✅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
🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。
🔥内容介绍
无人机集群协同作业在军事侦察、物流配送、灾害救援等领域展现出显著优势，但其三维路径规划需同时满足地形适配、障碍物避让、集群协同、能耗优化等多重约束，传统路径规划算法易出现收敛速度慢、易陷入局部最优、动态环境适应性差等问题。针对上述挑战，本文提出一种基于孔雀优化算法（Peafowl Optimization Algorithm, POA）的无人机集群三维路径规划方法。首先，构建贴合实际作业场景的无人机集群三维环境模型，整合数字高程模型（DEM）地形数据与动态障碍物信息，明确路径规划的约束条件与优化目标；其次，引入POA算法，通过模拟孔雀求偶行为中的旋转舞蹈、子种群协作等核心机制，设计适配无人机集群路径规划的个体编码方式与适应度函数，实现全局探索与局部开发的动态平衡；最后，通过MATLAB 2022a与Gazebo物理引擎搭建仿真平台，与粒子群优化算法（PSO）、遗传算法（GA）进行对比实验。仿真结果表明，所提方法的收敛速度较PSO提升23%、较GA提升44%，路径碰撞次数较两种对比算法分别降低40%与62.5%，在动态障碍物场景下任务完成率可达92%，能有效提升无人机集群在复杂三维环境中的协同作业效率与生存能力。关键词：无人机集群；三维路径规划；孔雀优化算法（POA）；动态避障；协同优化
1 引言
1.1 研究背景
随着无人机技术与群体智能技术的深度融合，无人机集群凭借多机协同的优势，能够完成单机难以承担的复杂任务，在军事侦察、应急救援、航拍测绘、电力巡检等领域的应用日益广泛。与单机路径规划不同，无人机集群三维路径规划需要在三维空间中为每架无人机规划最优飞行路径，同时兼顾机间碰撞规避、编队队形保持、通信链路稳定、能耗均衡等多重需求，其优化复杂度远高于单机场景。
当前，无人机路径规划算法主要分为传统算法与智能优化算法两大类。传统算法如A*算法、Dijkstra算法等，虽具备路径求解稳定的优势，但在高维复杂三维环境中易陷入计算瓶颈，难以适配多无人机协同的动态需求；强化学习等数据驱动方法则面临训练样本不足、泛化能力差的问题，难以应对复杂多变的实际作业场景。群体智能算法因其自组织、自适应、并行寻优的特性，成为解决无人机集群路径规划问题的主流方向，其中粒子群优化算法（PSO）、遗传算法（GA）等已被广泛应用，但此类算法仍存在明显缺陷：PSO算法后期收敛速度放缓，易陷入局部最优；GA算法计算复杂度高，路径平滑性与动态适应性不足，难以满足无人机集群三维路径规划的高效、安全需求。
孔雀优化算法（POA）是2022年由Wang等人提出的一种新型群体智能算法，其灵感来源于云南绿孔雀的求偶行为与社会交互机制，通过模拟雄孔雀旋转舞蹈、雌孔雀自适应接近、幼孔雀莱维飞行搜索等生物行为，实现全局探索与局部开发的动态平衡，具有收敛速度快、跳出局部最优能力强、计算复杂度低等优势，为解决无人机集群三维路径规划的核心痛点提供了新的技术思路。
1.2 研究意义
本文将POA算法引入无人机集群三维路径规划领域，开展针对性研究，其理论意义与实际应用价值如下：
理论意义：丰富群体智能算法在无人机集群路径规划中的应用场景，优化POA算法的个体编码与适应度函数设计，解决传统智能算法在高维三维路径规划中收敛慢、易陷入局部最优的问题，构建一套高效、稳定的无人机集群三维路径规划理论框架，为同类复杂优化问题提供参考。
实际意义：提出的路径规划方法能够快速生成满足多重约束的最优路径，提升无人机集群在复杂三维环境中的动态避障能力与协同作业效率，降低飞行能耗与碰撞风险，可直接应用于灾害救援、军事侦察等实际场景，推动无人机集群技术的工程化落地。
1.3 国内外研究现状
国外关于无人机集群路径规划的研究起步较早，聚焦于算法优化与实际场景适配。美国麻省理工学院（MIT）团队提出基于分布式协同策略的无人机集群路径规划方法，通过多智能体通信实现路径协同优化，但未充分考虑三维地形与动态障碍物的影响；英国帝国理工学院则将改进型粒子群优化算法应用于无人机集群路径规划，提升了路径平滑性，但仍存在收敛速度慢的问题。近年来，国外学者开始关注新型群体智能算法的应用，为无人机集群路径规划提供了更多思路，但相关算法在多约束融合优化方面仍有提升空间。
国内研究近年来发展迅速，在算法改进与场景适配方面取得了诸多成果。部分学者通过改进遗传算法的交叉、变异算子，提升了无人机集群路径规划的效率，但算法计算复杂度较高；另有学者将鸽群优化算法、麻雀搜索算法等应用于路径规划，解决了局部最优问题，但在动态环境适应性上仍存在不足。目前，国内关于POA算法在无人机集群三维路径规划中的应用研究较少，尚未形成成熟的理论与方法体系，如何充分发挥POA算法的优势，解决多约束、高维复杂环境下的无人机集群路径规划问题，成为当前亟待解决的关键课题。
1.4 研究内容与技术路线
本文围绕基于POA算法的无人机集群三维路径规划展开研究，具体研究内容如下：
（1）无人机集群三维路径规划环境建模与约束、目标分析：构建包含地形、静态障碍物、动态障碍物的三维环境模型，明确无人机飞行的运动约束、协同约束，确立路径长度、能耗、碰撞风险的多目标优化函数。
（2）POA算法原理与改进设计：深入分析POA算法的生物行为机制与数学模型，结合无人机集群路径规划的需求，设计适配的个体编码方式、适应度函数，优化算法迭代策略，提升算法的寻优效率与适配性。
（3）基于POA的无人机集群三维路径规划算法实现：搭建算法实现框架，明确初始化、迭代优化、终止条件等关键步骤，实现无人机集群路径的协同规划与动态避障。
（4）仿真实验与结果分析：搭建仿真平台，设置不同实验场景，与PSO、GA算法进行对比，从收敛速度、路径安全性、动态适应性等维度验证所提方法的有效性与优越性。
本文的技术路线为：首先梳理相关研究现状与核心技术，明确研究难点与研究目标；其次构建三维环境模型与优化目标，改进POA算法并应用于无人机集群路径规划；最后通过仿真实验验证算法性能，总结研究成果并展望未来研究方向。
1.5 研究创新点
本文的创新点主要体现在以下三个方面：
（1）将POA算法首次应用于无人机集群三维路径规划，充分利用其旋转舞蹈机制与子种群协作优势，解决传统智能算法收敛慢、易陷入局部最优的痛点，提升路径规划的效率与稳定性。
（2）设计适配无人机集群协同需求的适应度函数，整合路径长度、能耗、碰撞风险、机间距离等多重优化目标，实现多约束条件下的路径全局最优，兼顾路径可行性与实用性。
（3）构建融合DEM地形与动态障碍物的三维环境模型，结合POA算法的动态寻优特性，提升无人机集群在复杂动态环境中的避障能力与协同作业适应性，贴合实际工程应用场景。
2 相关理论基础
2.1 无人机集群路径规划核心概念
无人机集群路径规划是指在给定的三维作业空间中，根据环境信息（地形、障碍物等）与任务需求（协同作业、能耗限制等），为集群中的每架无人机规划一条从起点到终点的最优路径，同时满足机间无碰撞、飞行约束、任务协同等要求，实现路径长度最短、能耗最低、任务完成效率最高的优化目标。
根据规划维度的不同，路径规划可分为二维路径规划与三维路径规划。二维路径规划仅考虑平面内的障碍物避让，适用于平坦、无复杂地形的简单场景；而三维路径规划需同时考虑X、Y、Z三个维度的空间约束，兼顾地形起伏、高度限制等因素，更贴合无人机实际作业场景，也是本文的研究重点。
2.2 孔雀优化算法（POA）原理
POA算法是一种基于孔雀生物行为的新型群体智能优化算法，其核心思想是通过模拟孔雀群体的求偶行为与社会交互机制，实现对优化问题的高效寻优。该算法将种群中的个体划分为不同角色，通过各角色的协同行为，实现全局探索与局部开发的动态平衡，具备寻优效率高、跳出局部最优能力强、计算复杂度低等优势。
2.2.1 生物行为建模
POA算法的生物行为建模主要基于云南绿孔雀的求偶行为与群体交互特性，核心机制包括以下四个方面：
（1）雄性孔雀旋转舞蹈机制：雄性孔雀作为种群中的优质个体，分为原地旋转与围绕食物源旋转两种模式。适应度高的雄性孔雀以小半径围绕优质解（食物源）旋转，增强局部开发能力，快速逼近最优解；适应度较低的雄性孔雀以大半径原地旋转，扩大搜索范围，提升全局探索能力。
（2）雌性孔雀适应性接近机制：雌性孔雀作为种群中的中间个体，在迭代前期向排名前五的雄性孔雀聚集，聚焦局部优质区域进行探索；在迭代中后期，在雄性孔雀周围区域进行随机观察，平衡全局探索与局部开发，避免陷入局部最优。
（3）幼崽莱维飞行搜索机制：幼崽作为种群中的探索个体，采用莱维分布步长进行随机飞行，模拟幼崽寻找食物源的随机探索行为。莱维飞行的随机步长特性的能够帮助算法跳出局部最优区域，扩大搜索范围，提升算法的全局寻优能力。
（4）子种群互动机制：排名2-5的雄性孔雀以90°夹角向最优雄性孔雀（排名第一）移动，形成梯度引导的协作模式，促进种群向优质解聚集，提升算法的收敛速度。
4 基于POA的无人机集群三维路径规划算法实现
4.1 算法整体框架
本文提出的基于POA的无人机集群三维路径规划算法，采用混合式控制架构，分为中央协调节点与分布式无人机节点，整体框架包括环境感知层、算法优化层、路径执行层三个部分：
（1）环境感知层：由无人机集群的传感器（激光雷达、摄像头、GPS等）与中央节点组成，负责采集三维环境信息（地形、障碍物、无人机状态），实时更新环境模型与无人机状态数据，为路径规划提供基础数据支撑。
（2）算法优化层：由中央协调节点负责运行，核心是改进后的POA算法，根据环境感知层提供的信息，结合路径规划约束条件与优化目标，为每架无人机规划最优三维路径。
（3）路径执行层：由分布式无人机节点组成，每架无人机接收中央节点下发的参考路径，通过PID控制器调整自身的飞行速度与姿态，跟踪参考路径，同时实时反馈自身状态，若检测到碰撞风险，及时上报中央节点，触发局部路径重规划。
4.2 POA算法改进与适配设计
为适配无人机集群三维路径规划的需求，需对POA算法进行改进，重点优化个体编码方式、适应度函数与迭代策略，确保算法能够高效求解多约束、高维的路径规划问题。
5 结论与展望
5.1 研究结论
本文针对无人机集群三维路径规划中存在的收敛速度慢、易陷入局部最优、动态环境适应性差等问题，开展了基于孔雀优化算法（POA）的无人机集群三维路径规划研究，通过理论分析与仿真实验，得出以下结论：
（1）构建的三维环境模型能够精准模拟地形起伏、静态障碍物与动态障碍物，结合路径规划约束条件与多目标优化函数，能够全面反映无人机集群路径规划的实际需求，为算法实现提供了可靠的基础。
（2）改进后的POA算法通过优化个体编码方式、适应度函数与迭代策略，能够有效适配无人机集群三维路径规划的需求，实现全局探索与局部开发的动态平衡，解决了传统智能算法的核心痛点。
（3）仿真实验表明，所提方法的收敛速度、路径安全性、动态环境适应性、计算效率均优于PSO算法与GA算法，能够为无人机集群规划出安全、高效、可行的三维路径，提升集群协同作业能力。
5.2 研究不足与未来展望
本文的研究仍存在一些不足，未来将围绕以下方向开展进一步研究：
（1）多目标优化扩展：本文采用加权求和法将多目标转化为单目标优化，权重系数的设置具有一定主观性。未来将引入非支配排序策略，构建Pareto最优解集，实现路径长度、能耗、碰撞风险等多目标的协同优化，提升路径规划的灵活性与实用性。
（2）硬件在环验证：本文的实验的基于仿真平台开展，未进行实际硬件测试。未来将在PX4飞控平台上部署POA算法，搭建无人机集群硬件实验平台，测试算法在实际飞行中的性能，解决仿真与实际场景之间的差异问题，推动算法的工程化落地。
（3）异构集群协同：本文假设无人机集群为同构集群，未考虑不同类型无人机（固定翼、旋翼）的协同作业。未来将研究异构无人机集群的路径规划方法，结合不同类型无人机的飞行特性，优化路径规划策略，扩大算法的应用范围。
（4）深度学习融合：未来将结合卷积神经网络（CNN）等深度学习技术，实现三维环境特征的实时提取与动态障碍物运动轨迹的精准预测，进一步提升算法的动态适应性与寻优效率，适配更复杂的实际作业场景。
⛳️ 运行结果
🔗 参考文献
[1] 张玉洁,崔晶,李旭辉,等.基于Lévy飞行策略优化孔雀算法的工业机器人精度补偿[J].北京工业大学学报, 2025, 51(12):1485.DOI:10.11936/bjutxb2023120009.
[2] 张玉洁,崔 晶,李旭辉,et al.基于 Lévy 飞行策略优化孔雀算法的 工业机器人精度补偿[J].Journal of Beijing University of Technology, 2025, 51(12).DOI:10.11936/bjutxb2023120009.
[3] 李遥.基于优化深度学习的西南地区极端降雨事件预测模型构建[J].水资源开发与管理, 2024, 10(4):64-70.
📣 部分代码
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆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
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
