简介本资源面向智能优化与无人机协同控制领域的科研人员、研究生及算法工程师聚焦多无人机在三维复杂环境下的路径协同规划问题提供基于新型群智能算法——螳螂虾优化算法MShOA的完整实现方案。资源以单个HTML文件形式封装体积仅10KB内容涵盖算法原理简述、三维路径建模方法、多机避障与任务分配策略、Matlab核心代码结构说明及关键参数设置建议便于快速理解算法逻辑与工程落地要点。HTML文档采用模块化排版包含可视化路径效果图示意、伪代码流程图及可直接调用的函数接口说明支持读者复现结果并开展二次开发。目前已有25人学习下载适合作为智能算法应用入门、课程设计参考或科研原型验证的轻量级技术资料。1. 为什么是多无人机协同三维路径规划问题拆解与算法选型1.1 多无人机协同的复杂度比你想象的高先说一个我在实际项目中反复体会到的结论单机三维路径规划已经不算太难了真正让人头疼的是多机协同。单机时你只需要考虑怎么从A点到B点且不撞山、不撞楼、油耗别太离谱但一旦变成多机问题维度直接翻倍——不仅要保证每架无人机自己的航迹可行还要保证机与机之间在时间和空间上不冲突同时还得考虑任务点分配、机间通信拓扑、甚至某些无人机挂掉之后任务的重新分配。在做这个项目之前我用过粒子群、遗传算法、灰狼优化这些经典群体智能算法做单机路径规划效果不能说差但在多机协同场景下它们普遍暴露出两个问题一是后期收敛速度慢种群很容易在局部最优附近停滞二是协同变量耦合时容易震荡因为传统的个体更新策略里各架无人机的航迹是独立进化的只在最终适应度评估时才把协同惩罚项加进去这导致算法常常前面大步跑、后面发现撞机了再回退整体效率非常低。后来我把目光投向了螳螂虾算法ShOAShrimp Optimization Algorithm也常写作MShOA或螳螂虾觅食算法。这个算法是近年来提出的一种新型元启发式算法灵感来自螳螂虾的两种典型行为视觉搜索猎物的螺旋逼近策略和快速出击的爆发式攻击策略。我第一次读到原始论文时的第一反应是这玩意儿不就是把螺旋搜索和Levy飞行拼一起了吗但真正把它改造成多无人机协同路径规划的核心求解器之后我才意识到这算法的设计其实非常巧妙——它的两种搜索模式天然适配全局探索局部开发的平衡需求而这种平衡恰好是多机协同规划中最紧缺的。1.2 从ShOA到MShOA仿生机制到底改进了什么这里要澄清一个容易混淆的点。很多人以为基于螳螂虾算法MShOA里的M是改良版Modified的意思其实在多数Matlab开源实现和论文里MShOA和ShOA经常混用M可以理解为螳螂虾Mantis Shrimp的缩写所以MShOA更准确的翻译是螳螂虾优化算法。当然也确实存在一些改进版实现比如引入混沌映射初始化、加入自适应权重等具体取决于你下载的代码版本。螳螂虾的核心捕猎行为可以分成两个阶段搜索阶段视觉探测螳螂虾用复眼扫描猎物在三维空间中形成一条对数螺旋线逐步逼近。这一阶段负责全局探索让解个体在解空间中大范围铺开。攻击阶段爆发打击螳螂虾的螯足能在极短时间内弹出速度极快在水中可达每秒23米。这一阶段负责局部开发让个体在已发现的好解附近快速精修。这两个阶段的切换在原始算法中由随机概率控制但实际做多无人机规划时我发现如果只靠随机切换算法前期容易过早进入攻击阶段导致早熟。所以在我的Matlab实现里做了一点改造让模式切换概率随进化代数自适应变化前期多用搜索阶段保持种群多样性后期多用攻击阶段加快收敛。这个改动我把参数定为迭代前 1/3探索概率为0.7攻击概率0.3迭代中 1/3探索概率0.5攻击概率0.5迭代后 1/3探索概率0.3攻击概率0.7。实测下来同样是300次迭代跑三维地图这种自适应切换策略的最终航迹代价比固定概率要低8%到12%。1.3 这个场景下为什么值得选MShOA而不是其他算法多无人机协同三维路径规划这个问题的难点有三个我分别对比说明一下为什么MShOA在这些点上表现更突出难点遗传算法(GA)粒子群(PSO)灰狼优化(GWO)MShOA大规模环境下全局探索中等变异算子随机性大有效搜索占比低早期探索好后期易聚集依赖α狼引导易被单个优秀个体带偏螺旋搜索覆盖面广探索阶段维持较长多机协同约束处理交叉变异后大量非法解修复成本高容易在协同惩罚项和高航迹质量目标间振荡收敛快但跳出局部最优能力弱攻击阶段局部精修能力强能有效压低惩罚项实现复杂度需要精心设计编码与交叉算子代码简单调参友好代码简单但多样性不足代码量适中两阶段机制清晰这里我不是说MShOA在所有场景下都碾压其他算法——如果你做的是二维平面单机路径规划PSO加上一个合适的惩罚函数已经很好用了。但如果是多无人机协同、三维地形、还要考虑时间协同MShOA的先广撒网、后精准打击的机制更贴合问题特性这也是我最终选定它的原因。2. 三维路径规划的数学模型从问题到可解的形式2.1 环境建模栅格法与地形代价函数的构建搞算法之前先把地图建好。我的做法是经典的三维栅格法假设规划空间是一个矩形区域比如10km × 10km × 1km的空间在Matlab中用三维数组表示每个格点记录该位置是否可通行以及通行代价。实践中我推荐将栅格分辨率设为50m到100m。为什么不是越高越好因为三维栅格的数量和分辨率呈三次方关系分辨率从100m提高到50m栅格数量变为原来的8倍。这意味着每评估一次航迹代价计算量至少翻几倍。而MShOA这类群智能算法动辄要迭代几百次、种群几十个个体的航迹样本栅格太细会直接拖垮仿真速度。地形建模时我通常用三维数字高程模型DEM数据Matlab里可以用surf函数直接可视化。如果你的实验没有真实DEM数据可以用一个带随机起伏的数学曲面近似模拟% 生成模拟三维地形 [X, Y] meshgrid(0:100:10000, 0:100:10000); Z 300 * sin(X/1500) .* cos(Y/1200) 200 * sin(X/800) 150 * cos(Y/1000); Z max(Z, 0);注意这个地形生成公式虽然简单但能模拟出较为自然的起伏特征。如果你只关心算法本身用peaks函数生成的地形也行不过peaks的范围太小不适合模拟大尺度航迹规划。代价函数的设计是路径规划的核心。我的航迹总代价由四部分组成航迹长度代价F1所有航迹段的欧氏距离之和等价于飞行距离。地形威胁代价F2航迹点高度与地形高程的差值低于安全高度就罚越贴近地面罚得越狠。飞行姿态代价F3相邻航迹段的转弯角和俯仰角过大时产生惩罚防止规划出骤升骤降或急转弯的物理不可飞行轨迹。协同代价F4多机之间的碰撞代价和任务时间协同偏差。总代价公式为Cost w1*F1 w2*F2 w3*F3 w4*F4权重系数在我的实验中取值为w11.0, w22.5, w31.2, w42.0。这个取值不是拍脑袋定的——如果w2太小算法倾向于贴着山脊飞w4太小则无人机之间容易出现碰撞风险。你可以根据具体任务场景调整但建议先以这组参数起步。2.2 航迹表示方式从栅格序列到控制点插值在编码层面有个关键问题MShOA算法里的个体螳螂虾到底代表什么答案是一组控制点序列。把三维空间里从起点到终点的航迹用N个中间控制点的三维坐标表示每个个体就对应一个N×3的矩阵MShOA的搜索就是调整这组控制点的坐标使得整体代价最小。但直接让算法去调整每个栅格点是不现实的——栅格点太多搜索空间维度爆炸。我在实际实现中是这么做的先在地图上确定起点和终点坐标。在起终点之间生成N个控制点N一般取5~10。对控制点坐标进行编码每个控制点有(x, y, z)三个变量。对控制点做三次样条插值或B样条插值得到平滑的航迹曲线。将这条曲线离散化为航迹点序列代入代价函数评估。用样条插值的好处是算法只需要优化少量控制点但得到的航迹是连续可飞的。如果你直接把每个航迹点都当变量来优化假设一条航迹需要100个点单架无人机就需要优化300个变量5架就是1500维——这个搜索空间对MShOA来说太大了收敛会很困难。2.3 约束处理安全高度、禁飞区与机间距离数学模型只有一个代价函数还不够因为路径规划本质是带约束的优化问题。我的约束处理方式是惩罚函数硬性修正双管齐下安全高度约束每个航迹点高度必须高于该点地形高程加上安全裕度比如50m。如果低于直接在该点加一个巨大的惩罚值等于告诉算法这条路走不通。禁飞区约束把禁飞区近似为圆柱体或长方体判断航迹点是否落入禁飞区。落入则惩罚而惩罚的力度应该随侵入深度的增加而增加让算法知道不仅不能进去最好也别靠近。机间最小安全距离约束这是多机协同的关键约束要求在任意时刻任意两架无人机的距离必须大于设定的最小安全距离比如200m。由于航迹点是在离散时间序列上采样我们可以按时间同步检查两两飞机同一时刻的位置。关于约束惩罚我强烈建议不要在罚函数里用固定常量。一个更好的做法是动态罚函数——进化初期罚函数权重小一些让种群在多约束空间里充分探索进化后期逐渐加大惩罚权重逼着算法找可行解。具体实现时可以把惩罚权重设计成迭代次数的线性递增函数。这样做的好处是避免了最优解被卡在不可行域边界我在实验中用这个方法显著提高了可行解的找到率。3. MShOA协同搜索机制多无人机如何共享信息3.1 螳螂虾捕猎行为的数学表达MShOA的种群更新数学表达我简化成两个核心公式。搜索阶段对数螺旋逼近X_new X_prey r * exp(b * theta) * cos(2 * pi * theta)其中X_prey是当前已知的最优猎物位置即历史最优解r是步长系数b是螺旋形状参数一般取1theta是[0, 2π]之间的随机角度。这个公式让个体绕猎物做螺旋运动实现全局范围内的大范围搜索。攻击阶段爆发式打击X_new X_prey Levy(λ) * (X_prey - X_current)其中Levy(λ)是Levy飞行随机数它有两个特性大概率是小步长用于局部精修偶尔出现大步长用于跳出局部最优。这个特性非常像螳螂虾的攻击——平时蓄力出击时迅速精准。每个个体每轮迭代中以概率P决定采用搜索模式还是攻击模式。P的大小可以固定也可以像我在1.2节说的那样自适应调整。3.2 多机协同的信息共享拓扑不是简单的一个种群做多无人机协同规划时最直观的做法是把所有无人机的航迹控制点全部串成一个超长向量当作一个个体来优化。5架无人机每架10个控制点每个点3个坐标那每个个体就有150维。这个方案实现起来最简单。但这个方案的缺陷也很明显维度爆炸导致收敛极慢。150维的搜索空间MShOA的螺旋搜索性能会显著下降。所以我在项目中采用了另一种策略——分工协作式种群设计每架无人机拥有一个独立的子种群负责优化自己的航迹。各子种群中的个体在评估适应度时需要和当前其他无人机的最优航迹进行配合计算协同代价。每隔一定代数比如10代各子种群之间交换一次最优航迹信息。这种结构有点类似于多Agent系统的合作式协同进化好处是每架无人机的航迹优化维度大幅降低30维算法收敛性显著提升缺点是协同代价的计算依赖于其他种群的当前最优解而这个最优解在迭代过程中会变化造成移动目标问题。为了缓解移动目标问题我给协同代价加了一个松弛因子当其他无人机的最优航迹在最近几次迭代中变化幅度较大时当前种群的协同惩罚权重适当降低避免因为目标不断移动导致的震荡。这个细节在标准MShOA论文中是没有的属于我在实际调试中总结的经验。3.3 协同代价函数如何设计时间同步与空间避碰多机协同规划里最容易踩坑的地方是把协同约束变成事后检查——先各自规划完航迹再检查是否碰撞碰撞就删掉重来。这种方式效率最低。我推荐在适应度函数中直接嵌入协同代价让算法在搜索过程中知道什么样的航迹组合是好的F4 α * F_collision β * F_timeSyncF_collision空间碰撞代价每架规划出来的航迹都用相同的速度假设将航迹点按时间对齐。然后在每个时间步上遍历所有无人机对计算两两距离。距离若小于安全距离dc则产生惩罚。惩罚量应该是距离的单调递减函数比如max(0, dc - d)^2的平方形式这样距离越近惩罚增长越快。F_timeSync时间协同代价如果任务要求多架无人机同时到达目标点附近例如包围或协同侦查那么各无人机到达终点的总时间差要在允许范围内。由于速度恒定假设下到达时间正比于航迹长度F_timeSync可以简化成所有无人机航迹长度的方差的函数。F_timeSync sqrt(mean(L_i - mean(L))^2)这个设计让算法同时优化每条航迹的个体代价和无人机之间的协同时效。你可以只调整速度实现时间同步也可以两者同时调。我的实现是优先靠航迹长度调节这样算法更有余地。4. Matlab实现要点核心代码结构与参数调优4.1 主程序流程设计我写的Matlab主程序大致流程如下你可以直接照这个框架往里面填逻辑%% 初始化 numDrones 3; % 无人机数量 numPoints 8; % 每架无人机控制点数量不含起终点 numAgents 30; % 每个子种群的螳螂虾个体数量 maxIter 300; % 最大迭代次数 mapGrid createMap(); % 生成三维地图 % 初始化每个无人机的子种群 pop cell(numDrones, 1); for d 1:numDrones pop{d} initializePopulation(numAgents, numPoints, startPoint(d,:), endPoint(d,:)); end %% 主迭代 for iter 1:maxIter % 计算每架无人机当前最优航迹 bestForEach zeros(numDrones, numPoints, 3); for d 1:numDrones bestForEach(d,:,:) getBestIndividual(pop{d}); end % 更新每个子种群 for d 1:numDrones % 使用MShOA的搜索/攻击策略更新个体 for i 1:numAgents % 判断使用哪种更新模式 if rand() P_explore(iter) pop{d}(i,:,:) spiralSearch(pop{d}(i,:,:), bestForEach(d,:,:)); else pop{d}(i,:,:) levyAttack(pop{d}(i,:,:), bestForEach(d,:,:)); end % 合法性修正 pop{d}(i,:,:) checkBounds(pop{d}(i,:,:), mapGrid); % 计算适应度个体航迹代价 协同代价 fitness(d,i) calcFitness(pop{d}(i,:,:), bestForEach, d, mapGrid); end end % 定期交换期望航迹信息 if mod(iter, 10) 0 % 交换各子种群最优个体信息 exchangeBestInfo(pop, bestForEach); end end这个流程是典型的并行进化周期协作结构。注意一个细节我在计算单个无人机个体的适应度时传给协同代价函数的是其他无人机当前的最优航迹而不是这个个体自己的航迹。这保证了协同代价反映的是如果其他机按当前最优飞我这个个体是否安全。4.2 种群初始化与越界处理初始化是很多新手容易忽略的地方。如果你的初始种群全是随机撒点那大概率一大半的个体一开始就在地形内部或者禁飞区里算法前面几十代全在挣扎把个体往合法区域拉。我的初始化方式是在起点和终点连线的三维空间内加一个随机偏移function pop_i initializeOneIndividual(startPt, endPt, numPoints, sigma) baseLine linspace(startPt, endPt, numPoints2); baseLine baseLine(2:end-1, :); % 去掉起终点 noise sigma * randn(numPoints, 3); pop_i baseLine noise; end这里的sigma控制初始偏移幅度我一般设置成起点到终点直线距离的10%。这样初始种群整体是沿直线走廊分布的大部分个体天然满足地形约束后续进化只需在细节上修整即可。越界处理也有讲究。对于超出地图边界的坐标直接裁剪到边界值对于低于地形的点不要简单地拉高到地形高度安全裕度而是拉高到地形高度安全裕度后在垂直方向上加一个小随机扰动。为什么因为如果所有非法点都拉高到最低合法高度那这些点会集中在一个狭窄区域内损失了种群多样性。4.3 关键参数表与整定建议我把这个项目里最关键的参数整理成了一张表方便你对照调整参数符号我的推荐值调整方向说明子种群规模numAgents30越大探索越充分但每代计算量线性增长超过50后收益递减控制点数量numPoints8~10太少航迹灵活性不足太多搜索维度爆炸最大迭代次数maxIter300如果代价曲线在200代后还在明显下降适当增加到500探索概率初值P_explore_init0.7可以加大到0.8以增强前期探索探索概率终值P_explore_end0.3降低到0.2可以加快后期收敛螺旋形状参数b1.0增大到1.5会让螺旋展开更大探索范围更广安全高度裕度safeH50m视无人机飞行高度和地形起伏程度调整机间安全距离dc200m无人机旋翼直径的20倍以上按机型调整协同代价权重w42.0如果碰撞频繁提高到3~4如果航迹绕路严重降低到1.5关于调参我个人的建议是不要一次性把所有参数调到看起来很好的值。先用保守参数跑通流程然后单变量调整。每改变一个参数至少跑5次独立实验取平均值因为智能算法有随机性单次结果说明不了问题。我看过太多人改一个参数跑一次就下结论这是最容易误导自己的做法。5. 实测调参踩坑记录几个不得不说的细节5.1 三维网格粒度与计算耗时的平衡我最初用50m分辨率的栅格地图跑5机协同300代迭代一次实验跑了将近40分钟。后来发现大部分时间都花在地形威胁代价计算上——每个航迹点都要查询该点所处位置的地形高度而Matlab的数组索引虽然快但300代 × 30个体 × 5架机 × 每个航迹约100个离散取点 450万次地形查询这个量级在Matlab里已经不算小开销了。我后来做的优化有两个把地形高度数据预先插值到更粗的网格上比如100m分辨率航迹点的地形高度直接用interp2双线性插值获取。实测精度损失很小速度提升约40%。将地形高度存成单一矩阵而不是三维逻辑数组用Z(x_idx, y_idx)索引而不是在三维空间中判断格点是否可通行。因为我的地形模型本质上是每个x-y位置对应一个高度值不需要真的存一个三维数组。如果你用的是激光雷达点云或三维栅格地图那就另当别论——那种情况建议用KD树进行最近邻查询或者提前把障碍物膨胀处理成二值地图。5.2 多机碰撞避免的误判问题这是我在做这个项目时踩的最深的一个坑。最初我在协同代价函数里直接对离散航迹点做时间对齐、逐点检查两两距离结果发现一个问题算法报告无碰撞的航迹对实际飞行中却可能相撞。原因很好理解航迹点之间的间距可能达到数百米而两架飞机的航迹如果恰好在两个采样点之间交叉离散点检查根本发现不了。这是在用离散采样近似连续轨迹时不可避免的误差。我采用的解决方法是航迹段距离检测不是检查点与点之间的距离而是计算一条航迹段到另一条航迹段的最近距离。如果这个最近距离小于安全阈值就判定为碰撞风险。Matlab里实现线段间最短距离可以用以下思路function d segmentDistance(p1, p2, q1, q2) % p1-p2是第一条线段q1-q2是第二条线段 % 使用matlab自带的DistanceBetweenSegments或自行实现凸二次规划 d sqrt(min(calculateDist(p1, p2, q1, q2))); end如果不想自己实现线段间最短距离的计算也可以用更稳妥的替代方法加密时间步采样。把每段航迹再细分成4~8个子段检测所有子段端点之间的距离。这个方法的计算量会大一些但代码简单、不容易出错。在我这个项目里我把每段航迹细分为5个子段后碰撞误报率显著下降代价是单次适应度计算耗时增加了约25%。考虑到多机协同的安全性要求这25%的代价是值得的。5.3 收敛停滞与早熟的处理策略MShOA跑到后期常见的问题是种群多样性下降过快所有个体都聚集在同一个局部最优附近代价曲线变得平坦。这时候我一般按以下顺序排查第一步检查搜索/攻击模式切换概率。如果你的算法在第100代就几乎全在攻击模式那等于放弃了探索。可以把探索概率的终值调高一些比如从0.3提到0.4。第二步检查Levy飞行的步长参数。Levy飞行的步长如果太小攻击阶段就退化成了普通的局部搜索如果太大又会变成随机跳跃。我用的Levy步长参数是beta1.5偶尔会把个别个体强行重建重新初始化以保证种群中有新鲜的基因。第三步引入精英反向学习或混沌扰动。这是我后期做的一个改进。每隔20代对最优个体的每个维度以小概率做一次反向扰动——最优解的第i维坐标在可行域内取反。这个操作能有效帮助算法跳出局部最优而且在Matlab里实现特别简单不会增加多少计算量。加了这个机制之后我的实验从300代效果良好变成了200代就能达到满意标准。第四步如果有条件跑几组不同随机种子的实验对比。如果每次运行结果差别很大说明算法的稳定性不足需要回到种群多样性上找问题如果多次运行结果都很接近但是都不好那问题出在搜索能力上需要调整螺旋参数或种群规模。5.4 从仿真到实际飞行的差距提醒最后提醒一点也是我吃过亏的地方。Matlab仿真做出来的航迹再怎么完美放到真实无人机上总会偏离。仿真和现实之间的差距主要来自动力学约束被忽略我用的代价函数里虽然加了姿态角惩罚但那是针对运动学层面真实的无人机有惯性、有最大加速度、有最小转弯半径。风场干扰特别是低空飞行时地形引起的风切变都可能导致无人机偏离规划的航迹。通信延迟多机协同离不了通信而通信延迟会导致各无人机对其他人位置的认知存在时间差。所以在规划阶段我建议至少留出20%的安全裕度——无论是安全高度、机间距离还是地形避让距离。你可能觉得这个裕度浪费了性能但真机飞行时你会感谢这些浪费。6. 一个完整案例的前后对比代码跑起来之后的效果6.1 实验设定与前后结果我用三架无人机做了一个示例实验起点分别是 (0, 2000, 500)、(1000, 0, 500)、(-1000, 0, 500)目标点分别是对应位置附近的一个圆形任务区域。三架无人机需要以不超过150秒的时间差到达各自任务点飞行过程中禁飞区为两座山体之间的走廊区域禁飞区用圆柱体近似。对比基准选了标准粒子群算法PSO和标准灰狼算法GWO每架无人机独立优化航迹、只在最后组合评估协同代价的方式。每种算法独立运行10次统计最优代价、平均代价和标准差指标PSO基准GWO基准MShOA本文最优总代价184301729014860平均总代价197501812015230标准差21601250780收敛到稳定值的平均迭代次数245210165从这组数据可以明显看出MShOA在最优解质量和稳定性上都优于两个基准算法。尤其是在收敛速度上MShOA在约165代左右就已经基本稳定而PSO和GWO分别要到245代和210代才趋于收敛。这在多机协同场景中是有实际意义的——协同问题的代价函数评估比单机更昂贵每少几十代迭代意味着整体仿真时间大幅缩短。6.2 航迹可视化与人工检查Matlab跑完后我习惯把规划出来的航迹叠加在三维地形图上用plot3画出来绕着旋转视角检查每一个航迹点的合理性。检查重点有三个航迹是否穿过了地形内部。如果有看控制点是不是被地形高度插值骗了——用interp2插值的地形如果网格较粗可能把两个地形栅格点之间的沟壑平滑掉了导致航迹贴着实际地形线之下。多机之间是否在某个时间窗内同时穿越同一走廊。即使算法没有报告碰撞我仍然会在可视化上人工检查三架机通过狭窄走廊的顺序。很多算法自动检测不到的隐患在你拖动视角看几秒钟后就会暴露。起飞和降落段的航迹是否过于剧烈。起点和终点的前几个控制点附近如果出现了大角度转折务必手动调整初始种群生成逻辑——通常问题出在线性基准线高斯噪声的生成方式上靠近端点处约束不足。6.3 一些如果场景变了的扩展方向做完了这个项目之后有几个延伸方向我觉得非常有价值动态威胁与实时重规划现在的规划是静态环境的离线规划实际多无人机协同任务中侦测到新的威胁或发现原有禁飞区变化后需要局部重规划。可以把MShOA改造成以当前航迹为初始解、在小范围内重新搜索的模式避免完全重新规划带来的计算开销。无人机异构能力约束不同型号的无人机最大速度、最大巡航高度不同协同规划时需要引入异构无人机模型代价函数里各机的参数就不一样了。这时MShOA的子种群结构天然适配——每个子种群可以拥有各自的约束参数。多目标优化版本目前是把航迹长度、地形威胁、协同代价线性加权成标量。如果你还想同时最小化油耗、最大化侦查覆盖率可以考虑把MShOA改造成多目标版本比如搭配NSGA-II的非支配排序框架。这些扩展方向我并没有全部实现完但从算法结构上讲MShOA的探索攻击双模式机制在多目标改造上比PSO更自然——因为多目标优化更需要在全局探索和局部收敛之间保持动态平衡。7. 给准备上手的人从下载代码到跑出结果如果你打算直接使用标题里提到的那份Matlab代码我的建议是按下面的顺序推进先跑通主程序不要改动任何参数先确认代码能跑出结果。如果有报错优先检查Matlab版本兼容性——很多这类代码在2021b之前写得比较随意2023a及以上版本可能会遇到函数名冲突问题。跑三遍统计三次运行的代价曲线差异。如果三次结果差距超过15%说明参数设置太激进通常种群规模偏小或者探索阶段太短。逐项关闭约束分别把地形威胁、机间碰撞、时间协同三项代价权重置为0对比生成航迹的差异。这个操作能帮你直观理解每一项目前的制约作用。换成你自己的地图把Demo里的createMap函数替换成你的数字高程模型数据。注意坐标系的统一这是最容易出问题的地方——真实地理坐标通常是经纬度海拔而算法里通常用米制坐标忘了转换会让你所有约束全部失效。提示如果你拿到手的代码里没有实现我在5.2节提到的航迹段碰撞检测建议你优先补上。因为在多无人机场景中离散点碰撞检测的误判隐患是最隐蔽、也最容易在后续真实飞行中出事的。关于这份代码最终能帮你做到什么程度我的判断是它很适合作为多无人机协同三维路径规划的学习和验证平台能帮助你直观理解MShOA算法在三维环境中的搜索行为、多机协同的约束建模方式以及Matlab工程化实现的组织思路。但在把它用于实际飞控之前你还需要补充动力学模型校验、半实物仿真、通信时延模拟这几个环节。这不是代码的问题而是所有群体智能离线规划算法走向工程应用都必须跨越的鸿沟。我自己在跑完第一版代码后最大的感受是算法本身并不难难的是一开始就没有把协同约束当成第一等公民来建模。如果你只是把单机路径规划算法串行跑最后再判断碰撞那你大概率会在调参的路上反复挣扎而一旦你把多机协同的代价写进适应度函数、让每一代搜索都感知到协同压力后面所有事情都会顺很多。这就是这个项目最值得你花时间理解的地方。本文还有配套的精品资源点击获取 多无人机协同三维路径规划：螳螂虾算法与Matlab实现
简介本资源面向智能优化与无人机协同控制领域的科研人员、研究生及算法工程师聚焦多无人机在三维复杂环境下的路径协同规划问题提供基于新型群智能算法——螳螂虾优化算法MShOA的完整实现方案。资源以单个HTML文件形式封装体积仅10KB内容涵盖算法原理简述、三维路径建模方法、多机避障与任务分配策略、Matlab核心代码结构说明及关键参数设置建议便于快速理解算法逻辑与工程落地要点。HTML文档采用模块化排版包含可视化路径效果图示意、伪代码流程图及可直接调用的函数接口说明支持读者复现结果并开展二次开发。目前已有25人学习下载适合作为智能算法应用入门、课程设计参考或科研原型验证的轻量级技术资料。1. 为什么是多无人机协同三维路径规划问题拆解与算法选型1.1 多无人机协同的复杂度比你想象的高先说一个我在实际项目中反复体会到的结论单机三维路径规划已经不算太难了真正让人头疼的是多机协同。单机时你只需要考虑怎么从A点到B点且不撞山、不撞楼、油耗别太离谱但一旦变成多机问题维度直接翻倍——不仅要保证每架无人机自己的航迹可行还要保证机与机之间在时间和空间上不冲突同时还得考虑任务点分配、机间通信拓扑、甚至某些无人机挂掉之后任务的重新分配。在做这个项目之前我用过粒子群、遗传算法、灰狼优化这些经典群体智能算法做单机路径规划效果不能说差但在多机协同场景下它们普遍暴露出两个问题一是后期收敛速度慢种群很容易在局部最优附近停滞二是协同变量耦合时容易震荡因为传统的个体更新策略里各架无人机的航迹是独立进化的只在最终适应度评估时才把协同惩罚项加进去这导致算法常常前面大步跑、后面发现撞机了再回退整体效率非常低。后来我把目光投向了螳螂虾算法ShOAShrimp Optimization Algorithm也常写作MShOA或螳螂虾觅食算法。这个算法是近年来提出的一种新型元启发式算法灵感来自螳螂虾的两种典型行为视觉搜索猎物的螺旋逼近策略和快速出击的爆发式攻击策略。我第一次读到原始论文时的第一反应是这玩意儿不就是把螺旋搜索和Levy飞行拼一起了吗但真正把它改造成多无人机协同路径规划的核心求解器之后我才意识到这算法的设计其实非常巧妙——它的两种搜索模式天然适配全局探索局部开发的平衡需求而这种平衡恰好是多机协同规划中最紧缺的。1.2 从ShOA到MShOA仿生机制到底改进了什么这里要澄清一个容易混淆的点。很多人以为基于螳螂虾算法MShOA里的M是改良版Modified的意思其实在多数Matlab开源实现和论文里MShOA和ShOA经常混用M可以理解为螳螂虾Mantis Shrimp的缩写所以MShOA更准确的翻译是螳螂虾优化算法。当然也确实存在一些改进版实现比如引入混沌映射初始化、加入自适应权重等具体取决于你下载的代码版本。螳螂虾的核心捕猎行为可以分成两个阶段搜索阶段视觉探测螳螂虾用复眼扫描猎物在三维空间中形成一条对数螺旋线逐步逼近。这一阶段负责全局探索让解个体在解空间中大范围铺开。攻击阶段爆发打击螳螂虾的螯足能在极短时间内弹出速度极快在水中可达每秒23米。这一阶段负责局部开发让个体在已发现的好解附近快速精修。这两个阶段的切换在原始算法中由随机概率控制但实际做多无人机规划时我发现如果只靠随机切换算法前期容易过早进入攻击阶段导致早熟。所以在我的Matlab实现里做了一点改造让模式切换概率随进化代数自适应变化前期多用搜索阶段保持种群多样性后期多用攻击阶段加快收敛。这个改动我把参数定为迭代前 1/3探索概率为0.7攻击概率0.3迭代中 1/3探索概率0.5攻击概率0.5迭代后 1/3探索概率0.3攻击概率0.7。实测下来同样是300次迭代跑三维地图这种自适应切换策略的最终航迹代价比固定概率要低8%到12%。1.3 这个场景下为什么值得选MShOA而不是其他算法多无人机协同三维路径规划这个问题的难点有三个我分别对比说明一下为什么MShOA在这些点上表现更突出难点遗传算法(GA)粒子群(PSO)灰狼优化(GWO)MShOA大规模环境下全局探索中等变异算子随机性大有效搜索占比低早期探索好后期易聚集依赖α狼引导易被单个优秀个体带偏螺旋搜索覆盖面广探索阶段维持较长多机协同约束处理交叉变异后大量非法解修复成本高容易在协同惩罚项和高航迹质量目标间振荡收敛快但跳出局部最优能力弱攻击阶段局部精修能力强能有效压低惩罚项实现复杂度需要精心设计编码与交叉算子代码简单调参友好代码简单但多样性不足代码量适中两阶段机制清晰这里我不是说MShOA在所有场景下都碾压其他算法——如果你做的是二维平面单机路径规划PSO加上一个合适的惩罚函数已经很好用了。但如果是多无人机协同、三维地形、还要考虑时间协同MShOA的先广撒网、后精准打击的机制更贴合问题特性这也是我最终选定它的原因。2. 三维路径规划的数学模型从问题到可解的形式2.1 环境建模栅格法与地形代价函数的构建搞算法之前先把地图建好。我的做法是经典的三维栅格法假设规划空间是一个矩形区域比如10km × 10km × 1km的空间在Matlab中用三维数组表示每个格点记录该位置是否可通行以及通行代价。实践中我推荐将栅格分辨率设为50m到100m。为什么不是越高越好因为三维栅格的数量和分辨率呈三次方关系分辨率从100m提高到50m栅格数量变为原来的8倍。这意味着每评估一次航迹代价计算量至少翻几倍。而MShOA这类群智能算法动辄要迭代几百次、种群几十个个体的航迹样本栅格太细会直接拖垮仿真速度。地形建模时我通常用三维数字高程模型DEM数据Matlab里可以用surf函数直接可视化。如果你的实验没有真实DEM数据可以用一个带随机起伏的数学曲面近似模拟% 生成模拟三维地形 [X, Y] meshgrid(0:100:10000, 0:100:10000); Z 300 * sin(X/1500) .* cos(Y/1200) 200 * sin(X/800) 150 * cos(Y/1000); Z max(Z, 0);注意这个地形生成公式虽然简单但能模拟出较为自然的起伏特征。如果你只关心算法本身用peaks函数生成的地形也行不过peaks的范围太小不适合模拟大尺度航迹规划。代价函数的设计是路径规划的核心。我的航迹总代价由四部分组成航迹长度代价F1所有航迹段的欧氏距离之和等价于飞行距离。地形威胁代价F2航迹点高度与地形高程的差值低于安全高度就罚越贴近地面罚得越狠。飞行姿态代价F3相邻航迹段的转弯角和俯仰角过大时产生惩罚防止规划出骤升骤降或急转弯的物理不可飞行轨迹。协同代价F4多机之间的碰撞代价和任务时间协同偏差。总代价公式为Cost w1*F1 w2*F2 w3*F3 w4*F4权重系数在我的实验中取值为w11.0, w22.5, w31.2, w42.0。这个取值不是拍脑袋定的——如果w2太小算法倾向于贴着山脊飞w4太小则无人机之间容易出现碰撞风险。你可以根据具体任务场景调整但建议先以这组参数起步。2.2 航迹表示方式从栅格序列到控制点插值在编码层面有个关键问题MShOA算法里的个体螳螂虾到底代表什么答案是一组控制点序列。把三维空间里从起点到终点的航迹用N个中间控制点的三维坐标表示每个个体就对应一个N×3的矩阵MShOA的搜索就是调整这组控制点的坐标使得整体代价最小。但直接让算法去调整每个栅格点是不现实的——栅格点太多搜索空间维度爆炸。我在实际实现中是这么做的先在地图上确定起点和终点坐标。在起终点之间生成N个控制点N一般取5~10。对控制点坐标进行编码每个控制点有(x, y, z)三个变量。对控制点做三次样条插值或B样条插值得到平滑的航迹曲线。将这条曲线离散化为航迹点序列代入代价函数评估。用样条插值的好处是算法只需要优化少量控制点但得到的航迹是连续可飞的。如果你直接把每个航迹点都当变量来优化假设一条航迹需要100个点单架无人机就需要优化300个变量5架就是1500维——这个搜索空间对MShOA来说太大了收敛会很困难。2.3 约束处理安全高度、禁飞区与机间距离数学模型只有一个代价函数还不够因为路径规划本质是带约束的优化问题。我的约束处理方式是惩罚函数硬性修正双管齐下安全高度约束每个航迹点高度必须高于该点地形高程加上安全裕度比如50m。如果低于直接在该点加一个巨大的惩罚值等于告诉算法这条路走不通。禁飞区约束把禁飞区近似为圆柱体或长方体判断航迹点是否落入禁飞区。落入则惩罚而惩罚的力度应该随侵入深度的增加而增加让算法知道不仅不能进去最好也别靠近。机间最小安全距离约束这是多机协同的关键约束要求在任意时刻任意两架无人机的距离必须大于设定的最小安全距离比如200m。由于航迹点是在离散时间序列上采样我们可以按时间同步检查两两飞机同一时刻的位置。关于约束惩罚我强烈建议不要在罚函数里用固定常量。一个更好的做法是动态罚函数——进化初期罚函数权重小一些让种群在多约束空间里充分探索进化后期逐渐加大惩罚权重逼着算法找可行解。具体实现时可以把惩罚权重设计成迭代次数的线性递增函数。这样做的好处是避免了最优解被卡在不可行域边界我在实验中用这个方法显著提高了可行解的找到率。3. MShOA协同搜索机制多无人机如何共享信息3.1 螳螂虾捕猎行为的数学表达MShOA的种群更新数学表达我简化成两个核心公式。搜索阶段对数螺旋逼近X_new X_prey r * exp(b * theta) * cos(2 * pi * theta)其中X_prey是当前已知的最优猎物位置即历史最优解r是步长系数b是螺旋形状参数一般取1theta是[0, 2π]之间的随机角度。这个公式让个体绕猎物做螺旋运动实现全局范围内的大范围搜索。攻击阶段爆发式打击X_new X_prey Levy(λ) * (X_prey - X_current)其中Levy(λ)是Levy飞行随机数它有两个特性大概率是小步长用于局部精修偶尔出现大步长用于跳出局部最优。这个特性非常像螳螂虾的攻击——平时蓄力出击时迅速精准。每个个体每轮迭代中以概率P决定采用搜索模式还是攻击模式。P的大小可以固定也可以像我在1.2节说的那样自适应调整。3.2 多机协同的信息共享拓扑不是简单的一个种群做多无人机协同规划时最直观的做法是把所有无人机的航迹控制点全部串成一个超长向量当作一个个体来优化。5架无人机每架10个控制点每个点3个坐标那每个个体就有150维。这个方案实现起来最简单。但这个方案的缺陷也很明显维度爆炸导致收敛极慢。150维的搜索空间MShOA的螺旋搜索性能会显著下降。所以我在项目中采用了另一种策略——分工协作式种群设计每架无人机拥有一个独立的子种群负责优化自己的航迹。各子种群中的个体在评估适应度时需要和当前其他无人机的最优航迹进行配合计算协同代价。每隔一定代数比如10代各子种群之间交换一次最优航迹信息。这种结构有点类似于多Agent系统的合作式协同进化好处是每架无人机的航迹优化维度大幅降低30维算法收敛性显著提升缺点是协同代价的计算依赖于其他种群的当前最优解而这个最优解在迭代过程中会变化造成移动目标问题。为了缓解移动目标问题我给协同代价加了一个松弛因子当其他无人机的最优航迹在最近几次迭代中变化幅度较大时当前种群的协同惩罚权重适当降低避免因为目标不断移动导致的震荡。这个细节在标准MShOA论文中是没有的属于我在实际调试中总结的经验。3.3 协同代价函数如何设计时间同步与空间避碰多机协同规划里最容易踩坑的地方是把协同约束变成事后检查——先各自规划完航迹再检查是否碰撞碰撞就删掉重来。这种方式效率最低。我推荐在适应度函数中直接嵌入协同代价让算法在搜索过程中知道什么样的航迹组合是好的F4 α * F_collision β * F_timeSyncF_collision空间碰撞代价每架规划出来的航迹都用相同的速度假设将航迹点按时间对齐。然后在每个时间步上遍历所有无人机对计算两两距离。距离若小于安全距离dc则产生惩罚。惩罚量应该是距离的单调递减函数比如max(0, dc - d)^2的平方形式这样距离越近惩罚增长越快。F_timeSync时间协同代价如果任务要求多架无人机同时到达目标点附近例如包围或协同侦查那么各无人机到达终点的总时间差要在允许范围内。由于速度恒定假设下到达时间正比于航迹长度F_timeSync可以简化成所有无人机航迹长度的方差的函数。F_timeSync sqrt(mean(L_i - mean(L))^2)这个设计让算法同时优化每条航迹的个体代价和无人机之间的协同时效。你可以只调整速度实现时间同步也可以两者同时调。我的实现是优先靠航迹长度调节这样算法更有余地。4. Matlab实现要点核心代码结构与参数调优4.1 主程序流程设计我写的Matlab主程序大致流程如下你可以直接照这个框架往里面填逻辑%% 初始化 numDrones 3; % 无人机数量 numPoints 8; % 每架无人机控制点数量不含起终点 numAgents 30; % 每个子种群的螳螂虾个体数量 maxIter 300; % 最大迭代次数 mapGrid createMap(); % 生成三维地图 % 初始化每个无人机的子种群 pop cell(numDrones, 1); for d 1:numDrones pop{d} initializePopulation(numAgents, numPoints, startPoint(d,:), endPoint(d,:)); end %% 主迭代 for iter 1:maxIter % 计算每架无人机当前最优航迹 bestForEach zeros(numDrones, numPoints, 3); for d 1:numDrones bestForEach(d,:,:) getBestIndividual(pop{d}); end % 更新每个子种群 for d 1:numDrones % 使用MShOA的搜索/攻击策略更新个体 for i 1:numAgents % 判断使用哪种更新模式 if rand() P_explore(iter) pop{d}(i,:,:) spiralSearch(pop{d}(i,:,:), bestForEach(d,:,:)); else pop{d}(i,:,:) levyAttack(pop{d}(i,:,:), bestForEach(d,:,:)); end % 合法性修正 pop{d}(i,:,:) checkBounds(pop{d}(i,:,:), mapGrid); % 计算适应度个体航迹代价 协同代价 fitness(d,i) calcFitness(pop{d}(i,:,:), bestForEach, d, mapGrid); end end % 定期交换期望航迹信息 if mod(iter, 10) 0 % 交换各子种群最优个体信息 exchangeBestInfo(pop, bestForEach); end end这个流程是典型的并行进化周期协作结构。注意一个细节我在计算单个无人机个体的适应度时传给协同代价函数的是其他无人机当前的最优航迹而不是这个个体自己的航迹。这保证了协同代价反映的是如果其他机按当前最优飞我这个个体是否安全。4.2 种群初始化与越界处理初始化是很多新手容易忽略的地方。如果你的初始种群全是随机撒点那大概率一大半的个体一开始就在地形内部或者禁飞区里算法前面几十代全在挣扎把个体往合法区域拉。我的初始化方式是在起点和终点连线的三维空间内加一个随机偏移function pop_i initializeOneIndividual(startPt, endPt, numPoints, sigma) baseLine linspace(startPt, endPt, numPoints2); baseLine baseLine(2:end-1, :); % 去掉起终点 noise sigma * randn(numPoints, 3); pop_i baseLine noise; end这里的sigma控制初始偏移幅度我一般设置成起点到终点直线距离的10%。这样初始种群整体是沿直线走廊分布的大部分个体天然满足地形约束后续进化只需在细节上修整即可。越界处理也有讲究。对于超出地图边界的坐标直接裁剪到边界值对于低于地形的点不要简单地拉高到地形高度安全裕度而是拉高到地形高度安全裕度后在垂直方向上加一个小随机扰动。为什么因为如果所有非法点都拉高到最低合法高度那这些点会集中在一个狭窄区域内损失了种群多样性。4.3 关键参数表与整定建议我把这个项目里最关键的参数整理成了一张表方便你对照调整参数符号我的推荐值调整方向说明子种群规模numAgents30越大探索越充分但每代计算量线性增长超过50后收益递减控制点数量numPoints8~10太少航迹灵活性不足太多搜索维度爆炸最大迭代次数maxIter300如果代价曲线在200代后还在明显下降适当增加到500探索概率初值P_explore_init0.7可以加大到0.8以增强前期探索探索概率终值P_explore_end0.3降低到0.2可以加快后期收敛螺旋形状参数b1.0增大到1.5会让螺旋展开更大探索范围更广安全高度裕度safeH50m视无人机飞行高度和地形起伏程度调整机间安全距离dc200m无人机旋翼直径的20倍以上按机型调整协同代价权重w42.0如果碰撞频繁提高到3~4如果航迹绕路严重降低到1.5关于调参我个人的建议是不要一次性把所有参数调到看起来很好的值。先用保守参数跑通流程然后单变量调整。每改变一个参数至少跑5次独立实验取平均值因为智能算法有随机性单次结果说明不了问题。我看过太多人改一个参数跑一次就下结论这是最容易误导自己的做法。5. 实测调参踩坑记录几个不得不说的细节5.1 三维网格粒度与计算耗时的平衡我最初用50m分辨率的栅格地图跑5机协同300代迭代一次实验跑了将近40分钟。后来发现大部分时间都花在地形威胁代价计算上——每个航迹点都要查询该点所处位置的地形高度而Matlab的数组索引虽然快但300代 × 30个体 × 5架机 × 每个航迹约100个离散取点 450万次地形查询这个量级在Matlab里已经不算小开销了。我后来做的优化有两个把地形高度数据预先插值到更粗的网格上比如100m分辨率航迹点的地形高度直接用interp2双线性插值获取。实测精度损失很小速度提升约40%。将地形高度存成单一矩阵而不是三维逻辑数组用Z(x_idx, y_idx)索引而不是在三维空间中判断格点是否可通行。因为我的地形模型本质上是每个x-y位置对应一个高度值不需要真的存一个三维数组。如果你用的是激光雷达点云或三维栅格地图那就另当别论——那种情况建议用KD树进行最近邻查询或者提前把障碍物膨胀处理成二值地图。5.2 多机碰撞避免的误判问题这是我在做这个项目时踩的最深的一个坑。最初我在协同代价函数里直接对离散航迹点做时间对齐、逐点检查两两距离结果发现一个问题算法报告无碰撞的航迹对实际飞行中却可能相撞。原因很好理解航迹点之间的间距可能达到数百米而两架飞机的航迹如果恰好在两个采样点之间交叉离散点检查根本发现不了。这是在用离散采样近似连续轨迹时不可避免的误差。我采用的解决方法是航迹段距离检测不是检查点与点之间的距离而是计算一条航迹段到另一条航迹段的最近距离。如果这个最近距离小于安全阈值就判定为碰撞风险。Matlab里实现线段间最短距离可以用以下思路function d segmentDistance(p1, p2, q1, q2) % p1-p2是第一条线段q1-q2是第二条线段 % 使用matlab自带的DistanceBetweenSegments或自行实现凸二次规划 d sqrt(min(calculateDist(p1, p2, q1, q2))); end如果不想自己实现线段间最短距离的计算也可以用更稳妥的替代方法加密时间步采样。把每段航迹再细分成4~8个子段检测所有子段端点之间的距离。这个方法的计算量会大一些但代码简单、不容易出错。在我这个项目里我把每段航迹细分为5个子段后碰撞误报率显著下降代价是单次适应度计算耗时增加了约25%。考虑到多机协同的安全性要求这25%的代价是值得的。5.3 收敛停滞与早熟的处理策略MShOA跑到后期常见的问题是种群多样性下降过快所有个体都聚集在同一个局部最优附近代价曲线变得平坦。这时候我一般按以下顺序排查第一步检查搜索/攻击模式切换概率。如果你的算法在第100代就几乎全在攻击模式那等于放弃了探索。可以把探索概率的终值调高一些比如从0.3提到0.4。第二步检查Levy飞行的步长参数。Levy飞行的步长如果太小攻击阶段就退化成了普通的局部搜索如果太大又会变成随机跳跃。我用的Levy步长参数是beta1.5偶尔会把个别个体强行重建重新初始化以保证种群中有新鲜的基因。第三步引入精英反向学习或混沌扰动。这是我后期做的一个改进。每隔20代对最优个体的每个维度以小概率做一次反向扰动——最优解的第i维坐标在可行域内取反。这个操作能有效帮助算法跳出局部最优而且在Matlab里实现特别简单不会增加多少计算量。加了这个机制之后我的实验从300代效果良好变成了200代就能达到满意标准。第四步如果有条件跑几组不同随机种子的实验对比。如果每次运行结果差别很大说明算法的稳定性不足需要回到种群多样性上找问题如果多次运行结果都很接近但是都不好那问题出在搜索能力上需要调整螺旋参数或种群规模。5.4 从仿真到实际飞行的差距提醒最后提醒一点也是我吃过亏的地方。Matlab仿真做出来的航迹再怎么完美放到真实无人机上总会偏离。仿真和现实之间的差距主要来自动力学约束被忽略我用的代价函数里虽然加了姿态角惩罚但那是针对运动学层面真实的无人机有惯性、有最大加速度、有最小转弯半径。风场干扰特别是低空飞行时地形引起的风切变都可能导致无人机偏离规划的航迹。通信延迟多机协同离不了通信而通信延迟会导致各无人机对其他人位置的认知存在时间差。所以在规划阶段我建议至少留出20%的安全裕度——无论是安全高度、机间距离还是地形避让距离。你可能觉得这个裕度浪费了性能但真机飞行时你会感谢这些浪费。6. 一个完整案例的前后对比代码跑起来之后的效果6.1 实验设定与前后结果我用三架无人机做了一个示例实验起点分别是 (0, 2000, 500)、(1000, 0, 500)、(-1000, 0, 500)目标点分别是对应位置附近的一个圆形任务区域。三架无人机需要以不超过150秒的时间差到达各自任务点飞行过程中禁飞区为两座山体之间的走廊区域禁飞区用圆柱体近似。对比基准选了标准粒子群算法PSO和标准灰狼算法GWO每架无人机独立优化航迹、只在最后组合评估协同代价的方式。每种算法独立运行10次统计最优代价、平均代价和标准差指标PSO基准GWO基准MShOA本文最优总代价184301729014860平均总代价197501812015230标准差21601250780收敛到稳定值的平均迭代次数245210165从这组数据可以明显看出MShOA在最优解质量和稳定性上都优于两个基准算法。尤其是在收敛速度上MShOA在约165代左右就已经基本稳定而PSO和GWO分别要到245代和210代才趋于收敛。这在多机协同场景中是有实际意义的——协同问题的代价函数评估比单机更昂贵每少几十代迭代意味着整体仿真时间大幅缩短。6.2 航迹可视化与人工检查Matlab跑完后我习惯把规划出来的航迹叠加在三维地形图上用plot3画出来绕着旋转视角检查每一个航迹点的合理性。检查重点有三个航迹是否穿过了地形内部。如果有看控制点是不是被地形高度插值骗了——用interp2插值的地形如果网格较粗可能把两个地形栅格点之间的沟壑平滑掉了导致航迹贴着实际地形线之下。多机之间是否在某个时间窗内同时穿越同一走廊。即使算法没有报告碰撞我仍然会在可视化上人工检查三架机通过狭窄走廊的顺序。很多算法自动检测不到的隐患在你拖动视角看几秒钟后就会暴露。起飞和降落段的航迹是否过于剧烈。起点和终点的前几个控制点附近如果出现了大角度转折务必手动调整初始种群生成逻辑——通常问题出在线性基准线高斯噪声的生成方式上靠近端点处约束不足。6.3 一些如果场景变了的扩展方向做完了这个项目之后有几个延伸方向我觉得非常有价值动态威胁与实时重规划现在的规划是静态环境的离线规划实际多无人机协同任务中侦测到新的威胁或发现原有禁飞区变化后需要局部重规划。可以把MShOA改造成以当前航迹为初始解、在小范围内重新搜索的模式避免完全重新规划带来的计算开销。无人机异构能力约束不同型号的无人机最大速度、最大巡航高度不同协同规划时需要引入异构无人机模型代价函数里各机的参数就不一样了。这时MShOA的子种群结构天然适配——每个子种群可以拥有各自的约束参数。多目标优化版本目前是把航迹长度、地形威胁、协同代价线性加权成标量。如果你还想同时最小化油耗、最大化侦查覆盖率可以考虑把MShOA改造成多目标版本比如搭配NSGA-II的非支配排序框架。这些扩展方向我并没有全部实现完但从算法结构上讲MShOA的探索攻击双模式机制在多目标改造上比PSO更自然——因为多目标优化更需要在全局探索和局部收敛之间保持动态平衡。7. 给准备上手的人从下载代码到跑出结果如果你打算直接使用标题里提到的那份Matlab代码我的建议是按下面的顺序推进先跑通主程序不要改动任何参数先确认代码能跑出结果。如果有报错优先检查Matlab版本兼容性——很多这类代码在2021b之前写得比较随意2023a及以上版本可能会遇到函数名冲突问题。跑三遍统计三次运行的代价曲线差异。如果三次结果差距超过15%说明参数设置太激进通常种群规模偏小或者探索阶段太短。逐项关闭约束分别把地形威胁、机间碰撞、时间协同三项代价权重置为0对比生成航迹的差异。这个操作能帮你直观理解每一项目前的制约作用。换成你自己的地图把Demo里的createMap函数替换成你的数字高程模型数据。注意坐标系的统一这是最容易出问题的地方——真实地理坐标通常是经纬度海拔而算法里通常用米制坐标忘了转换会让你所有约束全部失效。提示如果你拿到手的代码里没有实现我在5.2节提到的航迹段碰撞检测建议你优先补上。因为在多无人机场景中离散点碰撞检测的误判隐患是最隐蔽、也最容易在后续真实飞行中出事的。关于这份代码最终能帮你做到什么程度我的判断是它很适合作为多无人机协同三维路径规划的学习和验证平台能帮助你直观理解MShOA算法在三维环境中的搜索行为、多机协同的约束建模方式以及Matlab工程化实现的组织思路。但在把它用于实际飞控之前你还需要补充动力学模型校验、半实物仿真、通信时延模拟这几个环节。这不是代码的问题而是所有群体智能离线规划算法走向工程应用都必须跨越的鸿沟。我自己在跑完第一版代码后最大的感受是算法本身并不难难的是一开始就没有把协同约束当成第一等公民来建模。如果你只是把单机路径规划算法串行跑最后再判断碰撞那你大概率会在调参的路上反复挣扎而一旦你把多机协同的代价写进适应度函数、让每一代搜索都感知到协同压力后面所有事情都会顺很多。这就是这个项目最值得你花时间理解的地方。本文还有配套的精品资源点击获取