✅博主简介：本人擅长建模仿真、数据分析、论文写作与指导，项目与课题经验交流。项目合作可私信或扫描文章底部二维码。

随着无人机生产及应用成本降低，传感器、自动化和人工智能等技术快速发展，无人机通过搭载多种装置可应用于多个领域，高效完成各种人力难以操作的任务。无人机路径规划问题是其完成任务的基础，为减少路径规划时间、提升路径最优性、降低无人机损毁可能性，路径规划算法成为无人机应用领域的热点问题。

二、三维环境模型构建

1. 数据采集路径规划问题的三维环境模型：目前数据采集路径规划问题的三维环境模型大多通过二维平面坐标与高度坐标组合简化表示，损失了许多环境信息。针对此问题构建空间分布的异构无线传感器网络模型，提高环境信息完整性和规划路径准确性。
2. 复杂环境两点间路径规划问题的三维环境模型：由于三维复杂环境中可能存在多种威胁源，采用威胁度模型针对不同威胁源分别进行建模，为后续路径规划奠定基础。

三、两阶段数据采集路径规划算法（NTSP-TCO）

1. 算法设计思路：为提高无人机在无线传感器网络数据采集的规划效率，设计基于不返回旅行商问题和三点凸优化问题的两阶段数据采集路径规划算法。
2. 问题求解过程：
   • 首先，将无人机对空间分布异构无线传感器网络的数据采集路径规划问题近似为特殊的带邻域旅行商问题，并分为两个阶段求解。
   • 其次，制定并解决不返回的旅行推销员问题，获取无人机遍历传感器设备的最短路径。
   • 最后，迭代解决一系列三点凸优化问题，获取无人机数据采集的最优路径。
3. 仿真结果分析：随传感器设备数增加、采集半径增大，该方法可有效缩短路径采集长度，同时减少路径采集点个数。

四、双向稀疏威胁探测 A * 算法（BSTDAStar）

1. 算法改进方向：为提高无人机飞行的路径最优性，设计双向稀疏威胁探测 A算法，针对大规模复杂环境中信息量暴增导致传统 A算法出现路径拐点多、规划时间长、路径安全性降低等问题进行改进。
2. 具体改进措施：
   • 限制搜索方向。
   • 自适应改变搜索步长。
   • 引入双向搜索机制。
   • 改进启发函数。
   • 增加无人机雷达探测功能提前避障。
3. 仿真结果分析：相比传统的 A算法和改进的 RRT算法，BSTDAStar 算法能在更短时间内规划出一条安全、平滑的最优路径。

import heapq

class Node:
    def __init__(self, x, y):
        self.x = x
        self.y = y
        self.g = 0
        self.h = 0
        self.f = 0
        self.parent = None

def heuristic(node1, node2):
    return abs(node1.x - node2.x) + abs(node1.y - node2.y)

def is_valid(x, y, grid):
    return 0 <= x < len(grid) and 0 <= y < len(grid[0]) and grid[x][y]!= 1

def get_neighbors(node, grid):
    neighbors = []
    for dx, dy in [(0, 1), (1, 0), (0, -1), (-1, 0)]:
        new_x = node.x + dx
        new_y = node.y + dy
        if is_valid(new_x, new_y, grid):
            neighbors.append(Node(new_x, new_y))
    return neighbors

def a_star(start, end, grid):
    open_list = []
    closed_set = set()
    heapq.heappush(open_list, (0, start))
    while open_list:
        current_f, current_node = heapq.heappop(open_list)
        if current_node.x == end.x and current_node.y == end.y:
            path = []
            while current_node:
                path.append((current_node.x, current_node.y))
                current_node = current_node.parent
            return path[::-1]
        closed_set.add((current_node.x, current_node.y))
        neighbors = get_neighbors(current_node, grid)
        for neighbor in neighbors:
            if (neighbor.x, neighbor.y) in closed_set:
                continue
            tentative_g = current_node.g + 1
            if (tentative_g < neighbor.g or (neighbor.x, neighbor.y) not in [item[1] for item in open_list]):
                neighbor.g = tentative_g
                neighbor.h = heuristic(neighbor, end)
                neighbor.f = neighbor.g + neighbor.h
                neighbor.parent = current_node
                heapq.heappush(open_list, (neighbor.f, neighbor))
    return None