优化覆盖基于matlab粒子群算法优化无人机编队布局求解车载网络通信覆盖优化问题含matlab源码2021期(代码片段)

关键词：

一、无人机简介

无人机的航迹规划是指在综合考虑无人机飞行油耗、威胁、飞行区域以及自身物理条件限制等因素的前提下, 为飞行器在飞行区域内规划出从初始点到目标点最优或者满意的飞行航迹, 其本质是一个多约束的目标优化问题。航迹规划算法是航迹规划的核心。国内外相继开展了相关研究, 提出了许多航迹规划算法, 如模拟退火算法、人工势场法、遗传算法、蚁群算法等。但由于无人机面临的规划空间异常复杂、规划约束条件多且模糊性大, 航迹搜索算法存在寻优能力差、计算量过大、效率不高等问题, 在航迹规划的最优性和实时性方面有待进一步提高。

粒子群优化算法 (particle swarm optimization, PSO)是Kennedy和Eberhart于1995年提出的一种群体智能仿生算法, 在解决一些典型的函数优化问题时, 能够取得比较好的优化结果。

1 无人机航迹规划模型
1.1 航迹表示方法
一般地, 无人机航迹规划的空间可以表示为某三维坐标系下所有点的集合 (x, y, z) |xmin≤x≤xmax, ymin≤y≤ymax, zmin≤z≤zmax, 其中x, y可以表示为该节点在飞行水平面下的坐标, 也可以表示为该点的经纬度, z为高程数据或海拔高度。航迹规划的目的是获得无人机在该空间中的飞行轨迹, 生成的航迹可表示为三维空间的一系列的点PS, P1, P2, …, Pn-2, PG, 相邻航迹点之间用直线段连接。

1.2 航迹代价函数
在航迹规划中, 常采用经过适当简化的航迹代价计算公式

式中, s表示航迹段数, Li表示第i段航迹长度, 该项代表距离代价。Hi表示第i段航迹的平均海拔高度, 该项代表高度代价。Ti为第i段航迹的威胁指数, 该项代表威胁代价。k1、k2、k3分别是距离代价、高度代价和威胁代价的权重值, 权重的选取与飞行任务要求相关。

2 基本粒子群算法
粒子群算法初始化为一群数量为N的随机粒子 (随机解) , 在D维空间中通过重复迭代、更新自身的位置以搜索适应度值最优解。粒子的位置代表被优化问题在搜索空间中的潜在解。在每次迭代中, 粒子通过跟踪2个“极值”来更新自己的速度和位置:一个是粒子自身目前所找到的最优解, 即个体极值;另一个是整个粒子群目前找到的最优解, 即全局极值。粒子i (i=1, 2, …, N) 在第j (j=1, 2, …, D) 维的速度vij和位置xij按如下格式更新:

式中, ω为非负数, 称为惯性权值 (惯性因子) , 描述了粒子对之前速度的“继承”, 即体现出粒子的“惯性”;c1和c2为非负常数, 称为学习因子 (加速因子) , 体现了粒子的社会性, 即粒子向全局最优粒子学习的特性;r1和r2为 (0, 1) 之间的随机数;pi= (pi1, pi2, …, pi D) 表示粒子i的个体极值所在位置;pg= (pg1, pg2, …, pg D) 表示所有粒子的全局极值所在位置。

速度更新公式的第一项, 反映粒子当前速度的影响, 每一个粒子按照惯性权值的比重沿着自身速度的方向搜索, 起到了平衡全局的作用, 同时避免算法陷入局部最优;第二项体现了个体最优值对粒子速度的影响, 即粒子本身的记忆和认识, 使得粒子具有全局搜索能力。第三项则反映群体对个体的影响, 即群体间的信息共享起到加速收敛的作用。

三、部分源代码

function out = PSOSearch(param, position)

% Import trace file(SUMO)
filename = param.filename;
filename_obj = param.filename_obj;
filename_connec = param.filename_connec;

% Number of vehicles available in the dataset(SUMO)
nVehicle = param.nVehicle; % Have to change according to the trace file
niter =param.niter;

% Infrastructure Position
pos = position; % Have to change according to the trace file
infRadius = 500;

% Reading table
T = readtable(filename);
T_obj = readtable(filename_obj);
T_connec = readtable(filename_connec);
% Number of rows in the table
n_rows_obj = height(T_obj);

% Finding minimum and maximum of Position X and Y
minPosX = min(T:,4);
minPosY = min(T:,5);
maxPosX = max(T:,4);
maxPosY = max(T:,5);

% Vehicle template
empty_vehicle.id = [];
empty_vehicle.Position = [];
empty_vehicle.angle = [];

% Creating templates for storing Previous connectivity history of vehicles
empty_pre_conection.id = [];
empty_pre_conection.id1 = [];
empty_pre_conection.t1 = 0;
empty_pre_conection.id2 = [];
empty_pre_conection.t2 = 0;
empty_pre_conection.id3 = [];
empty_pre_conection.t3 = 0;
empty_pre_conection.id4 = [];
empty_pre_conection.t4 = 0;
empty_pre_conection.id5 = [];
empty_pre_conection.t5 = 0;

% Create vehicles connections history array
pre_conection = repmat(empty_pre_conection, nVehicle, 1);

% Create vehicles array
object_vehicle = repmat(empty_vehicle, nVehicle, 1);
for i=1:n_rows_obj
    for j=1:nVehicle
        if strcmp(T_obji,1,['veh' num2str((j-1),'%d')])
            object_vehicle(j).id = T_obji,1;
            object_vehicle(j).angle = T_obji,2;
            object_vehicle(j).Position = [T_obji,3, T_obji,4];
        end
    end
end

% Creating vehicles id for 'connection history' data structure
for i=1:nVehicle
    pre_conection(i).id = ['veh' num2str((i-1), '%d')];
    pre_conection(i).id1 = T_conneci,1;
    pre_conection(i).t1 = T_conneci,2;
    pre_conection(i).id2 = T_conneci,3;
    pre_conection(i).t2 = T_conneci,4;
    pre_conection(i).id3 = T_conneci,5;
    pre_conection(i).t3 = T_conneci,6;
    pre_conection(i).id4 = T_conneci,7;
    pre_conection(i).t4 = T_conneci,8;
    pre_conection(i).id5 = T_conneci,9;
    pre_conection(i).t5 = T_conneci,10;
end

% Storing available vehicle's position in this time-slot (For scatter
% ploting only)
counter = 1;
for i=1:nVehicle
    if ~isempty(object_vehicle(i).id)
        x(counter) = object_vehicle(i).Position(1);
        y(counter) = object_vehicle(i).Position(2);
        all_vehicle(counter).id = object_vehicle(i).id;
        all_vehicle(counter).angle = object_vehicle(i).angle;
        all_vehicle(counter).Position = object_vehicle(i).Position;
        all_vehicle(counter).x = object_vehicle(i).Position(1);
        all_vehicle(counter).y = object_vehicle(i).Position(2);
        all_vehicle(counter).connec_sum = pre_conection(i).t1 + pre_conection(i).t2 + pre_conection(i).t3 ...
            + pre_conection(i).t4 + pre_conection(i).t5;
        counter = counter + 1;
    end
end

% Number of vehicles both covered and uncovered
uncovered_vehicle = all_vehicle;
nall_vehicle = size(uncovered_vehicle, 2);
counter1 = 1;

% Finding all the uncovered vehicles
for j = 1:niter
    for i = 1:nall_vehicle
        dist(j).inf = sqrt(sum((pos(j).inf - uncovered_vehicle(i).Position) .^2));
        if dist(j).inf > infRadius
            uncovered_vehicle(counter1).id = uncovered_vehicle(i).id;
            uncovered_vehicle(counter1).angle = uncovered_vehicle(i).angle;
            uncovered_vehicle(counter1).Position = uncovered_vehicle(i).Position;
            uncovered_vehicle(counter1).connec_sum = uncovered_vehicle(i).connec_sum;
            counter1 = counter1 + 1;
        end
    end
    uncovered_vehicle = uncovered_vehicle(1:counter1-1);
    nall_vehicle = size(uncovered_vehicle, 2);
    counter1 = 1;
end

% Number of uncovered vehicles
nuncovered_vehicle = size(uncovered_vehicle, 2);

% Problem Definition
nVar = 2;   % Decision Variable
VarSize = [1 nVar]; % Matrix Size of Decision Variables
VarMin = min(minPosX, minPosY);   % Lower Bound of Decision Variables
VarMax = max(maxPosX, maxPosY);    % Upper Bound of Decision Variables

% Parameters of PSO
MaxIt = param.MaxIt;    % Maximum Number of Iterations
nPop = param.nPop;  % Population Size
w = 1;      % Intertia Coefficient
wdamp = 0.99; % Damping Ratio of Intertia Coefficient
c1 = 2;     % Personal Acceleration Coefficient
c2 = 2;     % Social Acceleration Coefficient
MaxVelocity = 0.15*(VarMax-VarMin);
MinVelocity = -MaxVelocity;

% Initialization
% The particle template
empty_particle.Position = [];
empty_particle.Velocity = [];
empty_particle.Cost = [];
empty_particle.Best.Position = [];
empty_particle.Best.Cost = [];

% create population array
particle = repmat(empty_particle, nPop, 1);

% Initialize Global Best
GlobalBest.Cost = -inf;
GlobalBest.Position = [0,0];

% Initialize population members
for i=1:nPop
    % Generate Random Solution
  

    % Initialize Velociy
    particle(i).Velocity = zeros(VarSize);

    % Evaluation
    evaluation = objfuntest(particle(i).Position, nuncovered_vehicle, uncovered_vehicle, pos, niter);
    particle(i).Cost = evaluation.Fitness;
    nMi = evaluation.M;
    nNi = evaluation.N;

    % Update the Personal Best
    particle(i).Best.Position = particle(i).Position;
    particle(i).Best.Cost = particle(i).Cost;

    % Update Global Best
    if particle(i).Best.Cost > GlobalBest.Cost
     
end
% Array to Hold Best Cost Value on Each Iteration
BestCosts = zeros(MaxIt, 1);

nM = 0;
nN = 0;

%  Main Loop of PSO
for it=1:MaxIt
    for i=1:nPop
        % Update Velocity
        particle(i).Velocity = w*particle(i).Velocity ...
            + c1*rand(VarSize).*(particle(i).Best.Position - particle(i).Position) ...
            + c2*rand(VarSize).*(GlobalBest.Position -particle(i).Position);

        % Apply Velocity Limits
        particle(i).Velocity = max(particle(i).Velocity, MinVelocity);
        particle(i).Velocity = min(particle(i).Velocity, MaxVelocity);

        % Update Position
        particle(i).Position = particle(i).Position + particle(i).Velocity;

        % Apply Lower and Upper Bound Limits
        particle(i).Position = max(particle(i).Position, VarMin);
        particle(i).Position = min(particle(i).Position, VarMax);

        % Evaluation
        evaluation = objfuntest(particle(i).Position, nuncovered_vehicle, uncovered_vehicle, pos, niter);
        particle(i).Cost = evaluation.Fitness;

        % Update Personal Best
        if particle(i).Cost > particle(i).Best.Cost

        
        end
    end
    % Store the Best Cost Value
    BestCosts(it) = GlobalBest.Cost;

    % Damping Intertia Coefficient
    w = w * wdamp;
end
out.Fitness = GlobalBest.Cost;
out.Position = GlobalBest.Position;
out.Uncov_veh = evaluation.V;
out.nM = nM;
out.nN = nN;
out.x = x;
out.y = y;
out.VarMin = VarMin;
out.VarMax = VarMax;
out.Total_vehicle = size(all_vehicle, 2);
out.Best_cost = BestCosts;

end

四、运行结果

五、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]方群,徐青.基于改进粒子群算法的无人机三维航迹规划[J].西北工业大学学报. 2017,35(01)

无人机基于matlab粒子群算法优化干扰受限下无人机群辅助网络含matlab源码2245期(代码片段)

⛄一、无人机简介无人机的航迹规划是指在综合考虑无人机飞行油耗、威胁、飞行区域以及自身物理条件限制等因素的前提下,为飞行器在飞行区域内规划出从初始点到目标点最优或者满意的飞行航迹,其本质是一个多约束的目标... 查看详情

目标搜索基于matlab运动编码粒子群算法优化(mpso)无人机搜索丢失目标含matlab源码2254期(代码片段)

...其相邻单元，从而保证路径中相邻节点之间的距离在无人机移动能力范围内，保持路径节点的可达性，使得每一代进化后的路径总是有效的。MPSO将每条搜索路径视为一组无人机运动段，若定义t时某运动段的大小... 查看详情

图像分割基于matlab粒子群算法优化模拟退火算法图像分割含matlab源码2020期

一、粒子群算法优化模拟退火算法图像分割简介（具体理论见参考文献）1基于模拟退火思想的粒子群算法1.1基本PSO算法首先,粒子群算法是由Eberhan博士和Kennedy博士最先提出的全局优化进化算法。该算法源于对鸟群捕食行... 查看详情

图像分割基于matlab粒子群算法优化模拟退火算法图像分割含matlab源码2020期

一、粒子群算法优化模拟退火算法图像分割简介（具体理论见参考文献）1基于模拟退火思想的粒子群算法1.1基本PSO算法首先,粒子群算法是由Eberhan博士和Kennedy博士最先提出的全局优化进化算法。该算法源于对鸟群捕食行为的灵... 查看详情

优化算法基于matlab量子粒子群算法求解单目标优化问题含matlab源码2203期

...代码方式获取代码方式1：完整代码已上传我的资源：【优化算法】基于matlab量子粒子群算法求解单目标优化问题【含Matlab源码2203期】点击上面蓝色字体，直接付费下载，即可。获取代码方式2：付费专栏优化求解（Matlab）备注：... 查看详情

pid优化基于matlab粒子群算法pid控制器优化设计含matlab源码1122期(代码片段)

一、简介粒子群优化(PSO)是一种基于群体智能的数值优化算法，由社会心理学家JamesKennedy和电气工程师RussellEberhart于1995年提出。自PSO诞生以来，它在许多方面都得到了改进，这一部分将介绍基本的粒子群优化算法原理... 查看详情

三维装箱基于matlab粒子群算法求解三维装箱优化问题含matlab源码950期

一、简介1粒子群算法的概念粒子群优化算法(PSO：Particleswarmoptimization)是一种进化计算技术（evolutionarycomputation）。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解... 查看详情

优化选址基于matlab改进的粒子群算法求解充电桩选址优化问题含matlab源码1964期(代码片段)

一、粒子群算法简介1粒子群算法的概念粒子群优化算法(PSO：Particleswarmoptimization)是一种进化计算技术（evolutionarycomputation）。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协... 查看详情

三维路径规划基于matlab粒子群算法无人机三维路径规划含matlab源码192期(代码片段)

一、无人机简介无人机的航迹规划是指在综合考虑无人机飞行油耗、威胁、飞行区域以及自身物理条件限制等因素的前提下,为飞行器在飞行区域内规划出从初始点到目标点最优或者满意的飞行航迹,其本质是一个多约束的目标优... 查看详情

优化求解基于matlab遗传算法结合粒子群算法求解单目标优化问题含matlab源码1659期(代码片段)

一、GA-PSO混合优化算法的基本思想对于遗传算法来讲,传统的遗传算法中变异算子是对群体中的部分个体实施随机变异,与历史状态和当前状态无关。而粒子群算法中粒子则能保持历史状态和当前状态。遗传算法的进化初期,变异有... 查看详情

路径优化基于人工蜂群(abc)算法和粒子群优化算法的组合求解路径优化问题（matlab代码实现）

...录​​1概述​​​​2基本人工蜂群算法​​​​3粒子群优化算法​​​​4运行结果 ​​​​5参考文献 ​​​​ 6 Matlab代码实现​​1概述旅行商问题是一个典型的NP-Hard问题.由于经典算法在解决较大规模的组合... 查看详情

优化算法基于matlab融合飞行机制的粒子群优化算法含matlab源码1924期(代码片段)

...式获取代码方式1：完整代码已上传我的资源：【优化算法】基于matlab融合飞行机制的粒子群优化算法【含Matlab源码1924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... 查看详情

matlab基于混合粒子群算法的tsp搜索算法matlab优化算法二十(代码片段)

基于混合粒子群算法的TSP搜索算法标准粒子群算法通过追随个体极值和群体极值完成极值寻优，虽然操作简单，且能够快速收敛，但是随着迭代次数的不断增加，在种群收敛集中的同时，各粒子也越来越相似&#... 查看详情

matlab基于混合粒子群算法的tsp搜索算法matlab优化算法二十(代码片段)

基于混合粒子群算法的TSP搜索算法标准粒子群算法通过追随个体极值和群体极值完成极值寻优，虽然操作简单，且能够快速收敛，但是随着迭代次数的不断增加，在种群收敛集中的同时，各粒子也越来越相似&#... 查看详情

优化预测基于matlab粒子群算法优化svm预测含matlab源码1424期

一、粒子群算法简介1引言自然界中的鸟群和鱼群的群体行为一直是科学家的研究兴趣所在。生物学家CraigReynolds在1987年提出了一个非常有影响的鸟群聚集模型，在他的仿真中，每一个个体都遵循：避免与邻域个体相撞：匹配邻域... 查看详情

优化分类基于matlab粒子群算法优化svm分类含matlab源码1588期(代码片段)

一、粒子群算法优化SVM简介支持向量机(supportvectormachine,SVM)是针对有限样本情况的机器学习方法,它的提出根据统计学习理论的VC理论和结构风险最小化原则。支持向量机已经成为智能技术领域研究的热点。它有着泛化能力强,识别... 查看详情

优化求解基于加权变异的粒子群优化算法(wvpso)matlab源码(代码片段)

  一、粒子群算法粒子群算法是在1995年由Eberhart博士和Kennedy博士一起提出的，它源于对鸟群捕食行为的研究。它的基本核心是利用群体中的个体对信息的共享从而使整个群体的运动在问题求解空间中产生从无序到有序的演... 查看详情

优化求解基于加权变异的粒子群优化算法(wvpso)matlab源码(代码片段)

 一、粒子群算法粒子群算法是在1995年由Eberhart博士和Kennedy博士一起提出的，它源于对鸟群捕食行为的研究。它的基本核心是利用群体中的个体对信息的共享从而使整个群体的运动在问题求解空间中产生从无序到有序的演化... 查看详情