高密度建筑环境中的无人机物流：协同路径与避障耦合优化

论文题目：Research on collaborative path planning of UAV swarms for urban logistics distribution in dense building environments

第一作者：Yuanda Lai 中国人民武装警察部队工程大学学生。

E-mail：2597310538@qq.com。

通讯作者：Husheng Wu 中国人民武装警察部队工程大学教授，长期深耕狼群算法等群智能优化算法的提出、改进优化与算法对比研究，并将其深度应用于无人机蜂群/空地无人集群的路径规划、动态任务分配、协同控制与性能评估等核心领域，同时也涉足多模态变化检测、时间序列分析、复杂网络、组合优化、故障诊断等方向的研究。

E-mail：wuhusheng0421@163.com

高密度建筑环境中的无人机物流：协同路径与避障耦合优化

论文摘要

面对城市建筑密集、通信受阻和飞行安全风险高的复杂环境，该文提出了一种用于城市物流无人机集群的多策略改进狼群算法（MSIWPA）。研究构建了层级化三维环境模型，以不同高度层区分安全飞行区域，并设计了综合客观函数，将 航迹长度、高度偏差、转向角度、避障约束、群间碰撞约束与 通信维持约束 等因素融合在一起。针对传统狼群算法易陷入局部最优、群体多样性下降等问题，提出了几项改进：使用 良好点集+拉丁超立方采样 的混合初始化策略提升初始群体均匀性；引入 群体活性度 判断群体状态，动态选择游走策略（随机扰动、混沌映射、Lévy 飞行及自适应步长）；根据猎物距离自适应调整突击步长和合围步长；利用 遗传更新机制 提高优良个体继承性。最终通过在三维城市环境下对 6 架无人机进行仿真实验，MSIWPA 在路径成本、航迹平滑度和飞行高度稳定性方面均优于 CFOA、COA、IBL、SFOA 和 TOC 等算法。这些成果表明，改进的狼群算法为复杂城市物流场景提供了一种高效且可靠的集群路径规划方法。

一、研究背景与问题建模

1.1 城市物流面临的挑战

城市中 建筑密集、道路拥堵 和“最后一公里”配送成本高，传统地面物流难以满足快速配送需求。利用无人机集群协同配送能显著提高效率，但需要解决以下问题：

• 三维避障：建筑物、广告牌等固定障碍与气流扰动。
• 动态冲突：其他无人机、气球、直升机等移动障碍。
• 通信遮挡：高楼导致非视距(NLoS)环境，影响链路质量。
• 群内安全：避免无人机之间碰撞，保持协同。

为应对这些约束，论文提出通过空域分层以及综合优化来制定航迹。

1.2 层级化规划模型

作者将飞行空间按高度划分为若干层，利用安全高度范围引导无人机飞行，从而限制危险区域。下图展示了层级规划示意：在高层、中层与底层之间预设任务层高和安全边界，UAV 根据任务起降点自动选择合适的飞行层。

在此基础上，综合客观函数  由若干成本项线性加权组成：

其中：

•  航迹长度：沿各节点计算累积距离。
•  高度成本：偏离最佳飞行高度  的代价。
•  转向角成本：水平转向角与爬升角变化导致的平滑度代价。
•  避障成本：与建筑物或地形发生碰撞时赋予无限惩罚。
•  群间碰撞成本：无人机之间保持安全距离，否则惩罚无穷。
•  通信成本：在强干扰区与通信距离过远时增加代价。

利用适当的权重平衡飞行距离、能耗、平滑度与安全性，构成了路径规划的核心目标。

二、多策略改进狼群算法 (MSIWPA)

2.1 优化框架与算法步骤

MSIWPA 的总体框架如图所示：首先构建三维环境模型，确定起点、终点和电磁干扰场；其次依据综合目标函数评估航迹；最后通过多策略改进狼群算法进行寻优并输出最终路径。

该方法的流程可概括为以下步骤：

1. 群体初始化：采用良好点集与拉丁超立方混合采样生成均匀分布的初始解。
2. 计算活性度：评估群体活性度，反映当前种群的搜索状态。
3. 游走阶段：根据活性度选择不同搜索策略（随机扰动、混沌映射、Lévy 飞行或自适应步长）更新位置。
4. 召回和合围：根据领先个体，执行突击和包围操作，以缩短距离。步长由目标距离和适应度自适应调整。
5. 群体更新：通过遗传机制选择部分个体进行交叉繁殖，淘汰劣质个体，保持群体多样性。
6. 终止条件：当迭代次数或适应度稳定满足停止条件时输出最佳路径。

该流程在下图中以更直观形式展示：

2.2 高质量群体初始化

狼群算法易受初始解质量影响。作者结合 良好点集 (Good Point Set) 与 拉丁超立方采样 (LHS) 生成均匀分布的初始个体。良好点集通过数论序列在多维空间均匀撒点，而 LHS 在各维度均匀采样，两者结合可以提高多维空间覆盖度。图 4 显示了在二维与 50 维空间中，良好点集与随机方法生成的种群分布差异：良好点集明显更均匀，有利于全局搜索。

改进策略还引入动态权重  调节两种初始化方法的占比，使不同维度下种群分布更加合理。

2.3 群体活性度与动态游走

经典狼群算法在搜索过程中容易早熟陷入局部极值。论文提出 群体活性度  概念，综合考虑领先个体变化次数、最优个体与群体平均适应度差异等指标，实时评估群体探索状态。根据  值的不同，算法在游走阶段自适应选择下列策略：

• 随机扰动： 时采用随机因子扰动，增强局部搜索。
• 混沌映射： 时用 Logistic 混沌映射产生全局扰动，跳出局部最优。
• Lévy 飞行： 时进行 Lévy 飞行，实现长跳跃搜索。
• 自适应步长随机游走： 时缩短步长细致探索，结合被袭击个体距离自适应调整。

图 5 给出了改进徘徊策略与传统算法在不同维度下的对比结果，改进算法在收敛精度与活性度控制方面明显优于传统方法。

2.4 自适应突击步长与遗传更新

在召回和合围过程中，步长设置对收敛速度和搜索精度影响显著。作者提出根据猎物距离  和适应度差异自适应调整突击步长 ：

其中  为缩放因子， 和  分别为当代最大和最小猎物距离。该公式使群体在远离目标时加速靠近，在接近目标时减缓步长，防止越界。合围步长类似，根据群体中心到猎物的距离自适应调整。

此外，引入遗传更新机制：根据适应度计算每只狼的繁殖概率，随机选择部分个体交叉重组生成后代，并以新个体替换适应度差的狼。这种策略能在保持优秀个体的同时增加多样性，避免过早收敛。

三、实验设计与结果分析

3.1 实验场景与评价指标

论文在 3D 城市模型中进行了两组仿真：场景 1 具备 3 个电磁干扰场，场景 2 在此基础上新增 3 个干扰场。共有 6 架无人机从不同起点飞往任务点。评价指标包括：

• 总体成本 ：综合考虑路径长度、能耗、平滑度及安全约束。
• 路径平滑度：平均转向角和平均爬升角变化。
• 飞行高度稳定性：平均高度、标准差和最大高度差。
• 运行时间：算法计算耗时。

3.2 多策略算法在场景 1 的表现

图 6 对比了 CFOA、COA、IBL、SFOA、TOC 与 MSIWPA 的路径成本结果；MSIWPA 在每一架无人机上均取得最低成本，并且各无人机成本差异较小。

图 7 展示了各算法规划路径的平均飞行高度和最大高度差。MSIWPA 的平均高度变化最小、最大高度差仅 18 m。统计分析表明，MSIWPA 在高度稳定性上的优势具有显著性 (p<0.05)，更能保持群体一致性和通信稳定。

从视觉上看，MSIWPA 生成的三维航迹如图 8 所示：左图为三维路径分布，右图为平面投影。无人机轨迹无碰撞且相对紧凑；由于避障成本只在节点处计算，某些线段在平面投影中穿过建筑，但实际上是从其上方飞过。

此外，MSIWPA 的平均运行时间约为 42.5 s，位列第三；虽然比 SFOA 和 CFOA 略慢，但在保证最优路径质量的同时仍保持合理的计算效率。

3.3 场景 2：通信干扰增加时的性能

场景 2 增加了 3 个通信干扰场。结果显示，MSIWPA 仍能找到成本最低且满足通信约束的航迹，并在平滑度指标上保持领先。随着干扰场增加，所有算法运行时间有所上升，但 MSIWPA 仍保持较高性价比。由于时间关系，这里不再重复插图，读者可参考论文原文 Fig.17–Fig.19。

3.4 创新点与亮点总结

• 综合目标函数：首次将飞行长度、能耗、高度成本、转向平滑度、避障、安全距离以及通信质量统一到一个优化框架中。
• 层级规划策略：通过对飞行高度分层，引导无人机在高、低层间选择能耗最优的航迹。
• 群体活性度驱动的搜索策略：根据活性度动态选择多种游走策略，实现探索与开发的自适应平衡。
• 自适应步长与遗传更新：根据猎物距离调节突击步长，并通过遗传机制保持种群活力。
• 显著优于多种基准算法：在成本、平滑度和高度稳定性方面全面超越 CFOA、COA、IBL、SFOA、TOC 等算法，且运行时间适中，适合实际城市物流应用。

四、结论与展望

本文针对城市密集建筑环境中的无人机集群路径规划问题，提出了多策略改进狼群算法。通过层级规划、综合目标函数和创新的群体搜索策略，算法在多项指标上显著优于现有方法。实验结果表明，MSIWPA 能在保证通信和安全的前提下生成更短、更平滑且高度分布更稳定的路径。

未来研究可考虑以下方向：在动态环境下实现 实时重规划；引入更精细的空气动力学模型，提高对实际风场与能耗的刻画；结合 深度强化学习 与群智能算法，构建混合智能系统，进一步提升自适应能力。这些探索将进一步拓展改进狼群算法在城市物流乃至其他复杂场景中的应用潜力。

原文链接见文末，或扫下方交流群二维码。群内实时更新推文及原文 pdf，方便专家学者随时获取（若二维码失效，请翻阅扫描最新文章的二维码）。