基于龙卷风优化算法（TOC) 的多个无人机协同路径规划（可以自定义无人机数量及起始点）附Matlab代码
✅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
1 引言
1.1 研究背景与意义
随着无人机技术在应急救援、农林植保、城市安防、物流配送等领域的广泛应用，单一无人机作业已难以满足复杂任务的效率与覆盖需求，多无人机协同作业成为主流发展趋势。多无人机协同路径规划的核心目标，是在满足飞行约束（避障、机间无碰撞、续航等）的前提下，为每架无人机规划最优路径，实现任务效率最大化。
传统路径规划算法（如A*、Dijkstra、PSO、GA等）在多无人机协同场景中存在明显局限：梯度依赖型算法难以应对非线性复杂环境，元启发式算法易陷入早熟收敛，且多数算法难以灵活适配自定义无人机数量、起始点的动态需求。龙卷风优化算法（Tornado Optimizer with Coriolis Force, TOC）是2025年提出的新型元启发式算法，灵感源于龙卷风形成、旋转与消散的自然过程，通过模拟科里奥利力效应、气旋流动态平衡及风暴演化机制，具备极强的全局探索能力、局部开发精度和动态适应性，可有效破解传统算法在多无人机协同路径规划中的痛点，尤其适用于支持无人机数量、起始点自定义的灵活场景，为复杂环境下的多无人机协同作业提供高效解决方案。
1.2 研究核心目标
本文提出基于TOC算法的多无人机协同路径规划方法，核心目标包括：
支持无人机数量自定义（可灵活设置2~10架及以上），适配不同任务规模需求；
支持起始点自定义（可设置集中式或分散式起始点），贴合实际作业场景（如多仓库物流、多基地救援）；
在复杂环境（含静态/动态障碍物）中，为每架无人机规划路径，实现总路径长度最短、能耗最低、机间无碰撞、避障安全的多目标优化；
提升算法收敛速度与稳定性，避免早熟收敛，确保规划结果的最优性与可靠性。
1.3 研究现状概述
目前多无人机协同路径规划方法主要分为三类：集中式规划（如A*、Dijkstra）、分布式规划（如市场机制法）和智能优化算法（如PSO、GA、MSO等）。其中，集中式规划计算复杂度高，难以适配多无人机大规模场景；分布式规划依赖通信效率，易陷入局部最优；传统智能优化算法在高维解空间中易出现早熟收敛，动态适应性较差。
TOC算法作为新型元启发式算法，发表于中科院二区期刊“ARTIFICIAL INTELLIGENCE REVIEW”（IF：11.7），其核心创新在于模拟龙卷风的科里奥利力扰动、气旋平衡及风暴演化机制，在CEC2017基准函数集上的性能优于霜冰优化等传统算法，解决方案质量提升15%-20%。将TOC算法应用于多无人机协同路径规划，可充分发挥其全局探索与局部开发的动态平衡优势，同时通过灵活的参数设计，实现无人机数量、起始点的自定义配置，弥补现有方法的不足。
2 相关基础理论
2.1 龙卷风优化算法（TOC）核心原理
TOC算法的核心思想是模拟自然界龙卷风的形成、演化与消散过程，将风暴系统的动态行为转化为优化问题的搜索策略，通过构建“风暴-雷暴-龙卷风”的三级演化框架，平衡全局探索与局部开发，其关键机制如下：
2.1.1 种群初始化（风暴初生）
算法初始化时，随机生成三类“风暴个体”，对应解空间中的候选解，实现解空间的广泛覆盖：
普通风暴（随机探索者）：广泛散布在解空间，负责全局探索，寻找潜在的最优解区域；
雷暴（精英个体）：筛选出当前适应度较优的个体，作为局部最优解的载体，吸引周围普通风暴向其靠拢；
龙卷风（全局最优）：从雷暴中筛选出适应度最优的个体，作为全局搜索的核心，主导局部区域的精细搜索。
初始化过程中，通过动态调整“风暴能量”，模拟自然界中风暴形成所需的温度、湿度、风切变条件，平衡搜索的广度与深度，为后续优化奠定基础。
2.1.2 科里奥利力效应（方向扰动）
借鉴自然界中龙卷风在北半球逆时针旋转、南半球顺时针旋转的特性，TOC算法引入科里奥利力方向扰动机制，有效避免算法陷入“原地打转”的局部最优困境：
北半球模式：解向量向右偏转，增强对未知区域的探索能力，扩大搜索范围；
南半球模式：解向量向左偏转，强化对已知优势区域的挖掘，提升局部开发精度。
这种动态偏转机制如同为搜索过程装上“导航罗盘”，确保算法在探索与开发之间实现动态平衡。
2.1.3 气旋平衡方程（迭代更新）
借鉴流体力学中的梯度风速模型，TOC算法将气压梯度力、离心力与科里奥利力的平衡关系转化为迭代公式，指导风暴个体的位置更新：
高压区（局部最优解区域）：离心力主导，推动风暴个体逃离局部最优“舒适区”，继续探索更优解；
低压区（潜力解区域）：科里奥利力牵引，引导风暴种群螺旋式逼近最优解，实现局部精细搜索。
2.1.4 消散与重生机制（种群更新）
当风暴能量衰减（即适应度不再提升）时，算法自动触发“消散机制”：淘汰停滞不前的劣质个体，释放计算资源；同时随机生成新的风暴个体，为种群注入新鲜血液，复刻自然界的物竞天择规律，确保种群始终保持进化活力，避免早熟收敛。
2.2 多无人机协同路径规划核心约束
结合自定义无人机数量、起始点的需求，多无人机协同路径规划需满足以下核心约束，确保路径的可行性与安全性：
机间碰撞约束：任意两架无人机在飞行过程中的间距不小于安全阈值（通常≥6m），避免协同飞行时发生碰撞；
避障约束：路径需与静态障碍物（如建筑物、山体、高压线路）保持不小于5m的安全距离，与动态障碍物（如浓雾、临时禁飞区）保持不小于10m的安全距离；
自定义约束：支持无人机数量灵活设置（2~10架及以上），起始点可自由配置（集中式：多架无人机从同一基地出发；分散式：多架无人机从不同基地出发）；
续航约束：规划路径的总长度不超过无人机的最大续航里程，避免飞行过程中出现能源耗尽的情况；
动态适应约束：当环境中出现突发障碍物或任务参数（如无人机数量、起始点）调整时，算法需快速响应（响应时延≤10秒），完成路径重规划。
3 基于TOC的多无人机协同路径规划模型构建
3.1 环境模型构建
采用三维栅格地图对无人机飞行环境进行建模，将环境划分为可通行区域、静态障碍区域和动态障碍区域，便于算法进行路径搜索与避障判断：
可通行区域（绿色栅格）：无人机可自由飞行的区域，如开阔空地、低空无障碍物区域；
静态障碍区域（红色栅格）：固定不变的障碍物区域，如建筑物、山体、高压线路等，建模时需标注其位置与范围；
动态障碍区域（黄色栅格）：随时间变化的障碍物区域，如浓雾区、临时禁飞区等，建模时需实时更新其位置与扩散范围。
栅格地图的分辨率可根据任务需求调整，分辨率越高，环境建模越精准，但算法计算复杂度会相应增加，需在精准度与效率之间进行平衡。
3.2 路径编码与适应度函数设计
步骤5：收敛判断
判断是否达到迭代停止条件：若迭代次数达到预设最大值，或全局最优解（龙卷风）的适应度值连续多次迭代无明显变化（小于预设阈值），则停止迭代；否则，返回步骤3，继续迭代优化。
步骤6：输出最优路径
迭代停止后，输出全局最优解对应的多无人机路径集合，每架无人机的路径均满足自定义起始点要求、无碰撞、避障安全，且实现总路径长度和能耗最小化。同时，可根据实际需求，调整无人机数量或起始点，重新执行上述流程，实现动态规划。
4 结论与未来展望
4.1 研究结论
本文针对多无人机协同路径规划中“自定义参数适配性差、传统算法性能不足”的问题，提出基于龙卷风优化算法（TOC）的多无人机协同路径规划方法，通过模拟龙卷风的风暴演化、科里奥利力扰动等机制，结合自定义参数需求，构建了完整的路径规划模型与流程，得出以下结论：
TOC算法的三级风暴演化框架的全局探索与局部开发能力，可有效破解传统算法的早熟收敛问题，提升路径规划的最优性；
通过合理的路径编码、适应度函数设计，以及灵活的参数设置，算法可完美支持无人机数量、起始点的自定义，适配不同规模、不同场景的协同作业需求；
实验验证表明，该方法在路径最优性、安全性、动态适应性和收敛速度上均优于传统PSO、GA算法，可有效应用于应急救援、物流配送、城市安防等多无人机协同场景。
4.2 未来展望
基于本文的研究基础，未来可从以下方面进一步优化与拓展：
算法融合优化：结合海市蜃楼搜索优化（MSO）、牛优化算法（OX）等新型算法的优势，开发混合TOC算法，进一步提升动态环境下的路径重规划效率；
多目标优化拓展：引入更多优化目标（如通信延迟、任务完成时间均衡性），构建更贴合实际场景的多目标优化模型，提升算法的实用性；
场景拓展：将算法应用于更复杂的动态环境（如移动障碍物、恶劣天气），同时支持无人机异构性（不同型号、不同续航、不同负载的无人机协同）；
工程化实现：优化算法的计算效率，开发可视化操作界面，实现无人机数量、起始点、障碍物等参数的可视化自定义，便于工程应用。
⛳️ 运行结果
🔗 参考文献
[1] 樊琼剑.多无人机协同编队仿生飞行控制关键技术研究[D].南京航空航天大学,2008.DOI:10.7666/d.d051985.
[2] 谌海云,陈华胄,刘强.基于改进人工势场法的多无人机三维编队路径规划[J].系统仿真学报, 2020(3):7.DOI:10.16182/j.issn1004731x.joss.18-0252.
📣 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
👇