✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、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

👇 关注我领取海量matlab电子书和数学建模资料

🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。

🔥 内容介绍

这份 MATLAB 代码是城市迷宫场景下多无人机自适应编队协同避障仿真框架，实现：环境感知熵 + 障碍物密度双指标自动切换编队、V 型初始编队、领航者 - 跟随者分层控制、碰撞检测、卡死检测、指标绘图、数据保存、视频输出整套流水线。代码为越南语注释，我先逐段翻译讲解逻辑，再给出全中文注释优化版完整代码。

一、整体架构分层（6 大核心模块）

1. 初始化模块

   ：随机种子、场景选择、环境建模、编队选择器初始化

2. 无人机初始化

   ：V 型编队布放领航机 / 跟随机，根据起点 - 目标航向计算初始偏移

3. 仿真全局参数配置

   ：仿真步长、最大迭代、熵归一化阈值、碰撞 / 卡死计数器

4. 主仿真循环（核心）

   • 全局计算：编队熵、障碍物密度、编队类型自适应切换（带滞环防频繁跳变）

   • 单机更新：领航者避障寻目标、跟随者跟踪编队几何、碰撞逃逸力、速度限幅

   • 故障检测：机身碰撞计数、领航机卡死判定告警

   • 数据缓存：熵、编队类型、障碍物密度时序记录

5. 后处理分析

   ：仿真终止判定、碰撞 / 编队切换次数统计、性能指标打印

6. 可视化与存储

   ：静态结果绘图、性能指标评估、仿真视频生成、mat 数据保存

二、关键核心算法说明

1. 自适应编队切换逻辑

两个感知特征作为输入：

• entropy

  编队熵：无人机分布混乱度，熵越大编队越散乱，需要收缩紧密编队

• rho

  障碍物密度：领航机周边障碍物占比，密度高切换窄通道紧凑型编队FormationSelector内置滞环缓存hysteresis_buffer、最小切换间隔min_switch_interval，防止场景小幅扰动导致编队频繁抖动（城市迷宫场景专用参数）。

2. V 型编队几何生成

• 3 号无人机固定为领航 Leader

• 跟随机按距离领航机距离做径向偏移：

  • 左侧机翼：航向 + 夹角 α+180°（置于领航机后方）

  • 右侧机翼：航向 - 夹角 α+180°保证编队整体朝向目标点，初始队形标准 V 型。

3. 分层运动控制

1. 领航机 LeaderBehavior

   ：全局导航向目标 + 全局避障，主导编队前进方向

2. 跟随机 FollowerBehavior

   ：仅跟踪编队几何约束，跟随领航机轨迹

3. 碰撞逃逸机制：无人机落入多边形障碍物时，叠加法向斥力 8 单位强制脱离，速度上限 2m/s 限幅。

4. 故障监测机制

1. 碰撞计数：任意无人机进入障碍物多边形即计数

2. 领航机卡死检测：连续 200 迭代位移小于 0.05m 判定卡死并打印告警

5. 场景熵归一化适配

不同环境最大混乱熵阈值不同，归一化到 [0,1] 区间保证编队选择器输入尺度统一：

• 窄通道：20.0 | 城市迷宫：5.0 | 开阔场地：15.0

⛳️ 运行结果

📣 部分代码

function PlotResultsSmart(drones, model, selector, history_entropy, history_formation, history_rho)

%PLOTRESULTSSMART - Vẽ kết quả mô phỏng với thông tin đội hình thông minh

%% Tham số

num_steps = length(history_entropy);

if num_steps == 0

warning('No history data to plot');

return;

end

% Kiểm tra consistency

path_steps = size(drones{1}.path, 1);

if path_steps ~= num_steps + 1

warning('Path steps (%d) ~= history steps (%d) + 1. Using min.', ...

path_steps, num_steps);

num_steps = min(num_steps, path_steps - 1);

end

dt = 0.02;

% Màu theo vai trò

role_colors = struct();

role_colors.leader = [1.0, 0.0, 0.0];

role_colors.left_wing = [0.0, 0.4, 1.0];

role_colors.right_wing = [0.0, 0.8, 0.0];

role_colors.tail = [1.0, 0.8, 0.0];

role_colors.center = [0.8, 0.0, 0.8];

role_colors.perimeter = [0.5, 0.5, 0.5];

role_colors.left_guard = [0.0, 0.6, 0.8];

role_colors.right_guard = [0.8, 0.4, 0.0];

role_colors.wing = [0.2, 0.6, 0.2];

role_colors.front = [0.4, 0.4, 0.8];

role_colors.rear = [0.6, 0.6, 0.6];

role_colors.reserve = [0.6, 0.6, 0.6];

role_colors.follower = [0.4, 0.4, 0.8];

default_color = [0.3, 0.3, 0.3];

% Tính transition_points

transition_points = [1];

transition_types = {history_formation{1}};

for i = 2:length(history_formation)

if ~strcmp(history_formation{i}, history_formation{i-1})

transition_points = [transition_points, i];

transition_types{end+1} = history_formation{i};

end

end

%% Tạo figure

fig = figure('Name', sprintf('Smart Formation Results - %s', model.scenario), ...

'Position', [30, 30, 1500, 1000], ...

'Color', [1, 1, 1]);

%% ===== SUBPLOT 1: Quỹ đạo tổng thể (lớn) =====

ax1 = subplot(3, 3, [1, 2, 4, 5]);

hold(ax1, 'on');

grid(ax1, 'on');

% Môi trường

plot(ax1, model.start(1), model.start(2), 'bs', ...

'MarkerSize', 20, 'MarkerFaceColor', [0.2, 0.2, 1.0], ...

'MarkerEdgeColor', 'k', 'LineWidth', 2.5, ...

'DisplayName', 'Start');

text(ax1, model.start(1), model.start(2)-1.0, 'START', ...

'HorizontalAlignment', 'center', 'FontSize', 12, ...

'FontWeight', 'bold', 'Color', [0.2, 0.2, 1.0]);

plot(ax1, model.goal(1), model.goal(2), 'rp', ...

'MarkerSize', 20, 'MarkerFaceColor', [1.0, 0.2, 0.2], ...

'MarkerEdgeColor', 'k', 'LineWidth', 2.5, ...

'DisplayName', 'Goal');

text(ax1, model.goal(1), model.goal(2)-1.0, 'GOAL', ...

'HorizontalAlignment', 'center', 'FontSize', 12, ...

'FontWeight', 'bold', 'Color', [1.0, 0.2, 0.2]);

% Obstacles

for j = 1:size(model.obstacles, 2)

obs = model.obstacles{j};

pgon = polyshape(obs(:, 1), obs(:, 2));

plot(ax1, pgon, 'FaceColor', [0.25, 0.25, 0.25], ...

'FaceAlpha', 0.7, 'EdgeColor', 'k', 'LineWidth', 2, ...

'DisplayName', sprintf('Obstacle %d', j));

end

% Quỹ đạo UAV

for i = 1:model.n

role = drones{i}.formation_role;

if isfield(role_colors, role)

color = role_colors.(role);

else

color = default_color;

end

path = drones{i}.path;

plot(ax1, path(:, 1), path(:, 2), ...

'Color', color, 'LineWidth', 2.5, ...

'DisplayName', sprintf('UAV%d (%s)', i, role));

end

% Snapshot đội hình

snapshot_points = [1];

if length(transition_points) > 1

snapshot_points = [snapshot_points, transition_points(2:end)];

end

if snapshot_points(end) ~= num_steps

snapshot_points = [snapshot_points, num_steps];

end

snapshot_points = unique(snapshot_points);

snapshot_points = snapshot_points(snapshot_points <= num_steps);

snapshot_colors = lines(length(snapshot_points));

for s = 1:length(snapshot_points)

idx = snapshot_points(s);

if idx > length(history_formation)

continue;

end

gr = [];

for j = 1:model.n

path_idx = min(idx + 1, size(drones{j}.path, 1));

gr = [gr; drones{j}.path(path_idx, 1:2)];

end

% Vẽ đội hình

plot(ax1, gr(:, 1), gr(:, 2), '--', ...

'Color', [snapshot_colors(s, :), 0.6], 'LineWidth', 1.5);

scatter(ax1, gr(:, 1), gr(:, 2), 100, ...

snapshot_colors(s, :), 'filled', ...

'MarkerEdgeColor', 'k', 'LineWidth', 1.5);

% Label đội hình

mid_x = mean(gr(:, 1));

mid_y = max(gr(:, 2)) + 0.8;

text(ax1, mid_x, mid_y, ...

sprintf('[%s]\nt=%.1fs', history_formation{idx}, idx*dt), ...

'HorizontalAlignment', 'center', 'FontSize', 9, ...

'Color', snapshot_colors(s, :), 'FontWeight', 'bold', ...

'BackgroundColor', [1, 1, 1, 0.8], 'EdgeColor', snapshot_colors(s, :));

end

xlabel(ax1, 'x [m]', 'FontSize', 12, 'FontWeight', 'bold');

ylabel(ax1, 'y [m]', 'FontSize', 12, 'FontWeight', 'bold');

title(ax1, sprintf('UAV Trajectories - %s', model.scenario), ...

'FontSize', 14, 'FontWeight', 'bold');

legend(ax1, 'Location', 'bestoutside', 'FontSize', 9);

axis(ax1, 'equal');

xlim(ax1, [model.xmin, model.xmax]);

ylim(ax1, [model.ymin, model.ymax]);

%% ===== SUBPLOT 2: Timeline đội hình =====

ax2 = subplot(3, 3, 3);

hold(ax2, 'on');

if ~isempty(history_formation)

hist_form = history_formation(1:num_steps);

formation_types = unique(hist_form);

num_types = length(formation_types);

colors = jet(num_types);

% Vẽ timeline

for i = 1:num_steps-1

type_idx = find(strcmp(formation_types, hist_form{i}));

fill(ax2, [i, i+1, i+1, i], [0, 0, 1, 1], ...

colors(type_idx, :), 'FaceAlpha', 0.7, 'EdgeColor', 'none');

end

% Đánh dấu transition

for i = 2:length(transition_points)

if transition_points(i) <= num_steps

line(ax2, [transition_points(i), transition_points(i)], [0, 1], ...

'Color', 'k', 'LineStyle', '--', 'LineWidth', 2);

text(ax2, transition_points(i), 1.1, transition_types{i}, ...

'HorizontalAlignment', 'center', 'FontSize', 8, ...

'Rotation', 45, 'Color', 'k', 'FontWeight', 'bold');

end

end

yticks(ax2, []);

ylim(ax2, [0, 1.5]);

xlabel(ax2, 'Time step', 'FontSize', 10);

title(ax2, 'Formation Timeline', 'FontSize', 11, 'FontWeight', 'bold');

% Legend

h_dummy = [];

for i = 1:num_types

h_dummy(i) = plot(ax2, nan, nan, 's', 'Color', colors(i, :), ...

'MarkerFaceColor', colors(i, :), ...

'MarkerSize', 10, 'DisplayName', formation_types{i});

end

legend(ax2, h_dummy, 'Location', 'best', 'FontSize', 9);

end

%% ===== SUBPLOT 3: Entropy theo thời gian (ĐÃ SỬA YLIM) =====

ax3 = subplot(3, 3, 6);

hold(ax3, 'on');

grid(ax3, 'on');

if ~isempty(history_entropy)

plot(ax3, 1:num_steps, history_entropy(1:num_steps), 'b-', 'LineWidth', 2);

% Ngưỡng

line(ax3, [1, num_steps], [0.8, 0.8], 'Color', [1, 0.5, 0], ...

'LineStyle', '--', 'LineWidth', 1.5, 'DisplayName', 'High threshold');

line(ax3, [1, num_steps], [0.5, 0.5], 'Color', [0.8, 0.8, 0], ...

'LineStyle', '--', 'LineWidth', 1.5, 'DisplayName', 'Medium threshold');

% Đánh dấu transition

for i = 2:length(transition_points)

if transition_points(i) <= num_steps

xline(ax3, transition_points(i), '--g', 'LineWidth', 1.5);

end

end

% ✅ SỬA: Ylim động dựa trên giá trị entropy thực tế

max_entropy = max(history_entropy);

y_max = max(max_entropy * 1.1, 1.2); % Ít nhất 1.2, hoặc cao hơn nếu cần

xlim(ax3, [1, num_steps]);

ylim(ax3, [0, y_max]);

end

xlabel(ax3, 'Time step', 'FontSize', 10);

ylabel(ax3, 'Entropy', 'FontSize', 10);

title(ax3, 'Formation Entropy', 'FontSize', 11, 'FontWeight', 'bold');

legend(ax3, 'Location', 'best', 'FontSize', 9);

%% ===== SUBPLOT 4: Obstacle Density =====

ax4 = subplot(3, 3, 9);

hold(ax4, 'on');

grid(ax4, 'on');

if ~isempty(history_rho)

plot(ax4, 1:num_steps, history_rho(1:num_steps), 'r-', 'LineWidth', 2);

% Ngưỡng

line(ax4, [1, num_steps], [0.6, 0.6], 'Color', [1, 0.3, 0.3], ...

'LineStyle', '--', 'LineWidth', 1.5, 'DisplayName', 'High density');

% Đánh dấu transition

for i = 2:length(transition_points)

if transition_points(i) <= num_steps

xline(ax4, transition_points(i), '--g', 'LineWidth', 1.5);

end

end

xlim(ax4, [1, num_steps]);

ylim(ax4, [0, 1]);

end

xlabel(ax4, 'Time step', 'FontSize', 10);

ylabel(ax4, 'Obstacle Density \rho', 'FontSize', 10);

title(ax4, 'Obstacle Density', 'FontSize', 11, 'FontWeight', 'bold');

legend(ax4, 'Location', 'best', 'FontSize', 9);

%% ===== SUBPLOT 5: Heading Order =====

ax5 = subplot(3, 3, 7);

hold(ax5, 'on');

grid(ax5, 'on');

headings = [];

for i = 1:num_steps

heading_vec = [0, 0];

for j = 1:model.n

path_idx = min(i + 1, size(drones{j}.path, 1));

h = drones{j}.path(path_idx, 3);

heading_vec = heading_vec + [cos(h), sin(h)];

end

headings = [headings, norm(heading_vec) / model.n];

end

plot(ax5, 1:num_steps, headings, 'Color', [0.2, 0.6, 0.2], 'LineWidth', 2);

% Đánh dấu transition

for i = 2:length(transition_points)

if transition_points(i) <= num_steps

xline(ax5, transition_points(i), '--g', 'LineWidth', 1.5);

end

end

xlim(ax5, [1, num_steps]);

ylim(ax5, [0, 1.1]);

xlabel(ax5, 'Time step', 'FontSize', 10);

ylabel(ax5, 'Order', 'FontSize', 10);

title(ax5, 'Heading Consensus', 'FontSize', 11, 'FontWeight', 'bold');

%% ===== SUBPLOT 6: Inter-UAV Distance =====

ax6 = subplot(3, 3, 8);

hold(ax6, 'on');

grid(ax6, 'on');

fill(ax6, [1, num_steps, num_steps, 1], ...

[0, 0, drones{1}.ra, drones{1}.ra], ...

[1, 0.8, 0.8], 'FaceAlpha', 0.3, 'EdgeColor', 'none', ...

'DisplayName', 'Collision Zone');

line(ax6, [1, num_steps], [drones{1}.ra, drones{1}.ra], ...

'Color', 'r', 'LineStyle', '--', 'LineWidth', 2, ...

'DisplayName', 'Safety threshold');

pair_names = {};

for i = 1:model.n-1

for j = i+1:model.n

path_i = drones{i}.path(2:min(num_steps+1, size(drones{i}.path, 1)), 1:2);

path_j = drones{j}.path(2:min(num_steps+1, size(drones{j}.path, 1)), 1:2);

min_len = min(size(path_i, 1), size(path_j, 1));

path_i = path_i(1:min_len, :);

path_j = path_j(1:min_len, :);

dis = path_i - path_j;

dist_vec = sqrt(sum(dis.^2, 2));

if length(dist_vec) < num_steps

dist_vec = [dist_vec; repmat(dist_vec(end), num_steps - length(dist_vec), 1)];

end

pair_name = sprintf('UAV%d-UAV%d', i, j);

pair_names{end+1} = pair_name;

plot(ax6, 1:num_steps, dist_vec(1:num_steps), 'LineWidth', 1.2, ...

'DisplayName', pair_name);

end

end

% Đánh dấu transition

for i = 2:length(transition_points)

if transition_points(i) <= num_steps

xline(ax6, transition_points(i), '--g', 'LineWidth', 1.5);

end

end

xlim(ax6, [1, num_steps]);

xlabel(ax6, 'Time step', 'FontSize', 10);

ylabel(ax6, 'Distance [m]', 'FontSize', 10);

title(ax6, 'Inter-UAV Distance', 'FontSize', 11, 'FontWeight', 'bold');

legend(ax6, 'NumColumns', 2, 'Location', 'best', 'FontSize', 8);

%% ===== Lưu figure =====

sgtitle(fig, sprintf('Smart Formation Control Results - %s', model.scenario), ...

'FontSize', 16, 'FontWeight', 'bold', 'Color', [0.2, 0.2, 0.2]);

filename_png = sprintf('result_smart_%s.png', model.scenario);

saveas(fig, filename_png);

fprintf('Figure saved: %s\n', filename_png);

%% ===== In báo cáo tóm tắt =====

fprintf('\n');

fprintf('╔══════════════════════════════════════════════════════════╗\n');

fprintf('║ SMART FORMATION PLOT REPORT ║\n');

fprintf('╠══════════════════════════════════════════════════════════╣\n');

fprintf('║ Scenario: %-37s ║\n', model.scenario);

fprintf('║ Total time: %-8.2f s ║\n', num_steps * dt);

fprintf('║ Total iterations: %-8d ║\n', num_steps);

fprintf('║ Number of UAVs: %-8d ║\n', model.n);

fprintf('║ Transitions: %-8d ║\n', length(transition_points)-1);

fprintf('╠══════════════════════════════════════════════════════════╣\n');

fprintf('║ Formation sequence: ║\n');

for i = 1:length(transition_points)

duration = 0;

if i < length(transition_points)

duration = (transition_points(i+1) - transition_points(i)) * dt;

else

duration = (num_steps - transition_points(i) + 1) * dt;

end

fprintf('║ %-10s @ t=%-6.2fs (duration: %-6.2fs) ║\n', ...

transition_types{i}, transition_points(i)*dt, duration);

end

fprintf('╠══════════════════════════════════════════════════════════╣\n');

fprintf('║ Avg Entropy: %-8.4f ║\n', mean(history_entropy));

fprintf('║ Max Entropy: %-8.4f ║\n', max(history_entropy));

fprintf('║ Avg Obstacle Density: %-8.4f ║\n', mean(history_rho));

fprintf('║ Avg Heading Order: %-8.4f ║\n', mean(headings));

fprintf('║ Min Heading Order: %-8.4f ║\n', min(headings));

fprintf('╚══════════════════════════════════════════════════════════╝\n');

end

🔗 参考文献

🍅更多创新智能优化算法模型和应用场景可扫描关注

🌟机器学习/深度学习类：BP、SVM、RVM、DBN、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、XGBoost、LightGBM、TCN、BiTCN、ESN、Transformer、模糊小波神经网络、宽度学习等等均可~

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

🌟组合预测类：CNN/TCN/BiTCN/DBN/Transformer/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可（可任意搭配非常新颖）~

🌟分解类：EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD、JMD等分解模型均可~

🌟路径规划类：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、公交车时间调度、水库调度优化、多式联运优化等等~

🌟小众优化类：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、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化、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、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化等等均可~

🌟 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、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化

🌟原创改进优化算法（适合需要创新的同学）：原创改进2025年的波动光学优化算法WOO以及三国优化算法TKOA、白鲸优化算法BWO等任意优化算法均可，保证测试函数效果，一般可直接核心