2025最新算法应用：基于恒星振荡优化（Stellar oscillation optimizer，SOO）算法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），MATLAB代码

一、恒星振荡优化算法

恒星振荡优化（Stellar oscillation optimizer，SOO）算法是2025年提出的一种受自然启发的元启发式优化算法。
SOO 算法的灵感源于天体物理学中恒星的振荡现象。恒星振荡是指恒星以固有频率发生的振荡，由内部压力和引力不平衡引发，其振荡模式和频率取决于恒星的质量、半径及内部结构。在该算法中，模拟了恒星脉动中的正弦和余弦模式，正弦函数代表恒星振荡的外向扩展阶段，对应优化过程的探索阶段，使算法能广泛探索解空间；余弦函数代表收缩阶段，对应利用阶段，聚焦于细化探索阶段发现的解决方案 。此外，角频率和周期在算法中用于控制搜索振荡器的振荡运动，周期随时间演变，让搜索振荡器从早期的广泛探索逐渐过渡到集中探索。同时，借鉴恒星光曲线（表示恒星亮度随时间的变化）的概念，在优化过程中持续跟踪每个振荡器的适应度值（类似恒星亮度），并通过对前 3 个表现最佳的振荡器进行排序，影响种群其余部分的运动，确保搜索集中在有希望的区域。

SOO算法具有简单、鲁棒的特性，全局搜索能力强。它通过独特的振荡机制，有效平衡了解空间的探索和利用，避免算法过早陷入局部最优解。同时，参数设置相对简单，便于在不同场景下应用和调整。此外，该算法收敛速度快，能够在较短时间内找到较优解，并且可扩展性强，能方便地与其他优化算法或技术相结合，以适应更复杂的优化问题。

参考文献
[1]Rodan, A., Al-Tamimi, AK., Al-Alnemer, L. et al. Stellar oscillation optimizer: a nature-inspired metaheuristic optimization algorithm. Cluster Comput 28, 362 (2025). https://doi.org/10.1007/s10586-024-04976-5

二. 无人机路径规划数学模型

2.1 路径最优性

为了提高无人机的操作效率，规划的路径需要在特定的应用标准下达到最优。在我们的研究中，主要关注空中摄影、测绘和表面检查，因此选择最小化路径长度作为优化目标。由于无人机通过地面控制站（GCS）进行控制，飞行路径 $X_i$ 被表示为无人机需要飞越的一系列 $n$ 个航路点的列表。每个航路点对应于搜索地图中的一个路径节点，其坐标为 $P_{ij}=(x_{ij},y_{ij},z_{ij})$。通过表示两个节点之间的欧几里得距离为 路径长度成本 $F_1$ 可以计算为：

$$F_1(X)=\sum _{j=1}^{n-1}\Vert \overrightarrow{P_{ij}{P}_{i,j+1}}\Vert$$

2.2 安全性和可行性约束

除了最优性之外，规划的路径还需要确保无人机的安全操作，引导其避开操作空间中可能出现的威胁，这些威胁通常由障碍物引起。设 $K$ 为所有威胁的集合，每个威胁被假设为一个圆柱体，其投影的中心坐标为 $C_k$，半径为 $R_k$，如下图 所示。

对于给定的路径段 $\Vert \overrightarrow{P_{ij}{P}_{i,j+1}}\Vert$，其相关的威胁成本与它到 $C_k$ 的距离 $d_k$ 成正比。考虑到无人机的直径 $D$ 和到碰撞区域的危险距离 $S$，威胁成本 $F_2$ 在障碍物集合 $K$ 上计算如下：

$$F_2(X_i)=\sum _{j=1}^{n-1}\sum _{k=1}^K{T}_k(\overrightarrow{P_{ij}{P}_{i,j+1}}),$$

其中

$$T_k(\overrightarrow{P_{ij}{P}_{i,j+1}})=\{\begin{array}{ll}0,& \text{if }{d}_k>S+D+R_k\\ (S+D+R_k)-d_k,& \text{if }D+R_k<d_k\le S+D+R_k\\ \infty ,& \text{if }{d}_k\le D+R_k\end{array}$$

在操作过程中，飞行高度通常被限制在给定的最小和最大高度之间，例如在调查和搜索应用中，需要相机以特定的分辨率和视场收集视觉数据，从而限制飞行高度。设最小和最大高度分别为 $h_{\text{min}}$ 和 $h_{\text{max}}$。与航路点 $P_{ij}$ 相关的高度成本计算为：

$$H_{ij}=\{\begin{array}{ll}|h_{ij}-\frac{h_{\text{max}}+h_{\text{min}}}{2}|,& \text{if }{h}_{\text{min}}\le h_{ij}\le h_{\text{max}}\\ \infty ,& \text{otherwise}\end{array}$$

其中 $h_{ij}$ 表示相对于地面的飞行高度，如下图所示。

可以看出，$H_{ij}$ 保持平均高度并惩罚超出范围的值。对所有航路点求和得到高度成本：

$$F_3(X)=\sum _{j=1}^n{H}_{ij}$$

平滑成本评估转弯率和爬升率，这对于生成可行路径至关重要。如下图 所示。

转弯角 ${\varphi }_{ij}$ 是两个连续路径段 $\overrightarrow{P_{ij}^{\prime }{P}_{i,j+1}^{\prime }}$ 和 $\overrightarrow{P_{i,j+1}^{\prime }{P}_{i,j+2}^{\prime }}$ 在水平面 Oxy 上的投影之间的角度。设 $\overrightarrow{k}$ 是 z 轴方向的单位向量，投影向量可以计算为：

$$\overrightarrow{P_{ij}^{\prime }{P}_{i,j+1}^{\prime }}=\overrightarrow{k}\times (\overrightarrow{P_{ij}{P}_{i,j+1}}\times \overrightarrow{k})$$

因此，转弯角计算为：

$${\varphi }_{ij}=\arctan \left(\frac{\Vert \overrightarrow{P_{ij}^{\prime }{P}_{i,j+1}^{\prime }}\times \overrightarrow{P_{i,j+1}^{\prime }{P}_{i,j+2}^{\prime }}\Vert }{\overrightarrow{P_{ij}{P}_{i,j+1}^{\prime }}\cdot \overrightarrow{P_{i,j+1}^{\prime }{P}_{i,j+2}^{\prime }}}\right)$$

爬升角 ${\psi }_{ij}$ 是路径段 $\overrightarrow{P_{ij}{P}_{i,j+1}}$ 与其在水平面上的投影 $\overrightarrow{P_{ij}^{\prime }{P}_{i,j+1}^{\prime }}$ 之间的角度，由下式给出：

$${\psi }_{ij}=\arctan \left(\frac{z_{i,j+1}-z_{ij}}{\Vert \overrightarrow{P_{ij}^{\prime }{P}_{i,j+1}^{\prime }}\Vert }\right)$$

然后，平滑成本计算为：

$$F_4(X)=a_1\sum _{j=1}^{n-2}{\varphi }_{ij}+a_2\sum _{j=1}^{n-1}|{\psi }_{ij}-{\psi }_{j-1}|$$

其中 $a_1$ 和 $a_2$ 分别是转弯角和爬升角的惩罚系数。

2.3 总体成本函数

2.3.1 单个无人成本计算

考虑到路径 $X$ 的最优性、安全性和可行性约束，第$i$ 个无人机总体成本函数可以定义为以下形式：

$$f_i(X)=\sum _{k=1}^4{b}_k{F}_k(X_i)$$

其中 $b_k$ 是权重系数，$F_1(X_i)$ 到 $F_4(X_i)$ 分别是路径长度、威胁、平滑度和飞行高度相关的成本。决策变量是 $X$，包括 $n$ 个航路点 $P_{ij}=(x_{ij},y_{ij},z_{ij})$ 的列表，使得 $P_{ij}\in O$，其中 $O$ 是无人机的操作空间。根据这些定义，成本函数 $F$ 是完全确定的，可以作为路径规划过程的输入。

2.3.2 多无人机总成本计算

若共有$m$ 个无人机，其总成本为单个无人机成本和，计算公式如下：
$$fitness(X)=\sum _{i=1}^m{f}_i(X)$$
参考文献：
[1] Phung M D , Ha Q P .Safety-enhanced UAV path planning with spherical vector-based particle swarm optimization[J].Applied Soft Computing, 2021(2):107376.DOI:10.1016/j.asoc.2021.107376.

三、部分代码及结果

close all
clear
clc
% dbstop if all error
pop=100;%种群大小（可以修改）
maxgen=200;%最大迭代（可以修改）

%% 模型建立
model=Create_Model();
UAVnum=4;%无人机数量(可以修改)  必须与无人机的起始点保持一致

%% 初始化每个无人机的模型
for i=1:UAVnum
    ModelUAV(i).model=model;
end

%% 第一个无人机 起始点
start_location = [120;200;100];
end_location = [800;800;150];
ModelUAV(1).model.start=start_location;
ModelUAV(1).model.end=end_location;
%% 第二个无人机 起始点
start_location = [400;100;100];
end_location = [900;600;150];
ModelUAV(2).model.start=start_location;
ModelUAV(2).model.end=end_location;
%% 第三个无人机 起始点
start_location = [200;150;150];
end_location =[850;750;150];
ModelUAV(3).model.start=start_location;
ModelUAV(3).model.end=end_location;
%% 第四个无人机 起始点
start_location = [100;100;150];
end_location = [800;730;150];
ModelUAV(4).model.start=start_location;
ModelUAV(4).model.end=end_location;
%% 第5个无人机 起始点
% start_location = [500;100;130];
% end_location = [850;650;150];
% ModelUAV(5).model.start=start_location;
% ModelUAV(5).model.end=end_location;
% %% 第6个无人机 起始点
% start_location = [100;100;150];
% end_location =   [800;800;150];
% ModelUAV(6).model.start=start_location;
% ModelUAV(6).model.end=end_location;

五个无人机：

四、完整MATLAB代码见下方名片