【路径规划】基于matlab蚁群算法无人机巡检路径规划【含Matlab源码 138期】

一、获取代码方式

获取代码方式1：
完整代码已上传我的资源：【路径规划】基于matlab蚁群算法无人机巡检路径规划【含Matlab源码 138期】

获取代码方式2：
通过订阅紫极神光博客付费专栏，凭支付凭证，私信博主，可获得此代码。

备注：
订阅紫极神光博客付费专栏，可免费获得1份代码（有效期为订阅日起，三天内有效）；

二、背景

以2017年华为杯研究生数学建模比赛A题（无人机在抢险救灾中的优化运用）为例，讲解蚁群算法在求解最优路径问题中的应用，我们将问题进行了简化，描述如下：
无人机从某一个基地出发，途径所有救援点，然后回到基地（每个点只经过一次），求解最佳行驶路径。
基地和所有救援点的散点图如图1所示。

蚁群算法是寻求优化路径的一种算法，这种算法的思想起源于蚂蚁在寻求事物过程中的路径，这种算法在本质上属于一种启发式全局优化算法，具有信息正反馈、分布计算和启发式搜索的特点。蚁群算法采用的规则主要为环境信息、避障规则、移动规则、散发信息素规则等。蚁群算法主要应用在组合优化问题上，同时其在网络路由中应用也越来越广泛。
最终使用蚁群算法得到的救援路线如图2所示：

三、部分源代码

我们提供了可运行的代码，并添加了注释，大家可自行去了解该算法的精髓。代码包含三个部分，主函数mainfun.m调用Antcolonyalgorithm.m和flightRoute.m. Antcolonyalgorithm.m用于实现蚁群算法，flightRoute.m用于画飞行路线。

function mainfun()% 位点坐标
position=[   91.2000   94.300083.4000   90.400076.7000   88.800057.8000   91.400075.6000   91.400057.8000   88.000051.1000   88.900030.0000   90.600030.0000   99.400042.2000   78.100058.9000   92.700062.3000   93.200050.0000   78.900044.5000   86.700055.6000   71.200052.3000   67.300072.3000   64.700082.3000   66.000085.6000   71.200082.3000   67.300085.6000   58.200085.6000   60.800083.4000   59.500050.0000   71.700052.3000   78.400044.5000   75.800066.0000   93.600062.2000   82.900078.9000   93.200067.8000  116.500052.2000  120.400055.6000   80.200091.2000  124.300053.3000   65.9000110.0000   55.0000];% 所有点的散点图
figure
scatter(position(:,1),position(:,2),'ro');
hold on
axis([10,120,20,140])
plot(110,55,'ro','MarkerFaceColor','r')
text(100,60,'基地J','Color','r')
set(gca,'FontSize',16)% 蚁群算法
[~,L_best,L_ave,Shortest_Route,Shortest_Length]=Antcolonyalgorfigure
plot(L_best,'b','LineWidth',2)
hold on
plot(L_ave,'b','LineWidth',2)
xlabel('迭代次数')
ylabel('平均距离和最短距离')
set(gca,'FontSize',16)end

蚁群算法函数——

function [R_best,L_best,L_ave,Shortest_Route,Shortest_Length]=Antcolonyalgorithm(C,NC_max,m,Alpha,Beta,Rho,Q)% 输入输出说明
% C城市的坐标
% NC_max 最大迭代次数
% m 蚂蚁个数
% Rho 信息素蒸发系数
% Q 信息素增加强度系数
% R_best 最佳路线
% L_best 最佳路线的长度
% Alpha 信息素重要程度
% Beta 启发式因子重要程度%变量初始化
n=size(C,1);
D=zeros(n,n);
for i=1:nfor j=1:nif i~=jD(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^0.5;elseD(i,j)=eps;endD(j,i)=D(i,j);end
end
Eta=1./D;
Tau=ones(n,n);
Tabu=zeros(m,n);
NC=1;
R_best=zeros(NC_max,n);
L_best=inf.*ones(NC_max,1);
L_ave=zeros(NC_max,1);while NC<=NC_max Randpos=[];for i=1:(ceil(m/n))Randpos=[Randpos,randperm(n)];endTabu(:,1)=(Randpos(1,1:m))';for j=2:nfor i=1:mvisited=Tabu(i,1:(j-1)); J=zeros(1,(n-j+1));P=J;Jc=1;for k=1:nif isempty(find(visited==k, 1))J(Jc)=k;Jc=Jc+1;endendif NC>=2Tabu(1,:)=R_best(NC-1,:);endL=zeros(m,1);for i=1:mR=Tabu(i,:);for j=1:(n-1)L(i)=L(i)+D(R(j),R(j+1)); endL(i)=L(i)+D(R(1),R(n)); endL_best(NC)=min(L);pos=find(L==L_best(NC));R_best(NC,:)=Tabu(pos(1),:); L_ave(NC)=mean(L);NC=NC+1;%更新信息素Delta_Tau=zeros(n,n);for i=1:mfor j=1:(n-1)Delta_Tau(Tabu(i,j),Tabu(i,j+1))=Delta_Tau(Tabu(i,j),Tabu(i,j+1))+Q/L(i);endDelta_Tau(Tabu(i,n),Tabu(i,1))=Delta_Tau(Tabu(i,n),Tabu(i,1))+Q/L(i);endTau=(1-Rho).*Tau+Delta_Tau;%禁忌表清零Tabu=zeros(m,n);
end
%输出结果
Pos=find(L_best==min(L_best));
Shortest_Route=R_best(Pos(1),:);
Shortest_Length=L_best(Pos(1));end

画路线图的函数，输入为位点坐标和路径——


function flightRoute(C,Rou)Num=length(Rou);
scatter(C(:,1),C(:,2));
hold on
plot([C(Rou(1),1),C(Rou(Num),1)],[C(Rou(1),2),C(Rou(Num),2)],'r','LineWidth',3)
hold on
for ii=2:Numplot([C(Rou(ii-1),1),C(Rou(ii),1)],[C(Rou(ii-1),2),C(Rou(ii),2)],'r','LineWidth',3)hold on
endend

四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.
[3]巫茜,罗金彪,顾晓群,曾青.基于改进PSO的无人机三维航迹规划优化算法[J].兵器装备工程学报. 2021,42(08)
[4]邓叶,姜香菊.基于改进人工势场法的四旋翼无人机航迹规划算法[J].传感器与微系统. 2021,40(07)
[5]马云红,张恒,齐乐融,贺建良.基于改进A*算法的三维无人机路径规划[J].电光与控制. 2019,26(10)
[6]焦阳.基于改进蚁群算法的无人机三维路径规划研究[J].舰船电子工程. 2019,39(03)