多种灰狼优化算法与无人机集群三维路径规划的MATLAB实现

把“多种灰狼优化算法”和“无人机集群规划”放在一个MATLAB项目里，这事其实挺有代表性。很多人在算法库里翻到GWO（灰狼优化算法）的源码，但不知道怎么跟无人机路径规划结合；也有不少人手上有一堆UAV仿真代码，却只会跑默认参数。而这个项目把两件事焊在了一起：直接运行main.m，就能看到多只灰狼解算多架无人机三维路径的全过程，代码里还自带三套UAV_SetUp，方便你换场景做对比实验。

简单说，这东西能帮你解决一个具体问题：在多山峰、多威胁区的三维空间里，规划若干架无人机各自的飞行路线，同时满足路径短、高度合理、不撞山、飞机间不打架这些约束。它适合三类人——正在写本科或硕士论文、需要算法对比图表的学生；刚开始接触群体智能优化算法、想找个完整工程范例的开发者；以及无人机行业的仿真工程师，拿它做方案预研和参数验证都行。

我拿到这类代码一般会先干三件事：第一，把main.m从头到尾读一遍，弄清数据怎么初始化、算法怎么被调用、结果怎么画出来；第二，跑一次默认配置，看三个UAV场景分别输出什么曲线和路径；第三，把不同灰狼优化算法的结果放在一起对比。做完这三步，这套代码的含金量基本就摸清了。

1. 这个项目到底在解决什么：集群路径规划为什么难

1.1 集群规划比单机规划难在哪里

单架无人机的三维路径规划，本质是在连续空间里找一条满足约束的轨迹。约束包括路径长度、飞行高度、地形避障、转弯角限制等。这时候用灰狼优化算法，一只灰狼的位置向量就是一条完整路径，适应度函数算一下这条路好不好走，迭代几百次就能得到一条过得去的路线。

但集群规划不一样。多架无人机同时飞，不仅要各自避障，还必须考虑机间协同。最典型的是安全间距约束——两架飞机不能离得太近；其次是任务分配——每架飞机飞哪几个目标点，顺序怎么定；再往下还有能量均衡——不能让某架飞机绕远路而另一架直线飞。

从优化问题的维度看，单机的决策变量是“路径点数 × 3个坐标”，比如20个航点就是60维；集群的话，假设5架飞机、每架20个航点，决策变量就是5×20×3=300维。维度一高，很多算法直接白给，找不动。灰狼优化算法在这类高维、非凸、不可导的适应度函数面前反而有一定优势，因为它只依赖目标函数值的比较，不需要梯度信息，这就让路径规划中最头疼的复杂地形建模变得可行。

1.2 灰狼算法为什么天然适合集群路径搜索

灰狼优化算法模拟的是灰狼群体狩猎行为。种群内部有严格等级：alpha（头狼）指导全局方向，beta和delta协助决策，其余狼围绕这三只狼的位置进行更新。把这种结构映射到无人机集群上，你会发现逻辑非常顺：算法选出的头狼代表当前最优路径集合，delta和beta代表次优路径集合，普通灰狼在它们周围扰动搜索，本质上就是一群候选方案在相互学习。

更关键的是编码方式。常见实现里，一只灰狼的位置是一个长度等于总决策变量数的一维向量，解码时reshape一下，就能还原成多架无人机各自的航点列表。也就是说，算法层面它不知道“无人机”这个概念，它只知道在几百维空间里找一个让适应度最小的点，而这个点恰好编码了一整组无人机路径。这种解耦设计让代码结构非常干净，也方便扩展——今天跑3架飞机，明天改成10架，只需要改UAV配置，算法核心一个字节都不用动。

1.3 “多种灰狼优化算法”的设计意图

为什么要在同一个项目里放多种GWO变体？我的理解是，这位开发者的目标是提供算法对比的基准环境。单纯跑标准GWO，收敛曲线只有一条，说服力不够。而如果同时跑两三种改进版，比如基于混沌映射初始化的GWO、融合差分进化的GWO、带自适应收敛因子的GWO，那么同一组地图、同一批参数下，三条收敛曲线拉开差距，谁优谁劣一目了然。

这种做法的实际价值在于：你不需要自己从零写对照算法。main.m跑一遍，输出结果天然带着对比维度，写论文也好、做方案汇报也好，直接截图就是素材。我当时第一次跑完就感慨，这才是真正“为复用而写”的项目结构。

2. 代码架构拆解：从main.m开始读懂整个项目

2.1 main.m的标准运行流程

大多数同类项目的main.m，结构都有套路可循。我建议你按下面这个顺序去读，基本不会迷路。

第一步，清空环境。代码开头通常是clear；close all；clc这三联。老MATLAB用户都懂，不清空的话，上一次运行遗留的变量可能把当前结果搞乱，尤其是你改了UAV_SetUp之后忘了清工作区，新代码读到旧变量，直接给你报维度错误。

第二步，加载场景配置。这里会调用UAV_SetUp相关的函数或脚本，把地图尺寸、山峰个数、山峰高度、威胁区位置、无人机数量等信息填进一个配置结构体。通常配置包括地图范围和禁飞区。三类场景各有侧重，稍后细说。

第三步，设置算法参数。包括灰狼种群规模N、最大迭代次数MaxIter、决策变量维度dim，以及选择哪种灰狼优化变体。有些实现里是function handle数组，循环里逐个调用；有些用switch-case。看到这种结构，别慌，核心逻辑是一样的。

第四步，循环调用不同GWO算法，返回最优路径和收敛曲线。这是最耗时的一步。跑完以后，工作区里会有几个关键变量：best_pos（最优位置向量）、best_fitness（历史最优适应度）、convergence_curve（每次迭代的最优值记录）。

第五步，结果可视化。常见的是三张图：三维地形路径图、路径俯视图、收敛曲线对比图。三维地形路径图最能直观看出飞机有没有撞山、路径平不平滑；俯视图适合检查机间交叉；收敛曲线则反映算法搜索效率。

2.2 三种UAV_SetUp的典型配置

虽然不同版本代码的具体参数不一样，但以常见实现来看，三套UAV_SetUp一般是按难度递进设计的。我整理了一个典型配置表，你可以拿它跟手上的代码对照：

第一套场景适合初学者跑第一遍。地图不大，飞机少，算法迭代速度快，你可以在几分钟内看到完整效果，也能放心地反复改参数观察变化。第二套场景开始加入威胁区，这时候适应度函数里会有“禁飞区惩罚”项，你会看到灰狼算法为了绕开威胁区，哪怕多飞一点路，也绝不往里钻。第三套是压榨性能用的，8架飞机在复杂地形里协同，对算法的局部搜索能力和收敛速度都是真实考验。

注意：如果你拿到代码后发现UAV_SetUp函数里返回的不是结构体而是一堆零散变量，那是很常见的风格。关键在于弄清楚每个变量的含义，建议在main.m里设置断点，一步步看工作区生成的内容，这比干读代码高效得多。

2.3 一个灰狼解如何映射成一堆UAV路径

这是理解整套代码最关键的一步。大部分新手的困惑，就是想不明白“一只狼怎么就代表一群飞机了”。

常见编码方式是这样的：假设有M架无人机，每架飞机规划N个航点，每个航点包含x、y、z三个坐标，那么决策变量总数就是dim = M × N × 3。灰狼个体的位置向量就是1 × dim的行向量。解码时用reshape函数重排：

positions = reshape(individual, M, N, 3);

这个三维数组里，positions(i,:,1)是第i架飞机的x坐标序列，positions(i,:,2)是y坐标序列，positions(i,:,3)是z坐标序列。第i架飞机的路径就是依次连接(positions(i,1,:)到positions(i,N,:))的线段。

理解这个映射关系之后，你再看适应度函数就会通透很多。因为集群规划的所有约束——路径长度、转弯角、威胁区惩罚、机间距离——全部是围绕这个三维数组展开计算的。算路径长度就是累加相邻航点的欧氏距离，算机间距离就是两两飞机逐航点求间距再惩罚小于安全阈值的部分。

提示：如果你在改代码时调整了路径点数N，一定要同步修改dim的计算。我见过太多人只改了航点数却忘了改维度，结果GWO初始化种群时报“矩阵维度必须一致”，卡了半小时不知道怎么回事。

3. 核心算法解析：GWO的公式、变体与适应度设计

3.1 灰狼优化算法的数学本质

标准GWO的核心逻辑，是让种群中的每只狼根据alpha、beta、delta三只头狼的位置，计算一个新的位置。数学上分两步：

第一步是距离估计。第t次迭代时，当前灰狼X(t)与头狼X_p(t)之间的距离为：

D = | C · X_p(t) - X(t) |

第二步是位置更新：

X(t+1) = X_p(t) - A · D

其中A和C是两个关键系数：

A = 2a · r1 - a C = 2 · r2

这里的r1、r2是[0,1]之间的随机数，a是收敛因子，从2线性递减到0。A的绝对值大小直接决定灰狼是扩大搜索范围还是收缩包围圈。当|A| > 1时，灰狼远离猎物，做全局探索；当|A| < 1时，灰狼逼近猎物，做局部开发。这个特性非常像无人机编队在执行任务时的动作——先散开侦察开阔空间，再收拢锁定最优航路。

值得注意的是，标准GWO里所有普通灰狼的位置更新，实际上是往三只头狼位置的加权中心靠拢。这意味着算法默认可行解空间是连续的，这对路径规划问题非常友好。但同时也是短板：后期收敛因子线性递减，种群容易快速集中，如果三只头狼都在某个局部最优区域，整个种群就会被带进去。

3.2 常见的GWO改进策略：四种主要变体

既然项目名里有“多种灰狼优化算法”，那核心看点就是这些变体怎么改、为什么这么改。我把最常见的四种整理出来，你跑代码时大概率能遇到其中几个。

第一种是混沌映射初始化。标准GWO用随机数生成初始种群，分布不均匀，可能一开始就漏掉大片解空间。改进做法是在初始化阶段引入Tent映射或Logistic映射生成混沌序列，让初始灰狼位置更均匀地散布在搜索空间。代价基本为零，效果却立竿见影——收敛曲线第一代就比随机初始化低不少，后期的稳定性也更好。

第二种是自适应收敛因子。标准GWO里a = 2 - 2×(t/MaxIter)是线性递减，前期探索和后期开发的节奏固定，但复杂地形需要的是“大部分时间探索、最后阶段快速收敛”的非线性节奏。常见的改进有：

a = 2 * (1 - (t / MaxIter)^0.5);

或者用余弦形式：

a = 2 * cos(pi * t / (2 * MaxIter));

这个改动很小，但对多峰地形有奇效。我实测下来，用非线性收敛因子的GWO在UAV_Setup2场景里能找到更短的路径，代价是前期收敛曲线会略高，因为探索范围更大了。

第三种是融合差分进化。标准GWO后期所有灰狼都在向头狼靠拢，种群多样性急剧下降。混合DE的做法是，每轮迭代后随机选一部分灰狼，执行差分进化的变异和交叉操作。变异的经典形式是：

V = X_r1 + F × (X_r2 - X_r3)

也就是从种群中随机抽三只不同的狼，用它们的差向量扰动出一个新位置。这样做能不断引入新的搜索方向，打破头狼对种群的绝对统治。

第四种是引入Lévy飞行。标准GWO的位置更新步长相对温和，难以跳出深谷型的局部最优。Lévy飞行用重尾分布来描述步长，特点是偶尔出现大步跳跃。实现方式是在更新位置后加一项：

X_new = X_alpha + α × Lévy(β) × (X_best - X)

这个“偶尔的大跳”特别适合无人机路径规划中越过整座山去搜索另一片低洼区的情景。

跑对比实验时，你会在同一张图上看到：标准GWO曲线可能前期降得快、后期卡平；混沌GWO前期就领先；DE混合GWO则在中后段突然又下一截。这就是不同变体的性格差异。

3.3 适应度函数：权衡长度、高度、威胁与机间距离

在GWO-Framework里，所有算法变体共用同一个适应度函数，这也方便公平对比。适应度函数怎么设计，直接决定算法能不能解好无人机集群规划，这些目标往往互相矛盾。

我见过的大多数工程版本，适应度函数是几个代价项的加权和：

J = w1·J_length + w2·J_height + w3·J_smooth + w4·J_threat + w5·J_separation

各项含义如下：

J_length是路径总长度代价，把所有无人机相邻航点的欧氏距离加总。它主导“路径要短”这个核心目标。

J_height是高度惩罚。如果某处地形很高而规划路径的高度过低，就产生惩罚。这个惩罚通常写成高度差或阈值触发的分段函数，避免飞机撞山。

J_smooth是平滑度代价。计算路径上相邻线段的转角，如果转角超过无人机最大转弯角约束，就会额外加惩罚。没有这一项，算法规划的路径会呈锯齿状，现实里根本飞不了。

J_threat是威胁区惩罚。判断航点或航段是否进入禁飞区范围，进入就给一个非常大的惩罚值，强迫算法绕行。

J_separation是机间距离代价。两两计算飞机在同一航点处的三维距离，若低于安全间距，就会加惩罚。这一项是集群规划区别于单机规划的核心。

权重w的取值很讲究。正常逻辑是先看各代价项的量纲：路径长度是几十上百的数量级，高度惩罚可能是几十，威胁区惩罚偶尔被罚一次就是上万。如果权重差距不拉开，威胁惩罚根本盖不住长度项的影响。经验做法是，先跑一次把各项的数量级摸清楚，再设定权重。比如把w4设成1000以上，w1保持在1附近，威胁区才能真正变成“硬约束”。这部分调参的过程，往往比调GWO算法本身更费时间。

4. 实操记录：跑通、调参、对比算法

4.1 第一次运行main.m的完整流程

如果你电脑上已经装好MATLAB，我建议按这套步骤操作，不容易出错。

第一步，解压项目文件夹，确认里面有main.m、UAV_SetUp相关的函数文件、GWO算法函数文件以及地图生成脚本。第二步，打开MATLAB，把当前工作目录切到项目文件夹。第三步，直接在命令行输入main或者点击编辑器里的运行按钮。第四步，观察命令行窗口的输出。常见的输出有当前迭代次数、当前最优适应度等，有些实现还加了进度条。

第五步，等程序跑完后，看弹出的图形窗口。一般会有两个或三个图：三维地形图显示地形和规划路径；收敛曲线图显示不同GWO变体的适应度下降趋势。

以默认的UAV_SetUp1为例，3架无人机、5个山峰，种群规模如果是30、迭代次数100，通常十几秒就能跑完。如果跑到SetUp3，8架无人机、12个山峰，计算时间会显著拉长，这时候你可以考虑把迭代次数从100降到50，先快速验证代码流程，再慢慢加回来。

注意：如果你用的MATLAB版本比较老（比如2016a之前），有些语法可能不兼容。遇到莫名其妙的报错，优先检查项目里是否用了新版才有的函数或字符串数组语法。

4.2 三个关键参数的调节心得

第一个是种群规模N。它决定每次迭代有多少个候选解参与搜索。N太小（比如10），搜索覆盖不足，容易陷入局部最优；N太大（比如100），每轮迭代的适应度计算量线性增加，跑得慢，收益却不明显。我的经验是：维度在100以下的取30，维度300左右的取50到60，再往上取80就够用了。

第二个是最大迭代次数MaxIter。它决定算法能搜索多少代。看收敛曲线来判断——如果在当前迭代次数下曲线后期已经很平，说明收敛已经完成，再多跑只是浪费时间；如果曲线还在明显下降，说明迭代不够，要加。我一般习惯先设50跑得快，看趋势后再设到200做精细搜索。

第三个是收敛因子a的递进方式。标准GWO用线性递减，改进版各不相同。如果你用的是自适应GWO变体，可以改一下指数参数试着观察效果。比如把a的递减指数从1改成0.5或2，你会发现前期探索和后期开发的比例完全不同。这块特别适合做实验写进论文。

另外，还有一个容易忽略的参数是UAV_SetUp里设置的路径点数N。路径点数太稀疏，就无法精细绕开地形和威胁区；太密集，维度暴涨，搜索难度加大。常见取值是每架飞机20到40个航点，具体要看地图的复杂程度。SetUp1用20个就够，SetUp3建议加到30到40个。

4.3 用收敛曲线判断算法和参数是否正常

收敛曲线是整个项目里信息量最大的输出，但它不会自己说话，得靠你解读。

第一，看曲线的起点。如果第一代适应度就特别低，说明初始化策略有效，或者问题本身简单。如果第一代曲线很高，甚至后面的算法结果也不理想，可能是维度太高或权重没调好，也可能是初始种群覆盖太差。

第二，看曲线下降的形态。健康的收敛曲线是先快速下降再缓慢趋平，整体呈负指数形状。如果曲线从头到尾都很平缓，可能是种群规模太小、狮子大开口步长太小，搜索效率低；如果曲线突然掉了一大截然后完全不动，说明算法在前几代就陷入了局部最优，种群多样性快速丧失。

第三，看多条曲线的对比。不同GWO变体在同一个问题上，合理的结果是各有优劣：标准GWO或许前期强，混合DE-GWO后期更强。如果某个改进版在三个场景里全都碾压其他算法，你就该怀疑是不是它的收敛因子参数设置占了大便宜，而不是算法本身质变。这时候把不同算法的关键参数统一，保证对比公平性，才是正确实验姿势。

第四，要有“曲线不骗人”的信念。即使路径图画得再好看，如果收敛曲线剧烈震荡、毫无下降趋势，那路径大概率就是碰运气撞出来的。先修算法稳定性，再谈路径优化。

5. 踩坑实录与排查技巧

5.1 维度不匹配与索引越界

这个坑的频率最高，几乎每套类似代码都能遇到。典型报错是MATLAB提示“索引超出数组边界”或者“矩阵维度必须一致”。

根因通常是你改了UAV_SetUp里的无人机数量或航点数量，但算法初始化、适应度函数、解码逻辑中的维度参数没同步更新。举个我踩过多次的例子：UAV_SetUp1的3架飞机、每架20个航点，dim=180；突然换成UAV_SetUp3的8架飞机、每架30个航点，dim=720。如果main.m里写死dim=180，那GWO初始化种群时就会崩。

排查思路很明确：先用size函数检查配置结构体里每个字段的尺寸，再用断点卡在GWO主函数入口，看传入的dim是否和UAV_SetUp里的数据匹配。维修也很简单，把dim的计算改成动态获取：size(getUAVSetUp().initialPositions)。

5.2 路径穿山、毛刺严重、飞机相撞

有一次我调整完权重直接跑UAV_SetUp2，输出的三维图里一架飞机的路径直直穿过山峰，收敛曲线还是下降得非常平滑。我当时有种“哪里不对劲”的警觉。检查之后发现问题出在高度惩罚权重太小：路径长度项权重是1，高度惩罚权重只有0.01，算法觉得穿山省下的几百米路程比绕山划算，于是疯狂穿山。把高度惩罚权重提到0.5之后，路径才老实贴着山峰轮廓走。

毛刺问题也类似。路径锯齿严重、弯来弯去，说明平滑度惩罚权重太低或者路径点太密、转弯角约束没起作用。我一般会调整平滑度权重，让J_smooth在总代价里占比达到20%到30%。

飞机相撞问题则要看机间安全距离惩罚。如果规划的路径在交叉点处两架飞机几乎重叠，那一定是J_separation的惩罚力度不够。常见的解决方法是把安全距离阈值设置得比飞机实际安全间距更大，比如实际最小距离要求500米，代码里就设800米，留足余量。

5.3 结果不稳定与局部最优的判断与应对

同一套参数跑十次，可能十次结果都不一样，这是群体智能算法的天性。如果只是适应度值在小范围内波动（比如±5%），这算正常。如果有些次跑出明显更好的解，有些次却一塌糊涂，那就有问题了。

这时候我一般会做三件事：第一，固定随机种子。在main.m开头加rng(0)，确保每次实验的随机序列一致，这样对比实验和复现才有意义。第二，增加独立重复实验次数。跑20次，统计最优值、均值、标准差。标准差不应该太大。第三，检查是否算法早熟。如果种群多样性快速归零，跑五次五次都收敛到同一个很差的解附近，那就是陷入局部最优。应对方法有：调大种群规模、改用混沌初始化或DE混合变体、增加Lévy飞行跳变项。

说到这，我想起一开始跑UAV_SetUp3时遇到的诡异现象：标准GWO每次都能跑出一组路径，但有几架的路径明显绕了远路。看收敛曲线倒是正常下降，一度以为没问题。直到我手动算了一下那架飞机的路径长度，才发现它绕了一个大圈。后面把适应度函数里的机间距离惩罚和威胁惩罚都梳理一遍，才找到原因——那个大圈是为了避开另一条路径的密集区域。换句话说，算法是在用路径长度换安全性，这个取舍本身没问题，但你得知道它在干什么，才不会对结果产生误判。

6. 后续扩展思路：把项目用得更深

6.1 加时间维度的动态规划

现在项目里规划的是静态路径——地图固定、威胁区不移动。实际无人机任务里，风速、禁飞区位置、突发障碍物都是时变的。因此可以把静态路径规划扩展成四维时空规划：除了x、y、z三个坐标，再加一个时间维度，让每架飞机在某个时间戳必须到达某个位置。

这样一来，机间避撞就能变成真正的四维问题——两架飞机即使空间轨迹交叉，只要到达时间错开，就不会冲突。这比单纯加大安全距离惩罚要高明得多，代价是决策变量维度直接翻倍甚至更多。好消息是，GWO的框架不需要大改，只改编码方式和适应度函数，就能处理这种更复杂的问题。

6.2 混合算法与并行加速

GWO的另一个经典玩法是与其他算法组成混合搜索框架。常见组合有灰狼+粒子群：前期用GWO做全局勘探，后期交给粒子群做精细局部搜索；或者反过来，用PSO初始化种群，再用GWO迭代。这类混合算法在复杂地形下往往比任一单算法更稳。

跑大规模UAV_SetUp3时，如果觉得速度慢，还可以用MATLAB的并行计算工具箱。最简单的改造是：把针对不同GWO变体的循环用parfor替换，让几个算法同时跑在不同工作线程上。改造前提是各算法之间不能有共享变量的写入冲突。串行跑3个变体可能需要几分钟，并行后能压缩到原来的一半甚至更少。

6.3 从仿真到落地应用的衔接思考

仿真跑通不是终点。如果要把这套算法放到真机集群里，还需要考虑两个问题：一是路径平滑。GWO输出的航点连线是折线，真机飞出来会一顿一顿。通常的做法是用B样条曲线对航点做平滑，再交给飞控执行。二是实时性。静态规划在起飞前离线算好就行，但中途遇到突发情况需要在线重规划，对算法迭代速度有硬指标要求。这个时候，把GWO的收敛曲线压缩到几百毫秒内，就需要结合代理模型或者提前缓存部分可行解。

我的建议是，把这套项目当作算法试验田，先把不同GWO变体的性格摸透，再逐步往工程方向靠拢。

最后分享一个我自己的使用习惯：每次跑这套代码，我都会把UAV_SetUp三套场景的结果单独存成图片和.mat文件，标注好当时的参数配置。因为做对比实验时，最怕的不是结果差，而是忘了当初是怎么跑出这个结果的。有了一份带参数快照的实验记录，后面写技术报告、复盘调参路径、甚至重新生成论文图表，都会省下很多时间。这也是我跑完这批GWO代码之后，最想提醒你的一件事。