四种最新优化算法（AE、DOA、GOA、OX）求解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

原创于 2025-09-04 16:29:29 发布 · 665 阅读

26 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #无人机 #matlab

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在机器人、无人机等智能设备的路径规划领域，优化算法是核心驱动力。前文已介绍阿尔法进化（AE）算法与三次样条结合的路径规划方案，本文将进一步补充 AE 算法的最新背景，并新增三种新型优化算法的详细解析，同时构建无人机路径规划的数学模型，为相关研究与应用提供更全面的理论支撑。

一、四种新型优化算法深度解析

（一）阿尔法进化（Alpha Evolution，AE）算法：2024 年的进化算法新突破

阿尔法进化算法作为 2024 年提出的新型进化算法，打破了传统进化算法在解更新机制上的局限，其核心创新点在于自适应基向量与随机步长的协同设计，大幅提升了算法在复杂优化问题中的性能。

从算法原理来看，AE 算法通过构建动态进化路径，让基向量能够根据当前搜索状态自适应调整。例如，在优化初期，基向量会扩大搜索范围，帮助算法探索更广阔的解空间，避免陷入局部最优；随着迭代推进，基向量逐渐聚焦于优质解区域，配合随机步长的精细调整，实现全局探索与局部开发的平衡。

在实际应用中，这种设计使其在路径规划、函数优化等场景中表现突出。正如参考文献 [1]（Gao H, Zhang Q. 2024）所验证，AE 算法在工程应用的人工智能领域，针对复杂约束问题的求解效率比传统遗传算法提升约 30%，收敛速度也显著加快。若需深入了解算法细节，可参考原文链接（基于阿尔法进化（Alpha Evolution，AE）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_阿尔法进化算法-CSDN博客）。

（二）梦境优化算法（Dream Optimization Algorithm, DOA）：模拟人类梦境的智能搜索

DOA 算法作为新型元启发式算法，其独特之处在于以人类梦境的记忆与遗忘过程为灵感来源，通过创新的搜索策略平衡全局探索与局部利用，在复杂工程优化问题中展现出优异性能。

从生物学机制映射来看，DOA 算法模拟快速眼动睡眠期大脑神经兴奋变化：低频脑电波功率降低对应算法初期的 “广泛探索”，此时通过 “遗忘补充策略” 随机生成新解，扩大搜索范围，避免过早收敛；高频脑电波功率增加则对应算法中后期的 “精细开发”，借助 “记忆策略” 保留优质解的特征，对解进行局部调整。

在算法阶段划分上，DOA 算法清晰明确：初期以探索为主，通过随机生成大量解覆盖解空间；中期采用 “记忆 - 遗忘” 协同策略，既保留优质解，又通过遗忘部分较差解引入新解，平衡全局与局部搜索；后期聚焦局部精细调整，基于已有优质解进行微小变异，提升解的精度。参考文献 [1]（Lang Y, Gao Y. 2025）将其应用于实际工程问题，结果表明，在机械结构优化、路径规划等场景中，DOA 算法的全局最优解找到率比粒子群优化算法高 15%-20%。

（三）牛优化（OX Optimizer，OX）算法：源于公牛行为的稳健优化

2024 年由 AhmadK.AlHwaitat 与 HussamN.Fakhouri 提出的 OX 算法，将公牛的力量、灵活性、协作性等行为特性融入优化过程，使其在复杂多变的搜索空间中具备强大的鲁棒性与适应性。

从行为特性映射来看，公牛的 “力量” 对应算法的全局探索能力，能够突破局部最优解的束缚，在广阔解空间中快速移动；“灵活性” 体现在算法的步长调整机制上，可根据当前搜索状态动态改变步长，在优质解区域进行精细搜索；“协作性” 则模拟多公牛协同作业的模式，通过多解之间的信息交互，提升整体优化效率。

在实际性能方面，OX 算法在攻击检测中增强支持向量机性能的应用中（参考文献 [1]，Al Hwaitat AK, Fakhouri HN. 2024），其模型训练精度比传统优化算法提升 8%-12%，且在数据噪声较大的情况下，仍能保持稳定的优化效果。原文链接（基于牛优化（ OX Optimizer，OX）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_牵须牛算法程序-CSDN博客）提供了算法的详细实现步骤与实验数据。

（四）山羊优化算法（Goat Optimization Algorithm, GOA）：适应恶劣环境的高效优化

2025 年提出的 GOA 算法，以山羊在恶劣、资源有限环境中的适应性行为为灵感，通过模拟山羊的觅食、移动与避害策略，实现对全局优化问题的高效求解。

在行为模拟细节上，GOA 算法包含三大核心策略：一是 “觅食策略”，模拟山羊根据植被分布（对应解的适应度）调整移动方向，优先向高适应度区域移动；二是 “移动模式”，结合山羊在复杂地形中的跳跃、行走特性，设计随机与定向结合的移动方式，平衡探索与开发；三是 “躲避寄生虫策略”，通过定期丢弃较差解，避免算法陷入局部最优，如同山羊通过移动躲避寄生虫干扰。

参考文献 [1]（nozari, hamed, et al. 2025）将 GOA 算法应用于全局优化问题测试，结果显示，在多峰函数优化、工程设计优化等场景中，GOA 算法的收敛速度比灰狼优化算法快 20%-25%，且在高维度问题中表现出更强的稳定性。