基于粒子群结合遗传算法PSO-GA优化算法设计自主VTOLMatlab代码，通过Unreal Engine模拟，BlenderGIS实现地形映射，整合实时空中交通数据

✅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、程序设计科研仿真。

🍎完整代码获取 定制创新 论文复现点击：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：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。

🔥 内容介绍

一、引言

自主垂直起降（VTOL）无人机在现代航空领域具有广泛的应用前景，如物流配送、航空摄影、搜索救援等。为了提升其性能和自主决策能力，采用高效的优化算法至关重要。粒子群优化（PSO）和遗传算法（GA）相结合的 PSO - GA 优化算法能够综合两者优势，有效优化 VTOL 的设计参数。同时，利用 Unreal Engine 强大的模拟功能、BlenderGIS 实现地形映射以及整合实时空中交通数据，可以构建逼真的模拟环境，对优化后的 VTOL 进行全面测试和验证。

二、PSO - GA 优化算法原理

粒子群优化算法（PSO）

遗传算法（GA）

1. 基本原理

   ：GA 模拟生物进化过程，通过选择、交叉和变异等遗传操作对种群进行迭代进化。种群中的每个个体代表一个可能的解，其适应度由目标函数评估。

2. 遗传操作

   ：

   • 选择

     ：根据个体适应度，采用轮盘赌选择法等方式，选择适应度高的个体进入下一代，使优良基因得以保留。

   • 交叉

     ：对选中的个体进行基因交换，产生新的个体，模拟生物的交配过程，促进种群的多样性。

   • 变异

     ：以一定概率对个体的某些基因进行随机改变，避免算法陷入局部最优。

PSO - GA 优化算法结合

1. 结合方式

   ：PSO - GA 优化算法结合了 PSO 的快速收敛性和 GA 的全局搜索能力。在算法开始时，利用 GA 进行全局搜索，快速定位到解空间中的有希望区域；然后，切换到 PSO 算法在该区域内进行局部搜索，以获得更精确的解。

2. 优势

   ：这种结合方式能够避免 PSO 算法易陷入局部最优和 GA 算法收敛速度慢的缺点，提高优化效率和结果的质量。

三、基于 PSO - GA 的自主 VTOL 设计

VTOL 设计参数

1. 硬件参数

   ：包括机翼形状、尺寸，发动机功率、推力，机身重量、重心位置等。这些参数直接影响 VTOL 的飞行性能，如速度、续航里程、机动性等。

2. 控制参数

   ：如飞行姿态控制参数（俯仰、滚转、偏航控制增益），悬停控制参数等。合理的控制参数能够确保 VTOL 在不同飞行状态下的稳定性和精确性。

⛳️ 运行结果

📣 部分代码

properties (Nontunable)

mapGridSize = 0.2;

downsamplePercent = 0.1;

quadCopterROI = [-2 2 -2 2 -2 2];

sensorPoseWRTUAV = rigidtform3d([90 90 0],[0 0 0]);

end

properties(Access = private)

CurScan

vSet

absTform

viewId

end

methods(Access = protected)

function num = getNumOutputsImpl(obj)

% Define total number of outputs for system with optional

% outputs

num = 2;

end

% function [sz1, sz2, sz3] = getOutputSizeImpl(obj)

function [sz1, sz2] = getOutputSizeImpl(obj)

% Return size for each output port

sz1 = [1 1];

sz2 = [600000 3];

end

% function [dt1, dt2, dt3] = getOutputDataTypeImpl(obj)

function [dt1, dt2] = getOutputDataTypeImpl(obj)

% Return data type for each output port

dt1 = "boolean";

dt2 = "double";

end

% function [o1, o2, o3] = isOutputComplexImpl(obj)

function [o1, o2] = isOutputComplexImpl(obj)

% Return true for each output port with complex data

o1 = false;

o2 = false;

end

% function [o1, o2, o3] = isOutputFixedSizeImpl(obj)

function [o1, o2] = isOutputFixedSizeImpl(obj)

% Return true for each output port with fixed size

o1 = true;

o2 = true;

end

function setupImpl(obj)

% Perform one-time calculations, such as computing constants

obj.vSet = pcviewset;

obj.absTform = rigidtform3d;

obj.CurScan = pointCloud(zeros(32, 1083, 3));

obj.viewId = 1;

end

function [isMapDone, pcMap] = stepImpl(obj, ptcloud, count)

% Implement algorithm. Calculate y as a function of input u and

% discrete states.

isMapDone = false;

pcMap = nan(600000, 3);

% Convert the location values to point cloud object

curPc = pointCloud(ptcloud);

% Transform the point cloud based on the lidar sensor pose

% w.r.t. the UAV

% curPc = pctransform(curPc,obj.sensorPoseWRTUAV);

% Remove the quadcopter points from the point cloud

quadCopterIdx = findPointsInROI(curPc, obj.quadCopterROI);

allIndex = 1:curPc.Count;

ia = ismember(allIndex, quadCopterIdx);

curPc = select(curPc, ~ia', OutputSize="full");

curDownsampledPc = pcdownsample(curPc, "random", obj.downsamplePercent);

% Initialize the pcviewset object

if obj.viewId == 1

obj.vSet = addView(obj.vSet, obj.viewId, obj.absTform, "PointCloud", curPc);

obj.CurScan = curDownsampledPc;

obj.viewId = obj.viewId + 1;

return;

end

% Take every 5th scan

if rem(count,5) == 0

prevDownsampledPc = obj.CurScan;

relTform = pcregistericp(curDownsampledPc, prevDownsampledPc, Metric="planeToPlane");

obj.absTform = rigidtform3d( obj.absTform.A * relTform.A );

obj.vSet = addView(obj.vSet, obj.viewId, obj.absTform, "PointCloud", curPc);

obj.vSet = addConnection(obj.vSet, obj.viewId-1, obj.viewId, relTform);

obj.CurScan = curDownsampledPc;

obj.viewId = obj.viewId + 1;

end

if rem(count, 50) == 0

ptClouds = obj.vSet.Views.PointCloud;

absPoses = obj.vSet.Views.AbsolutePose;

pc = pcalign(ptClouds, absPoses, obj.mapGridSize);

pc = pctransform(pc, rigidtform3d([90 90 180], [0 0 0]));

pcshow(pc,Parent=gca);

end

if rem(count, 400) == 0

ptClouds = obj.vSet.Views.PointCloud;

absPoses = obj.vSet.Views.AbsolutePose;

ptCloudMap = pcalign(ptClouds, absPoses, obj.mapGridSize);

ptCloudMap = pctransform(ptCloudMap, rigidtform3d([90 90 180], [0 0 0]));

isMapDone = true;

pcMap(1:ptCloudMap.Count,:) = ptCloudMap.Location;

obj.vSet = pcviewset;

🔗 参考文献

🍅更多免费数学建模和仿真教程关注领取