基于冠豪猪优化器CPO的无人机集群路径规划 [1]代码中文注释完整，小白也能迅速理解 [2]代码结构框架简洁，可自行增加修改 [3]可替换其他群智能算法，灰狼、鲸鱼、哈里斯鹰等各种均可，加好友即可 （1）点击main.m即可运行 main.m中可以修改种群大小和迭代次数，如： pop=50;%种群大小(可以自己修改) maxgen=300;%最大迭代次数(可以自己修改) （2）PlotFinalResult.m是可以单独运行画图的 （3）SetParameter.m可以修改： 待优化点的个数 、起点和终点、障碍物 （5）结果说明 BestPosition 是每个无人机的航迹坐标 BestFit 是每个无人机的总成本 UAVfit 是 每个无人机的四个成本 ConvergenceCurve %是无人机集群的成本随迭代次数的变化 注：本价格仅代码， （6）参考文献： [1]吕石磊,范仁杰,李震,陈嘉鸿,谢家兴.基于改进蝙蝠算法和圆柱坐标系的农业无人机航迹规划[J].农业机械学报:1-19 [2]褚宏悦,易军凯.无人机安全路径规划的混沌粒子群优化研究[J].控制工程:1-8 [3]MD Phung, Ha Q P . Safety-enhanced UAV Path Planning with Spherical Vector-based Particle Swarm Optimization: arXiv, 10.1016/j.asoc.2021.107376[P]. 2021. [4]陈明强,李奇峰,冯树娟等.基于改进粒子群算法的无人机三维航迹规划[J].无线电工程,2023,53(02):394-400. [5]徐建新,孙纬,马超.基于改进粒子群算法的无人机三维路径规划[J].电光与控制:1-10 [6]骆文冠,于小兵.基于强化学习布谷鸟搜索算法的应急无人机路径规划[J].灾害学:1-10

这玩意儿到底怎么玩？

打开项目直接双击main.m开跑就完事了！咱们先瞅瞅控制面板参数：

% 在main.m里随便改这两个值
pop = 50;       % 无人机数量（别超过100，不然电脑要哭）
maxgen = 300;   % 迭代次数（建议200-500）

这里有个骚操作——把pop改成1就能体验单机遛弯模式。不过说真的，集群模式才是精髓，看着几十架无人机像沙丁鱼群一样避开障碍物，那叫一个治愈！

代码结构解剖室

项目里最核心的是CPO_Algorithm.m这个文件，咱们截取关键段落：

function [BestPosition, BestFit, ConvergenceCurve] = CPO_Algorithm(pop, maxgen, model)
    % 初始化豪猪们的位置
    Position = initialization(pop, model);
    for gen=1:maxgen
        % 计算每只豪猪的扎刺系数（其实就是适应度）
        Fit = zeros(pop,1);
        for i=1:pop
            Fit(i) = fitnessFunction(Position(i,:), model); 
        end
        
        % 找出最靓的那个仔
        [~, idx] = min(Fit);
        BestPosition = Position(idx,:);
        
        % 更新豪猪的防御姿势（核心算法在这里！）
        a = 2 - gen*(2/maxgen); % 收敛因子
        for i=1:pop
            A = 2*a*rand() - a; 
            C = 2*rand(); 
            D = abs(C*BestPosition - Position(i,:));
            Position(i,:) = BestPosition - A*D; 
        end
    end
end

这段代码实现了CPO的核心迭代逻辑。重点注意那个a参数——它控制着豪猪的"攻击性"，随着迭代次数增加逐渐收敛。想换其他算法？比如灰狼（GWO）的话，把位置更新规则换成狼群的αβδ策略就行了，其他框架完全不用动！

障碍物设置骚操作

打开SetParameter.m文件，这里藏着地图编辑器：

model.start = [0,0];       % 起飞点坐标
model.goal = [100,100];    % 目的地坐标
model.obstacle = [         % 障碍物坐标（想加多少加多少）
    30 30 5;               % 格式：[x坐标, y坐标, 半径]
    60 70 8;
    80 20 6];

实测在障碍物中间加个甜甜圈形状的禁区特别带感！只要设置多个同心圆障碍物就行，保准让无人机群上演蛇皮走位。

效果展示时间

跑完程序后打开PlotFinalResult.m，你会看到这样的神仙画面：

!无人机集群路径规划效果图

（假装这里有张酷炫的路径规划图）

图中的彩色曲线是各无人机的最优路径，黑色圆圈是障碍物。细心的同学会发现有些路径宁愿绕远也不直线穿越——这是因为算法里设置了碰撞惩罚系数，安全第一嘛！

如何魔改这个项目

想换算法？找到下面这个函数接口：

% 原版CPO调用
[BestPosition, BestFit, ConvergenceCurve] = CPO_Algorithm(pop, maxgen, model);

% 替换成灰狼算法的话
[BestPosition, BestFit, ConvergenceCurve] = GWO_Algorithm(pop, maxgen, model);

自己写的算法只需要保持输入输出格式一致，其他随便折腾。甚至可以在算法里混搭——比如前半程用CPO快速收敛，后半程用PSO精细搜索。

说点踩坑心得

1. 种群数量不是越大越好！超过100之后计算时间指数上涨，效果提升却有限
2. 障碍物半径建议控制在5-15之间，太小了没挑战，太大了容易无解
3. 遇到路径抖动的情况，适当增加平滑项权重即可解决

最后扔个彩蛋：在适应度函数里加个能耗计算项，就能模拟无人机电量限制。亲眼看着电量低的无人机自动选择最短路径，那智能感绝了！