基于哈里斯鹰优化算法HHO的多无人机协同集群避障路径规划算法研究，目标函数：最低成本：路径、高度、威胁、转角附Matlab代码-开发者社区

✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、算法改进、程序设计科研仿真。

🍎完整代码获取定制创新论文复现私信

🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。

1. 相关介绍

一、引言

在多无人机应用场景中，如物流配送、搜索救援、军事侦察等，确保无人机能够在复杂环境中安全、高效地到达目标地点至关重要。多无人机协同集群避障路径规划旨在为每架无人机找到一条无碰撞且满足特定性能指标的路径。本文聚焦于基于哈里斯鹰优化算法（HHO），以最低成本（综合考虑路径、高度、威胁、转角等因素）为目标函数，开展多无人机协同集群避障路径规划算法的研究。

二、多无人机协同集群避障路径规划问题分析

环境建模
- 将三维空间划分为网格，每个网格单元表示一个空间区域，标记是否被障碍物占据。障碍物可以是建筑物、山脉等地理实体。
- 定义威胁区域，如敌方雷达覆盖区、危险气象区域等，不同威胁区域对无人机通过的威胁程度不同。
路径表示
采用一系列三维坐标点来表示无人机的飞行路径。例如，对于一架无人机，其路径可表示为P=[p1,p2,⋯,pn]，其中pi=(xi,yi,zi)为路径上的第i个点。

三、哈里斯鹰优化算法（HHO）原理

哈里斯鹰优化算法是一种受哈里斯鹰捕食行为启发的元启发式优化算法。

初始化种群
随机生成一定数量的哈里斯鹰（即候选路径），每只哈里斯鹰的位置代表一条无人机的路径。例如，对于m架无人机，种群可表示为X=[X1,X2,⋯,Xm]，其中Xj为第j架无人机的路径，由一系列三维坐标点组成。
捕食策略
- 围捕猎物
  ：哈里斯鹰在搜索空间中随机搜索猎物，逐渐缩小搜索范围。在算法中，通过随机调整哈里斯鹰的位置（路径点）来模拟这一过程，以探索更优的路径。
- 渐进式快速俯冲
  ：当接近猎物时，哈里斯鹰会采用渐进式快速俯冲策略。在算法中，根据当前哈里斯鹰位置与最优位置（当前找到的最优路径）之间的距离，以一定概率对哈里斯鹰位置进行更激进的调整，加快收敛速度。
适应度评估
将每只哈里斯鹰的位置（路径）代入目标函数J中，计算其适应度值，适应度值越低表示该路径成本越低，性能越好。
更新种群
根据适应度值，选择更优的哈里斯鹰作为下一代种群的父代，并通过交叉、变异等操作生成新的种群，不断迭代优化，直至满足终止条件（如达到最大迭代次数、适应度值收敛等）。

四、基于 HHO 的多无人机协同集群避障路径规划算法实现

算法流程
- 初始化
  ：设置哈里斯鹰种群数量、最大迭代次数、各项成本权重等参数；随机生成初始种群，即每架无人机的初始路径。
- 适应度计算
  ：对每架无人机的路径，根据目标函数计算其适应度值。
- 路径冲突检测与处理
  ：检查多无人机路径之间是否存在碰撞冲突。若存在冲突，采用一定策略（如调整冲突路径段、重新规划冲突区域路径等）进行处理，确保多无人机路径的协同避障。
- HHO 优化
  ：按照哈里斯鹰优化算法的规则，对种群进行更新，包括围捕猎物、渐进式快速俯冲等操作，生成新的路径种群。
- 终止判断
  ：判断是否满足终止条件。若满足，输出最优路径；否则，返回适应度计算步骤，继续迭代。
关键技术点
- 路径冲突检测
  ：通过计算不同无人机路径点之间的距离，判断是否小于安全距离阈值，若小于则判定为路径冲突。
- 冲突处理策略
  ：对于冲突路径，可采用局部重规划方法，在冲突区域附近重新搜索无冲突路径；或者调整冲突无人机的飞行高度，以避免碰撞。

2. 运行效果展示

3. 部分代码呈现

close all

clearclcwarning ('off')global modelmodel = CreateModel(); % Create search map and parametersload('BestPosition.mat');load('BestFit.mat');load('ConvergenceCurve.mat');load('UAVfit.mat');%% 画图ColStr={'b-.','r--','c-.','m--','g-.'};%算法代码的颜色LegendStr={'UAV1','UAV2','UAV3','UAV4','UAV5'};%图1 算法收敛曲线图gca1=figure(1);plot(ConvergenceCurve,'r-','linewidth',3)xlabel('迭代次数');ylabel('全部无人机总成本');legend('SWO')%图2和图3 无人机轨迹图gca2=figure(2);gca3=figure(3);[h11,h12]=PlotSolution(BestPosition(1,:),model,ColStr{1},gca2,gca3);[h21,h22]=PlotSolution(BestPosition(2,:),model,ColStr{2},gca2,gca3);[h31,h32]=PlotSolution(BestPosition(3,:),model,ColStr{3},gca2,gca3);[h41,h42]=PlotSolution(BestPosition(4,:),model,ColStr{4},gca2,gca3);[h51,h52]=PlotSolution(BestPosition(5,:),model,ColStr{5},gca2,gca3);legend([h11,h21,h31,h41,h51],LegendStr,'location','NorthWest');legend([h12,h22,h32,h42,h52],LegendStr,'location','NorthWest');colormapStr=othercolor(61);colormap(gca2,colormapStr);colormap(gca3,colormapStr);figurebar(BestFit)set(gca,'xtick',1:1:5);set(gca,'XTickLabel',LegendStr)ylabel('总成本')figurebar(UAVfit);set(gca,'XTickLabel',LegendStr)legend('路径成本','威胁成本','高度成本','转角成本')figurebar(UAVfit,"stacked");set(gca,'XTickLabel',LegendStr)legend('路径成本','威胁成本','高度成本','转角成本')figurebar(UAVfit');set(gca,'xtick',1:1:4);set(gca,'XTickLabel',{'路径成本','威胁成本','高度成本','转角成本'})legend(LegendStr)saveas(gca2,'Figure.fig');%将图二保存openfig('Figure.fig');view(2)