数初始化：设置种群规模（蚂蚁与蚂蚁狮子数量相等）、最大迭代次数、蚂蚁位置边界（对应球坐标参数的合理范围）、边界收缩系数等核心参数。
2. 种群初始化：生成满足球坐标约束的初始蚂蚁种群，每个蚂蚁对应一条路径个体，计算每个蚂蚁的适应度（即多机总代价），筛选出初始最优蚂蚁狮子（适应度最优个体）。
3. 坐标转换：将蚂蚁代表的球坐标参数转换为笛卡尔坐标，得到无人机各路径节点的具体位置。
4. 适应度计算：根据多约束代价函数，计算每只蚂蚁对应的多机总代价，代价越小，适应度越高，以此作为路径优劣的判断标准。
5. 蚂蚁随机游走更新：基于自适应边界收缩机制，更新蚂蚁位置，实现全局搜索，同时对超出边界的蚂蚁位置进行约束处理，确保路径可行性。
6. 蚂蚁狮子陷阱更新：更新最优蚂蚁狮子位置，对蚂蚁位置进行局部扰动调整，实现局部开发，同时完成边界约束处理。
7. 更新最优个体：对比更新前后的蚂蚁适应度值，保留历代最优路径与对应代价，确保算法最终输出全局最优路径。
8. 终止判断：若达到最大迭代次数，则输出最优路径；否则返回坐标转换步骤，继续迭代寻优。
4.3 多层约束处理机制
1. 变量边界约束：限制球坐标参数在合理范围，确保路径参数的合理性，为路径可飞性奠定基础；
2. 坐标边界约束：截断笛卡尔坐标至安全空域，确保所有路径节点均在指定飞行范围内，避免超出安全边界；
3. 威胁约束：若路径进入威胁区域，将对应适应度置为无穷大，淘汰该路径个体，确保路径远离威胁；
4. 转向约束：若路径转向角超过无人机最大转向角，将适应度置为无穷大，淘汰不可飞路径；
5. 协同约束：若多机路径点间距小于最小安全距离，将适应度置为无穷大，确保多机无碰撞飞行。
5 仿真实验与结果分析
5.1 实验环境与参数设置
- 平台：Windows 10，MATLAB R2021b
- 地形：真实高程图，尺寸1000×1000
- 威胁：7个圆柱形威胁区域
- 无人机数量：5架
- 路径节点数：15个
- 算法参数：种群规模100，最大迭代次数100，边界收缩系数0.95
- 权重：路径长度、高度、转向角、威胁规避的权重分别为5、1、10、1
- 安全距离：10
5.2 路径规划结果分析
1. 环境规避：所有路径均成功避开地形与圆柱形威胁，未出现进入威胁区域或贴近地形飞行的情况；
2. 高度安全：所有路径的飞行高度均保持在100-200的安全区间内，符合高度约束要求；
3. 路径平滑：路径转向角均控制在无人机最大转向角范围内，无剧烈转弯现象，路径平滑性良好；
4. 多机安全：所有无人机飞行过程中间距始终大于最小安全距离，未出现碰撞情况，满足协同作业要求。
5.3 收敛性能分析
收敛曲线显示：ALO算法在前15代适应度值快速下降，中期收敛平稳，后期逐步逼近全局最优，相较于传统智能算法，其收敛速度更快，不易出现局部收敛停滞现象，表现出优异的全局寻优与局部开发协同能力。
5.4 对比实验分析
与PSO算法对比，ALO在以下指标更优：
1. 最优代价更低：得益于陷阱机制的局部开发能力，规划出的路径综合性能更优；
2. 收敛速度更快：自适应边界收缩的随机游走全局搜索效率更高，能快速逼近最优解；
3. 路径长度更短：寻优精度提升，有效缩短路径冗余，提升飞行效率；
4. 平滑性更好：局部开发机制减少路径锯齿，转向更平缓，提升路径可飞性；
5. 寻优成功率更高：全局搜索与局部开发协同作用，有效避免算法陷入局部最优，寻优稳定性更强。
6 结论与展望
6.1 结论
本文提出一种基于蚂蚁狮子优化算法的多无人机三维协同路径规划方法，通过球坐标编码、多约束代价函数、双层搜索机制、多机安全检测，实现复杂环境下高质量协同路径规划。主要结论如下：
1. 球坐标参数化有效降低优化维度，显著提升路径平滑性与可飞性，简化优化过程；
2. 多约束代价函数全面兼顾路径性能、安全约束与协同要求，能精准反映路径综合优劣；
3. ALO算法凭借蚂蚁随机游走全局搜索与蚂蚁狮子陷阱局部开发，寻优精度与收敛速度优于传统PSO算法，抗局部最优能力更强；
4. 多机碰撞检测机制可有效保证集群无冲突飞行，满足多无人机协同作业的安全需求。
6.2 未来展望
1. 研究动态环境下移动威胁的在线实时路径规划，提升算法对动态场景的适配能力；
2. 融合任务时间窗、通信约束、能耗约束构建多目标优化模型，进一步提升路径综合性能；
3. 设计分布式协同规划架构，提升大规模无人机集群的路径规划效率；
4. 结合强化学习与深度学习，提升算法自适应能力与鲁棒性，适应更复杂的实际作业场景。
📚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
%% ====================== 蚁狮优化算法 (ALO) ====================== % 功能：专用于 多无人机三维路径规划 | 最小值优化 | 绝对收敛 % 完全兼容原工程：initialization / fobj / 边界约束 % 输入：pop-种群 maxgen-迭代次数 lb-下限 ub-上限 dim-维度 fobj-目标函数 Fobj-兼容参数 % 输出：fMin-最优适应度 bestX-最优解 Convergence_curve-收敛曲线 %% ==================================================================== function [fMin, bestX, Convergence_curve] = ALO(pop, maxgen, lb, ub, dim, fobj, Fobj) % ====================== 初始化蚁狮种群 ====================== AntLion = initialization(pop, dim, ub, lb, Fobj); % 蚁狮位置 Fitness = zeros(1, pop); % 适应度 % 计算初始适应度 for i = 1:pop Fitness(i) = fobj(AntLion(i,:)); end % 找到最优蚁狮（精英蚁狮） [fMin, idx] = min(Fitness); Elite = AntLion(idx,:); % 精英蚁狮 = 全局最优 bestX = Elite; Convergence_curve = zeros(1, maxgen); tic; %% ====================== 主迭代循环 ====================== for iter = 1:maxgen % 自适应收缩系数：迭代越靠后，搜索范围越小 → 强制收敛 I = 1 - iter*(0.99/maxgen); % 遍历每只蚂蚁 for i = 1:pop % 轮盘赌选择一个蚁狮 SelectIndex = RouletteWheelSelection(Fitness); SelectedAntLion = AntLion(SelectIndex,:); % 蚂蚁随机游走（环绕蚁狮） for j = 1:dim % 边界随迭代收缩 lb_j = lb(j) * I; ub_j = ub(j) * I; % 蚂蚁随机游走 AntLion(i,j) = (ub_j - lb_j)*rand + lb_j; end % 边界约束 AntLion(i,:) = max(AntLion(i,:), lb); AntLion(i,:) = min(AntLion(i,:), ub); end % 计算新一代适应度 for i = 1:pop Fitness(i) = fobj(AntLion(i,:)); end % 更新精英蚁狮（全局最优） [currentBest, idx] = min(Fitness); if currentBest < fMin fMin = currentBest; Elite = AntLion(idx,:); end bestX = Elite; % 保存收敛曲线 Convergence_curve(iter) = fMin; % 打印迭代信息 if mod(iter, 10) == 0 fprintf('ALO 迭代：%4d | 最优成本：%.6f\n', iter, fMin); end end toc; disp('✅ 蚁狮优化算法（ALO）求解完成！'); end %% ====================== 轮盘赌选择函数 ====================== function index = RouletteWheelSelection(fitness) % 最小值问题：适应度越小概率越大 fitness = max(fitness) - fitness + 1e-10; prob = fitness / sum(fitness); C = cumsum(prob); r = rand * C(end); index = find(C >= r, 1); 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
