✅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
1 研究背景与意义
1.1 研究背景
随着无人机技术在物流配送、城市巡检、应急救援等领域的广泛应用，城市低空空域成为核心作业场景。复杂城市地形中，高楼集群、桥梁、电线杆等静态障碍物密集分布，同时存在低空飞行器、动态车辆等移动目标，形成了高复杂度、高动态性的三维作业环境。无人机航迹规划需同时满足空间避障、动力学约束、实时响应及能耗优化等多重需求，传统算法在处理高维耦合约束问题时逐渐显现局限性。
现有无人机三维航迹规划算法各有短板：Dijkstra算法与A*算法依赖预网格化建模，三维场景下节点数量呈指数级增长，实时性极差且路径平滑性不足；RRT及其变体虽无需预网格化，但其路径质量受采样策略影响大，易出现曲折路径，难以兼顾最优性与动力学可行性；人工势场法实时性强但易陷入局部最优，解脱过程耗时较长，无法适配轻小型无人机的快速避障需求。群智能算法凭借全局搜索能力成为研究热点，而部落竞争与成员合作算法（CTCM）通过“局部协作优化+全局竞争搜索”的独特机制，为多约束、高复杂场景下的航迹规划提供了新的解决方案。
1.2 研究意义
本文将CTCM算法应用于复杂城市地形无人机避障三维航迹规划，具有重要的理论与工程意义。理论层面，通过构建CTCM算法与无人机航迹规划的适配模型，优化算法在高维空间的搜索策略与约束处理能力，丰富群智能算法在航迹规划领域的应用体系。工程层面，针对城市地形的复杂性与动态性，提出兼具安全性、最优性与实时性的航迹规划方案，解决无人机在城市低空飞行中的避障难题，为无人机自主化、规模化城市应用提供技术支撑。
2 核心理论基础
2.1 复杂城市地形三维环境建模
为精准表征城市地形特征，采用三维栅格-实体融合建模方法，兼顾环境描述精度与计算效率。将城市空间划分为均匀立方体栅格，每个栅格赋予状态属性（可通行、障碍物占据、动态威胁区），其中障碍物信息来源于激光雷达扫描数据与三维城市模型，涵盖建筑物、树木、电线杆等静态障碍物的几何形状与位置坐标。针对动态障碍物（如低空飞行的其他无人机、移动车辆），通过实时感知数据更新栅格状态，记录其位置、速度、运动轨迹等参数，构建动态环境更新机制。
建模过程中同步融入飞行约束条件：飞行高度约束（10-100米，适配城市低空管制要求）、避障安全阈值（最小距离≥5米，避免碰撞风险）、动力学约束（最大速度15m/s、最小转弯半径5米，匹配无人机物理性能），为后续航迹规划提供约束边界。
2.2 部落竞争与成员合作算法（CTCM）原理
CTCM算法模拟部落生态中的分工协作与优胜劣汰机制，通过多群体协同优化实现复杂问题的高效求解。其核心逻辑在于将优化问题转化为“部落间竞争+部落内合作”的双层进化过程，既保证全局搜索的多样性，又强化局部解的优化精度。
算法核心概念与航迹规划场景的映射关系如下：
成员：对应一条完整的三维时空航迹，由一系列时空航点（x,y,z,t）组成，包含位置坐标（x,y,z）、通过时刻t及速度、加速度等动力学参数，每条航迹即为算法的一个候选解。
部落：聚焦特定优化目标的航迹群体，如“高速节能部落”“安全避障部落”“平滑适配部落”，同部落成员在优化目标与动力学特性上具有共性，形成差异化搜索方向。
成员合作：同部落内成员共享航迹优化经验，通过协作修正不可行航段（如加速度超限、距离障碍物过近等问题），采用邻域信息交互策略，对优质航迹片段进行融合迭代，提升局部解的质量。
部落竞争：不同部落的航迹方案通过综合适应度评分比拼，优势部落获得更多计算资源与进化机会，劣势部落进行策略调整或合并，实现全局最优解的逐步逼近。
3 基于CTCM的无人机避障三维航迹规划方案
3.1 航迹表示与编码方式
采用分段B样条曲线编码航迹，将航迹划分为多个连续航段，每个航段由控制点坐标与曲线参数定义。通过B样条曲线拟合确保航迹平滑性，满足无人机动力学约束（曲率变化率≤0.1rad/m），避免急转弯导致的失控风险。每条航迹的编码向量包含各控制点的三维坐标、曲线分段数及通过各航段的时间参数，实现空间路径与时间调度的同步优化。
3.2 多目标适应度函数设计
结合城市地形航迹规划需求，设计综合考虑安全性、最优性、平滑性与能耗的多目标适应度函数，通过权重系数平衡各目标优先级，公式如下：
F = w₁×F₁ + w₂×F₂ + w₃×F₃ + w₄×F₄
其中：
F₁为安全性指标，定义为航迹与障碍物的最小距离归一化值，距离越大得分越高，若小于安全阈值则引入惩罚项，确保避障可靠性。
F₂为路径最优性指标，采用航迹总长度归一化值，长度越短得分越高，兼顾任务时效性需求。
F₃为平滑性指标，以航迹曲率变化率的平均值倒数计算，曲率变化越平稳得分越高，适配无人机运动特性。
F₄为能耗指标，基于航迹速度变化与高度调整量计算能耗总量，能耗越低得分越高，保障续航能力。
w₁、w₂、w₃、w₄为权重系数，可根据任务需求动态调整（如应急救援侧重时效性与安全性，取w₁=0.4、w₂=0.3，物流配送侧重能耗与平滑性，取w₃=0.3、w₄=0.4）。
3.3 基于CTCM的航迹优化流程
基于CTCM算法的航迹规划流程分为初始化、部落内协作优化、部落间竞争迭代、收敛判断四个阶段，具体步骤如下：
初始化阶段：设定算法参数（种群规模50-100、部落数量3-5、最大迭代次数100-200、协作半径、竞争淘汰率），根据三维环境模型随机生成初始航迹种群，按优化目标划分部落，每个部落包含若干成员航迹，确保初始种群覆盖整个可行空间。
部落内协作优化阶段：各部落内计算成员航迹的适应度值，筛选优质航迹作为协作核心，成员间通过信息共享迭代优化航迹。对不可行航段（如碰撞障碍物、违反动力学约束），结合邻域优质片段进行修正；对可行航段，微调控制点坐标优化适应度指标，实现局部解的精细化提升。
部落间竞争迭代阶段：计算各部落的平均适应度值，作为竞争依据。优势部落（平均适应度前30%）获得额外计算资源，可新增成员航迹或拓展搜索范围；劣势部落（平均适应度后20%）进行策略调整，合并至相近目标部落或更新优化方向。同时，引入跨部落航迹融合机制，提取不同部落的优质特征，生成新航迹补充种群，避免局部最优。
收敛判断阶段：若达到最大迭代次数，或连续10次迭代中最优航迹的适应度值变化量≤0.001，算法终止，输出最优航迹。若存在动态障碍物更新，触发实时重规划流程，基于当前环境状态快速迭代优化航迹。
3.4 动态避障适配策略
针对城市地形中的动态障碍物，设计增量式重规划策略，提升算法实时响应能力。当感知系统检测到动态障碍物（如突发闯入的低空飞行器）时，无需重新生成完整航迹，仅对受影响的航段进行局部优化。通过CTCM算法的快速协作竞争机制，在原航迹基础上调整控制点坐标，生成绕飞或爬升越障的局部航段，与原有航迹平滑衔接，确保重规划耗时≤2.5秒，满足实时避障需求。
4 研究结论与未来展望
4.1 研究结论
本文提出基于CTCM算法的复杂城市地形无人机避障三维航迹规划方法，通过三维环境融合建模、多目标适应度函数设计及双层进化优化策略，解决了传统算法在高维复杂场景下的避障难题。核心结论如下：
CTCM算法的“部落协作+部落竞争”机制，既能保证全局搜索多样性，又能强化局部航迹优化，有效避免局部最优，提升航迹质量与安全性。
多目标适应度函数与动态重规划策略，使算法能够适配城市地形的静态障碍与动态威胁，兼顾时效性、能耗与平滑性需求。
仿真验证表明，该方法在性能上优于传统算法，为无人机城市低空自主飞行提供了可靠技术方案。
4.2 未来展望
后续研究可从三个方向展开：一是扩展至多无人机协同规划场景，通过部落间信息共享机制实现多机避障与任务协同；二是融合深度学习技术，利用CNN提取环境特征，优化CTCM算法初始种群分布，提升搜索效率；三是开展实飞测试，结合具体无人机平台，验证算法在真实城市环境中的实用性，优化参数适配策略。
⛳️ 运行结果
🔗 参考文献
[1] 徐宏飞.面向智慧避障的物流无人机航迹规划研究[D].北京交通大学[2026-01-27].
[2] 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(1):8.DOI:10.3969/j.issn.1000-2758.2017.01.011.
📣 部分代码
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
