🌿 往期回顾可以关注主页，点击搜索
智能优化算法 神经网络预测 雷达通信
无线传感器 电力系统 信号处理
图像处理 路径规划 元胞自动机
无人机 物理应用 机器学习系列
车间调度系列 滤波跟踪系列 数据分析系列
图像处理系列
✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
本研究聚焦多无人机集群路径规划问题，提出基于蜣螂优化算法（DBO）的解决方案。通过构建三维栅格地图模拟复杂环境，设计包含滚球、繁殖、觅食和偷窃行为的DBO算法变体，解决传统算法在动态环境适应性、多机协同避障和路径效率平衡方面的不足。实验结果表明，DBO算法在路径长度、避障成功率和收敛速度上显著优于A*算法和PSO算法，尤其在处理高密度动态障碍物时表现突出。研究为无人机集群在应急救援、城市物流等场景的自主决策提供了理论支持和技术方案。
一、研究背景与问题提出
1.1 多无人机集群路径规划的现实需求
无人机集群技术在应急救援、城市物流、区域测绘等领域展现出巨大应用潜力。例如，在地震灾后救援中，10-50架无人机组成的集群需在黄金72小时内完成大面积搜索；在城市物流场景中，无人机集群需在复杂建筑环境中协同完成"最后一公里"配送。这些任务要求无人机集群在静态障碍物（建筑、山体）、动态威胁（突发禁飞区、其他飞行器）和多机协同约束（保持10米以上安全距离）下，实现高效、安全的路径规划。
1.2 传统算法的局限性
传统路径规划算法如A、RRT在处理集群路径规划时存在显著缺陷：
计算复杂度高：A*算法在包含10⁴节点和10⁵条边的稀疏图中，路径搜索时间可达数十秒，难以满足实时性要求。
动态适应性差：突发动态威胁（如临时禁飞区）需10秒内完成重规划，传统算法计算耗时超20秒，错失避障窗口期。
协同效率低：集群中无人机间距小于10米时，传统算法易出现"局部拥挤"，碰撞概率超25%。
1.3 研究缺口与创新点
现有研究多集中于单无人机路径规划，对集群协同、动态环境适应和路径效率平衡的研究尚不充分。本研究创新性地提出基于DBO算法的集群路径规划框架，通过模拟蜣螂的滚球、繁殖、觅食和偷窃行为，实现全局搜索与局部开发的平衡，解决传统算法在复杂环境中的"死锁"和"局部最优"问题。
2.2 多无人机路径规划研究进展
现有研究提出多种算法解决集群路径规划问题：
ECO算法：模拟"教师-学生"竞争学习机制，通过角色定义（教师、优秀学生、普通学生）和竞争机制实现协同优化。
SFOA算法：模拟海星"辐射状移动与再生"特性，通过"腕足映射"和"再生机制"避免路径死锁。
MGO算法：模拟山瞪羚"群体迁徙与避险"行为，通过首领引导、梯队跟随和警戒机制实现动态避障。
然而，这些算法在处理高密度动态障碍物时仍存在收敛速度慢、局部最优等问题。DBO算法通过其独特的生物行为模拟机制，为集群路径规划提供了新的解决方案。
三、研究设计与方法
3.1 研究框架
本研究构建了基于DBO算法的多无人机集群路径规划框架，包含以下模块：
环境建模模块：将连续空间离散化为三维栅格地图，每个栅格标记为自由空间（0）或障碍物（1）。
行为模拟模块：设计滚球、繁殖、觅食和偷窃行为的数学模型，实现全局搜索与局部开发的平衡。
避障策略模块：引入动态边界调整和随机回退机制，确保无人机在复杂环境中的安全飞行。
适应度评价模块：综合路径长度、避障能力和能耗指标，设计多目标适应度函数。
⛳️ 运行结果
📣 部分代码
function [fmin, best_pos, Curve] = BOA(X, N, Max_iter, lb, ub, dim, fobj)
%% BOA参数
p = 0.8; % 开关概率
power_exponent = 0.1;
sensory_modality = 0.01;
for i = 1:N
fitness(i) = fobj(X(i, :));
end
% 最优解
[fmin, I] = min(fitness);
best_pos = X(I, :);
S = X;
%% 迭代
for t = 1:Max_iter
for i = 1:N
% 计算与目标函数相关的每只蝴蝶的香味
Fnew = fobj(S(i, :));
FP = (sensory_modality*(Fnew^power_exponent));
% 全局或局部搜索
if rand < p
dis = rand * rand * best_pos - X(i, :); % Eq. (2) in paper
S(i, :) = X(i, :)+dis*FP;
else
% 在附近随机找蝴蝶
epsilon = rand;
JK = randperm(N);
dis = epsilon*epsilon*X(JK(1), :)-X(JK(2), :);
S(i, :) = X(i, :)+dis*FP; % Eq. (3) in paper
end
% 边界处理
S(i, :) = simplebounds(S(i, :), lb, ub);
% 新的个体适应度值
Fnew = fobj(S(i, :)); % Fnew represents new fitness values
% If fitness improves (better Xutions found), update then
if Fnew <= fitness(i)
X(i, :) = S(i, :);
fitness(i) = Fnew;
end
% 更新当前全局最优解
if Fnew <= fmin
best_pos = S(i, :);
fmin = Fnew;
end
end
Curve(t) = fmin;
% 更新感觉因子
sensory_modality = sensory_modality_NEW(sensory_modality, Max_iter);
disp(['BOA: At iteration ', num2str(t), ' ,the best fitness is ', num2str(Curve(t))]);
end
%% 边界限制函数
function s = simplebounds(s, Lb, Ub)
s = max(s, Lb);
s = min(s, Ub);
end
function y=sensory_modality_NEW(x, Ngen)
y = x+(0.025/(x*Ngen));
end
end
🔗 参考文献
[1] 王海群,郭庆通,葛超.基于改进蜣螂优化算法的搬运机器人路径规划[J].现代制造工程, 2024(11):87-95.
[2] 王旭辉,侯涛,牛宏侠.基于改进蜣螂算法的光伏发电多峰值MPPT研究[J].陕西科技大学学报, 2025, 43(3):158-165.
[3] 禤逸曈,李立君,陈海飞.基于改进蜣螂算法的机械臂路径规划[J].机械传动, 2025, 49(2):70-78.
🎈 部分理论引用网络文献，若有侵权联系博主删除
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
