多目标粒子群优化算法MOPSO与多目标螳螂搜索算法MOMSA求解无人机三维路径规划（MATLAB代码）

一、无人机多目标优化模型

无人机三维路径规划是无人机在执行任务过程中的非常关键的环节，无人机三维路径规划的主要目的是在满足任务需求和自主飞行约束的基础上，计算出发点和目标点之间的最佳航路。

1.1路径成本

无人机三维路径规划的首要目标是寻找起飞点和目标点之间最短路程的飞行路径方案。一般地，记无人机的飞行路径点为 $W_{i j}=\left(x_{i j}, y_{i j}, z_{i j}\right)$ 即在第 $i$ 条飞行路径中第 $j$ 个路径点的无人机三维空间位置，则整条飞行路径 $X_{i}$ 可表示为包含 $n$ 个路径点的三维数组。将 2 个路径点之间的欧氏距离记作路径段 $\left\|\overrightarrow{W_{i j} W_{i, j+1}}\right\|$ ，则与无人机飞行路径成本函数 $F_{1}$ 为:
$F_{1}\left(X_{i}\right)=\sum_{j=1}^{n-1}\left\|\overrightarrow{W_{i j} W_{i, j+1}}\right\|$

1.2障碍物威胁成本

无人机通过躲避障碍物来确保安全作业航迹。设定障碍物威胁区为圆柱体形式，其投影如下图所示，记圆柱体中心坐标为 $C_{k}$ ，半径为 $R_{k}$ ，则无人机的避障威胁成本与其路径段 $\left\|\overrightarrow{W_{i j} W_{i, j+1}}\right\|$ 和障碍物中心 $C_{k}$ 的距离 $d_{k}$ 成反比。

在这里插入图片描述

将飞行环境下的障碍物威胁区集合记作 $T$ ，则与无人机避障威胁相关的成本函数 $F_{2}$ 为:
$F_{2}\left(X_{i}\right)=\sum_{j=1}^{n-1} \sum_{k=1}^{K} T_{k}\left(\overrightarrow{W_{i j} W_{i, j+1}}\right)$
其中：
$T_{k}\left(\overrightarrow{W_{i j} W_{i, j+1}}\right)=\left\{\begin{array}{ll} 0 & \left(d_{k}>R_{k}\right) \\ \left(R_{k}/d_{k}\right) & \left(0<d_{k}<R_{k}\right) \\ \infty & \left(d_{k}=0\right) \end{array}\right.$

1.3飞行高度威胁成本

无人机的飞行高度通常受到最小高度 $h_{min}$ 和最大高度 $h_{max}$ 的约束限制，如下图所示，其中 $T_{ij}$ 为地形的高度， $Z_{ij}$ 为无人机相对于海平面的高度。
在这里插入图片描述

将无人机在路径点 $W_{ij}$ 处距离基准地形地面的高度记作 $h_{ij}$ ，即 $Z_{ij}$ 和 $T_{ij}$ 的差，则与无人机当前路径点 $W_{ij}$ 相关的成本函数 $H_{ij}$ 为:
$H_{i j}=\left\{\begin{array}{ll} \gamma_{h}\left(h_{i j}-h_{\max }\right) & \left(h_{i j}>h_{\max }\right) \\ 0 & \left(h_{\min }<h_{i j}<h_{\max }\right) \\ \gamma_{h}\left(h_{\min }-h_{i j}\right) & \left(0<h_{i j}<h_{\min }\right) \\ \infty & \left(h_{i j}<0\right) \end{array}\right.$
同时，将无人机飞行高度超出约束限制条件的惩罚系数记作 $γ_{h}$ ，则与无人机飞行路径相关的成本函数 $F_{3}$ 为:
$F_{3}\left(X_{i}\right)=\sum_{j=1}^{n} H_{i j}$

1.4飞行转角威胁成本

无人机的飞行转角控制参数主要包括水平转弯角和竖直俯仰角，这 2 个参数变量必须符合无人机的实际转角约束限制，否则航迹规划模型无法生成具有可行性的飞行路径。如下图所示， $\left\|\overrightarrow{W_{i j} W_{i, j+1}}\right\|$ 和 $\left\|\overrightarrow{W_{i j+1} W_{i, j+2}}\right\|$ 表示无人机飞行路径中的 2 个连续路径段， $\overrightarrow{W_{i j}^{\prime} W_{i, j+1}^{\prime}}$ 和 $\overrightarrow{W_{i j+1}^{\prime} W_{i, j+2}^{\prime}}$ 是其在xoy 平面的投影。
在这里插入图片描述

记𝒌为轴正方向的单位向量，则 $\overrightarrow{W_{i j+1}^{\prime} W_{i, j+2}^{\prime}}$ 的计算式和水平转弯角 $α_{ij}$ 、竖直俯仰角 $β_{i,j+1}$ 计算式为：
$\begin{array}{c} \overrightarrow{W_{i j}^{\prime} W_{i, j+1}^{\prime}}=\boldsymbol{k} \times\left(\overrightarrow{W_{i j} W_{i, j+1}} \times \boldsymbol{k}\right) \\ \alpha_{i j}=\arctan \left(\frac{\overrightarrow{W_{i j}^{\prime} W_{i, j+1}^{\prime}} \times \overline{W_{i, j+1}^{\prime} W_{i, j+2}^{\prime}}}{\overrightarrow{W_{i j}^{\prime} W_{i, j+1}^{\prime}} \cdot \overline{W_{i, j+1}^{\prime} W_{i, j+2}^{\prime}}}\right) \\ \beta_{i j}=\arctan \left(\frac{z_{i, j+1}-z_{i j}}{\left\|\overrightarrow{W_{i j}^{\prime} W_{i, j+1}^{\prime}}\right\|}\right) \end{array}$
同时，将无人机的水平转弯角和竖直俯仰角超出约束限制条件的惩罚系数分别记作 $a_{1}=1$ 和 $a_{2}=1$ ，则与无人机飞行转角相关的成本函数 $F_{4}$ 为:
$F_{4}\left(X_{i}\right)=a_{1} \sum_{j=1}^{n-2} \alpha_{i j}+a_{2} \sum_{j=1}^{n-1}\left|\beta_{i j}-\beta_{i, j-1}\right|$

1.5无人机三维路径规划的目标函数

综合考虑与无人机飞行路径 $X_{i}$ 相关的最短路径成本、最小威胁成本，以及飞行高度成本和飞行转角成本等限制，基于多因素约束的多目标函数构建如下：其中第一个目标函数 $f_{1}$ 为最短路径成本，第二个目标函数 $f_{2}$ 为最小威胁成本，为障碍物威胁成本、飞行高度威胁成本和飞行转角威胁成本的总和，具体定义如下为:
$f_{1}\left(X_{i}\right)=F_{1}\left(X_{i}\right)$
$f_{2}\left(X_{i}\right)=F_{2}\left(X_{i}\right)+F_{3}\left(X_{i}\right)+F_{4}\left(X_{i}\right)$

参考文献：
[1]吕石磊,范仁杰,李震,陈嘉鸿,谢家兴.基于改进蝙蝠算法和圆柱坐标系的农业无人机航迹规划[J].农业机械学报:1-19

[2]褚宏悦,易军凯.无人机安全路径规划的混沌粒子群优化研究[J].控制工程:1-8

[3]MD Phung, Ha Q P . Safety-enhanced UAV Path Planning with Spherical Vector-based Particle Swarm Optimization: 2021.

[4]陈明强,李奇峰,冯树娟等.基于改进粒子群算法的无人机三维航迹规划[J].无线电工程,2023,53(02):394-400.

[5]徐建新,孙纬,马超.基于改进粒子群算法的无人机三维路径规划[J].电光与控制:1-10

[6]骆文冠,于小兵.基于强化学习布谷鸟搜索算法的应急无人机路径规划[J].灾害学:1-10

[7]陈先亮,黄元君,范勤勤.基于多模态多目标进化算法的无人机三维路径规划[J].火力与指挥控制, 2023(11):32-39.

二、算法介绍

（1）多目标粒子群优化算法MOPSO

多目标粒子群优化（Multi-objective Particle Swarm Optimization, MOPSO）是一种基于群体智能的优化算法，用于解决具有多个目标函数的问题，常见于工程设计、机器学习等领域。MOPSO的主要特点是同时优化多个目标而非单一目标，通过引入“个体最优解”和“种群最优解”两个概念。

算法描述：

初始化：创建一组随机粒子（每个粒子代表一个解），并赋予它们各自的适应度值。
速度更新：每个粒子的速度由其个人历史最佳位置（pbest）和个人当前位置（position）以及全局最佳位置（gbest）决定。
移动策略：根据当前速度和边界条件更新粒子的位置。
更新适应度：计算每个粒子的新适应度值，这通常是根据多个目标函数的加权组合或其他评估方法。
情况检查：比较当前的种群最优解是否优于旧的种群最优解，如果更优则更新。

算法流程：

创建粒子集合，设定个体适应度评估函数。
对每个粒子初始化位置、速度以及个体和种群最优解。
进行迭代循环，直到达到预设的停止条件（如最大迭代次数或满足精度要求）。
a. 更新粒子速度和位置。
b. 计算每个粒子的新适应度值。
c. 更新个体和种群最优解。
保存和返回所有粒子的解决方案构成的 Pareto 面，这是多目标优化的结果。

在这里插入图片描述

（2）多目标螳螂搜索算法MOMSA

多目标螳螂搜索算法（Multi-objective Mantis Search Algorithm ，MOMSA）由Mohammed Jameel和Mohamed Abouhawwash于2024年提出，其灵感来自于螳螂独特的狩猎行为和性同类相食行为。所提出的 MOMSA 算法采用相同的底层 MSA 收敛机制，并结合精英非支配排序方法来估计帕累托最优解。此外，MOMSA采用拥挤距离机制来增强最优解对所有目标的覆盖范围。
在这里插入图片描述

参考文献：

[1]Mohammed Jameel, Mohamed Abouhawwash,Multi-objective Mantis Search Algorithm (MOMSA): A novel approach for engineering design problems and validation,Computer Methods in Applied Mechanics and Engineering,Volume 422,2024,116840,ISSN 0045-7825,https://doi.org/10.1016/j.cma.2024.116840.

三、两种算法求解无人机路径规划

3.1部分代码

close all
clear
clc
dbstop if all error
addpath("./MOPSO/")
addpath("./MOMSA/")

global model
model = CreateModel(); % 创建模型
MultiObj= fun_info();%获取无人机模型信息
params.maxgen=300;  % 最大迭代次数
params.Np=100;      % 种群大小
params.Nr=200;      %外部存档大小（不得小于种群大小）
colormapStr=othercolor(72);
[Xbest1,Fbest1] = MOPSO(params,MultiObj);
Result1=plotFigure(Xbest1,Fbest1,'MOPSO',colormapStr);
[Xbest2,Fbest2] = MOMSA(params,MultiObj);
Result2=plotFigure(Xbest2,Fbest2,'MOMSA',colormapStr);
%% 画图pareto前沿图
gca1=figure(1);
plot(Fbest1(:,1),Fbest1(:,2),'r*');
hold on
plot(Fbest2(:,1),Fbest2(:,2),'go');
xlabel('路径成本')
ylabel('威胁成本')
legend('MOPSO','MOMSA')