多无人机动态避障路径规划研究：基于遗传算法GA的复杂三维山体环境下多无人机动态避障路径规划研究（可以自定义无人机数量及起始点），MATLAB代码
一、遗传算法（GA）
遗传算法（Genetic Algorithm, GA）是由 Holland 提出的一类基于进化思想的随机搜索优化算法，通过模拟自然界自然选择与遗传变异机制，在解空间中进行启发式全局寻优，属于进化计算范畴。
（1） 核心思想
将优化问题的可行解编码为个体/染色体，构成种群；
通过适应度函数评价解的优劣，再经选择、交叉、变异操作迭代进化，使种群逐步逼近全局最优解。
（2）基本流程
- 编码与种群初始化：将决策变量映射为基因串，随机生成初始种群。
- 适应度评价：计算个体适应度，表征解的质量。
- 选择：依据适应度择优选择，保留优良个体。
- 交叉：个体间交换基因片段，产生新子代。
- 变异：基因位随机扰动，维持种群多样性、避免早熟收敛。
- 迭代终止：满足迭代次数、精度或收敛条件时输出最优解。
二、无人机（UAV）三维路径规划
单个无人机三维路径规划数学模型参考如下文献：
Phung M D , Ha Q P . Safety-enhanced UAV Path Planning with Spherical Vector-based Particle Swarm Optimization[J]. arXiv e-prints, 2021.
每个无人机的目标函数由路径长度成本，安全性与可行性成本、飞行高度成本和路径平滑成本共同组成：
2.1路径长度成本
路径长度成本由相邻两个节点之间的欧氏距离和构成，其计算公式如下：
2.2路径安全性与可行性成本
路径安全性与可行性成本通过下式计算：
2.3路径飞行高度成本
飞行高度成本通过如下公式计算所得：
2.4路径平滑成本
投影向量通过如下公式计算：
转弯角度的计算公式为：
爬坡角度的计算公式为：
平滑成本的计算公式为：
2.5总成本（目标函数）
总成本由最优路径成本，安全性与可行性成本、飞行高度成本和路径平滑成本的线性加权所得。其中，b为加权系数。
2.6 动态窗口法原理
动态窗口法的核心思想是在速度空间中搜索最优速度向量，用于无人机动态避障其核心步骤包括：
- 速度窗口采样：根据无人机运动学约束，生成可行速度集V s a m p l e V_{sample}Vsample；
- 轨迹预测：对每个采样速度，预测未来一段时间内的无人机轨迹；
- 评价函数计算：通过评价函数评估每条预测轨迹的优劣，筛选出最优轨迹对应的速度；
- 速度更新：将最优速度作为无人机的当前运动速度，完成局部路径规划。
评价函数包含目标趋近度、避障安全性和速度平滑性三个指标，其表达式为：
G ( v , ω ) = α ⋅ h e a d i n g ( v , ω ) + β ⋅ d i s t ( v , ω ) + γ ⋅ v e l o c i t y ( v , ω ) G(v,\omega)=\alpha \cdot heading(v,\omega)+\beta \cdot dist(v,\omega)+\gamma \cdot velocity(v,\omega)G(v,ω)=α⋅heading(v,ω)+β⋅dist(v,ω)+γ⋅velocity(v,ω)
其中，α , β , γ \alpha,\beta,\gammaα,β,γ为权重系数，h e a d i n g headingheading表示轨迹与目标方向的夹角，d i s t distdist表示轨迹与障碍物的最小距离，v e l o c i t y velocityvelocity表示轨迹的速度大小。
三、实验结果
点击查看多无人机动态避障路径规划代码及效果演示
在三维无人机路径规划中，无人机的路径由起点，终点以及起始点间的点共同连接而成。因此，自变量为无人机起始点间的各点坐标，每个无人机的目标函数为总成本（公式9）。本文研究3个无人机协同路径规划，总的目标函数为3个无人机的总成本之和。
%% 第一个无人机 起始点 start_location=[120;200;100];end_location=[800;800;150];ModelUAV(1).model.start=start_location;ModelUAV(1).model.end=end_location;%% 第二个无人机 起始点 start_location=[400;100;100];end_location=[900;600;150];ModelUAV(2).model.start=start_location;ModelUAV(2).model.end=end_location;%% 第三个无人机 起始点 start_location=[200;150;150];end_location=[850;750;150];ModelUAV(3).model.start=start_location;ModelUAV(3).model.end=end_location;%% 第四个无人机 起始点 start_location=[100;100;150];end_location=[800;730;150];ModelUAV(4).model.start=start_location;ModelUAV(4).model.end=end_location;%% 第5个无人机 起始点 start_location=[500;100;130];end_location=[850;650;150];ModelUAV(5).model.start=start_location;ModelUAV(5).model.end=end_location;figure plot(Convergence_curve,'LineWidth',2)xlabel('Iteration');ylabel('Best Cost');grid on;