MATLAB实现基于GA-GAN 遗传算法（GA）结合生成对抗网络（GAN）进行无人机三维路径规划的详细项目实例

更多详细内容可直接联系博主本人    或者访问对应标题的完整博客或者文档下载页面（含完整的程序，GUI设计和代码详解） 还请多多点一下关注 加油 谢谢 你的鼓励是我前行的动力 谢谢支持 加油 谢谢

近年来，随着飞行控制与人工智能领域的快速进步，无人机（UAV, Unmanned Aerial Vehicle）技术得到了广泛应用。无论是用于城市物流运输、应急救援、军事侦察，还是环境监测、地理测绘、农业植保等领域，无人机系统的使用极大提升了人类对复杂地形与特殊环境的适应能力。然而，面对城市高楼、复杂山地、森林、湖泊等异构环境，无人机的路径规划问题依旧存在大量挑战。三维路径规划需充分考虑障碍物规避、能耗优化、航线长度、飞行安全、空间约束等多重目标与环境因素。有时候，任务区域存在动态变化，如障碍物移动、气象突变、信号干扰等，进一步加大了路径规划问题的复杂性。

传统的路径规划算法包括A*算法、Dijkstra算法、RRT（快速随机树）、DWA（动态窗口法）等，这些方法在静态或已知环境下可获得较优解。不过在面对高维、动态、非结构环境时，这些算法往往容易陷入局部最优、搜索效率较低或需要大量先验知识。同时，路径解的多样性与创新性也较为有限，降低了无人机自主协同完成复杂任务的能力。

近年来，以遗传算法（GA, Genetic Algorithm）为代表的群体智能优化方法，因其优异的全局搜索能力和参数自适应特性，被广泛应用于无人机路径规划。但单一GA容易出现收敛速度较慢、最优解不稳定、难以捕捉环境复杂性等症结。与此同时，生成对抗网络（GAN, Generative Adversarial Network）在图像、语音、自动驾驶、机器人等领域展现出优秀的模型学习能力与样本生成能力。通过对抗过程，GAN能有效揭示复杂环境中的高阶模式关联，提升无人机自主认知与策略生成质量。

以GA与GAN融合为基础的GA-GAN算法，将传统群体智能优化与深度学习建模能力相结合，充分发挥了各自优势。GA用于全局路径初步筛选与优化，GAN负责深层特征提取与路径模型增广，联合实现无人机三维路径的高效生成、约束满足与解的多样性保持。此类方法不仅提升无人机路径规划的最优性、稳定性，还拓宽了可用于三维复杂环境规划的技术疆界，为智能化空域管理提供了新思路。

以GA-GAN为核心的三维路径规划系统，要求算法在多目标约束、环境建模、路径表达、模型训练和结果评价等方面实现多重创新。随着高性能计算硬件与高复杂性需求同步增长，如何构建智能算法体系，确保无人机在各种空间环境下实现自主、可靠、安全的三维路径规划，成为科研界与工程界亟需突破的方向。基于MATLAB的实现能够凸显算法流程的清晰性、可复现性及可扩展性，为后续算法创新与系统验证提供强有力的工具支撑。

项目目标与意义

提升无人机三维空间环境适应能力

无人机在复杂三维环境下执行任务时，需面对地形高差、障碍物分布、空域动态变化等一系列挑战。传统路径规划方法受到地形建模精度和搜索算法本身限制，难以充分发挥无人机在立体空间的移动与调整能力。通过GA-GAN模型的开发与优化，不仅能够提升无人机在复杂环境中的全局感知和路径规划水准，还能在面对不同湿度、风场、通讯遮挡等实际因素时，动态调整规划策略。此目标有助于增强无人机的环境适应性和自主决策能力，使其能够在多样复杂情境下稳定、高效地执行各类任务，提高实际应用中的鲁棒性和安全性。

优化飞行能耗与航迹安全性

能耗优化与飞行安全是无人机路径规划过程中不可忽视的重要目标。基于GA-GAN的方法融合遗传算法的全局搜索与GAN的深度生成能力，从而在保证路径长度和飞行耗能最小化的同时，强化对障碍物规避、禁飞区约束等多因素的综合考量。这样，在实际规划过程中无人机能够自主生成一条最优的能耗路径，并且最小化对周边环境的扰动，提升航迹的平滑性与安全性。此外，AI技术的嵌入还能在无人机遭遇未知威胁时快速自主避障，提高应对突发情况的能力，赋予飞行系统可持续运行的基础。

增强路径规划的多样性与创新性

当前多数基于规则或启发式搜索的无人机路径规划方法，易陷于路径单一，创新性不足，难以应对环境动态变化或多样性的规划需求。GA-GAN结构结合遗传算法和对抗训练所带来创新的解空间探索方式，可有效提升路径规划解的多样性，避免陷入局部最优。通过对代理路径的持续生成、筛选与约束，进一步丰富规划结果，为无人机在各种不同任务环境下提供更多创新可行方案，拓展其应对未知空间的适应力及协同能力。

推动智能算法与自主系统深度融合

随着智能无人系统发展，对算法智能性和自动化程度提出了更高的要求。此项目不仅仅是单一算法的研究，还致力于推进AI驱动的多源数据融合、场景建模、决策推理等技术在实际自主系统中的深度应用。GA-GAN路径规划方法在实际部署中可与地理信息系统、遥感影像、无人机多机协同调度等模块无缝对接，有力推动智能算法、控制系统与工程应用的融合，为未来无人系统智能化升级树立标杆。

支撑多行业智能无人机应用落地

GA-GAN三维路径规划技术，不仅服务于科研创新，更为交通运输、城市安防、森林巡检、物流配送等行业领域的智能无人机落地应用提供坚实技术支撑。通过高效高质的路径规划，无人机能够顺利完成多点巡检、多目标配送、突发事件响应等多样任务场景，对提升行业运行效率与智能化水平具有重要现实意义。此外，该研究还可为相关法规制定、空域管控、生态安全等问题提供决策依据，助力社会管理智能化升级，推动相关产业数智化进步。

项目挑战及解决方案

路径规划的高维度与复杂约束

现代无人机三维路径规划问题属于高维、强约束的非线性优化问题。一方面，需在三维空间内判定可行路径，另一方面，需兼顾障碍规避、能量消耗、最短路径等多目标。在路径搜索空间极为庞大的情况下，传统算法常常面临维数灾难和早熟收敛等问题，导致搜索效率慢、陷入局部最优、路径不平滑等实际困难。有效解决办法是融合遗传算法的多样解群体进化策略，同时引入GAN的深层特征学习机制，从而在全局范围内高效探索最优解并动态规避复杂约束，实现对高维复杂空间的快速搜索与自适应调整。

模型泛化能力与环境不确定性

三维环境中障碍物类型、分布规律及环境动态变化具有极大不确定性，易导致仅在特定场景下有效的路径规划模型泛化性差。通过增强GAN模块的判别器能力，可使其不断对环境新样本进行自学习、持续优化判别标准。同时遗传算法中的适应度函数、变异策略可依据实际环境信息做到高度自适应。两者协调作用极大提升了算法的泛化性和环境适应性，使无人机面对各种未知场景时均能自主生成安全、最优的飞行路径。

计算效率与搜索平衡控制

随着任务规模扩大和环境复杂性的提升，路径规划过程中的运算压力显著增加。尤其是在多目标、大规模、动态环境下，单靠传统进化算法难以兼顾最优解与计算速度。为平衡收敛速度和寻优能力，GA-GAN模型提出通过遗传算法快速全局筛选初步解，再引入GAN以深度特征增强和局部优化，从而显著有效地提升搜索效率和最终解质量。此外，支持并行优化、增量学习等新技术的引入，有望进一步降低系统的实际计算负担，加速规划响应。

路径可解释性与安全约束满足

无人机三维路径的安全性、可行性是实际落地的核心。规划路径不仅要规避所有已知/未知障碍物，还需满足安全间隙、满足飞行倾角和航迹平滑度等多重约束。GA-GAN体系中，通过引入可解释的环境建模与安全因子判别机制，判别器负责对生成路径进行安全性约束判别及反馈，从而在进化优化过程中剔除不可行或高风险路径，实现全流程的安全风险自适应约束，提高路径生成的可解释性与落地可用性。

样本多样性与模型过拟合防控

为避免模型过拟合和路径单一现象，必须保障路径样本多样性和多模态解的高质量输出。遗传算法中的交叉、变异与再采样，GAN中的判别器反馈可有效促使生成器探寻更多样性的优秀路径。对抗学习的引入让系统算法持续修正生成空间，促使模型始终拓宽探索边界，有效避免陷入模式坍塌和单一解困境，使实际无人机任务具有更高成功率和实用性。

系统集成复杂性及软硬件适配

三维路径规划系统往往需与无人机飞控硬件、地面控制站及高精度传感器等多模块协同。系统集成过程中存在软硬件接口复杂、实时通信、数据一致性等工程难题。GA-GAN方法具备端到端特性和高度扩展性，易于与现有MATLAB仿真系统或无人机嵌入式硬件高度集成。通过参数模块化、接口规范化和通信协议兼容，实现三维路径规划软硬件高效联调，保障实际应用流畅性和可维护性。

实时路径再规划与多机协同优化

实际场景中，环境变化或多机协同任务常常要求实时路径再规划与多机之间的协同优化。传统静态路径规划难以应对这种变化。GA-GAN算法具备快速生成与响应能力，能够支持无人机在遇到突发环境变化或任务调度调整时，基于当前态势自主实时生成新路径。同时模型本身具备并行处理与特征共享潜力，利于多机团队同步优化任务路径，强化编队自主协同能力，助推多无人机系统高效运行。

项目模型架构

环境建模与三维场景表示

三维路径规划的第一步是对环境进行科学建模。采用栅格映射、三维点云或体素建模技术，将复杂空间转化为可运算的数据结构。每个栅格或空间单元存储障碍物信息、高程数据、风险权重等内容，使无人机系统能够在全局视角下清晰识别可行飞行区域、风险分布和约束边界。模型支持动态环境实时更新，如新增移动障碍、风场数据等，并对每个空间单元分配适应不同任务需求的虚拟属性，驱动后续路径搜索与建模过程。

遗传算法（GA）路径编码与初始种群生成

遗传算法作为全局优化器，首先需要对无人机路径在三维空间中的表达方式进行编码。常用方法包括离散采样节点编码、关键点坐标序列、曲线参数化或基于向量的路径表达。根据任务需求与环境尺寸，初始化N个多样的路径个体，分别连接起点与终点，确保种群覆盖多样性。通过路径长度、能耗、环境风险等多目标函数综合评定个体适应度，为遗传操作（选择、交叉、变异）提供基础依据，有效推动种群向优质解收敛。

路径适应度函数设计与多目标评价

适应度函数是优化算法的核心，用于打分每条候选路径的优劣。除传统的路径长度，还需综合能耗、安全风险、平滑度、航迹可行性、动态响应等指标，采用加权综合或Pareto多目标处理，保证进化过程中路径既最优又安全可靠。适应度函数设计需要充分结合场景动力学约束约、无人机性能指标，确保每次评估能为算法演化提供科学指导，有力提升最终路径的实际可用性和系统鲁棒性。

GAN深度生成网络与对抗判别器搭建

生成对抗网络主要由生成器和判别器两部分构成。生成器旨在通过噪声输入或先验路径样本，输出结构合理、满足约束的三维路径。判别器则综合多种环境特征及历史优质路径，对生成结果进行可行性、安全性与优越性的判别，并给予反馈。对抗训练促使生成器不断迭代升级，从而合成更优质、更具多样性的全新路径。网络结构可结合全连接层、卷积层、残差模块等，结合任务特征进行功能强化。

GA-GAN协同优化与增广学习机制

GA与GAN之间采用深度协同优化机制。遗传算法负责种群个体初步筛选与全局解的快速进化，GAN则持续对路径样本特征增广、环境难点区域加强训练，提升算法对复杂场景的解析力。进化过程中，优质路径不断输出并反馈至GAN，提升生成器样本池多样性。反过来，GAN产出的创新型路径也回流至GA，再参与全局搜索，形成协同增广优化闭环，大幅提高路径规划解的创新性、多样性与全局优越性。

约束条件集成与动态调整机制

三维路径规划需满足复杂约束，包括最短距离、障碍规避、飞行器性能、安全间隙、最大航迹曲率等。模型架构中集成上述约束，采用软硬约束融合策略，对生成和进化过程中不满足约束的路径，采用惩罚机制筛除或调整，确保最终输出的路径100%符合实际应用要求。对于动态变化的任务环境，约束参数可根据传感器实测数据和任务实时需求自适应调整，保持高可靠性和适用性。

多目标协同优化与Pareto前沿生成

模型系统支持多目标协同优化机制。通过GA-GAN结构，融合路径长度、能耗、安全、任务完成时效等多个指标。采用Pareto前沿方法，将各非劣解路径保留于候选集中，便于最终用户针对具体任务需求自由选取。协同优化让系统在不同任务、不同环境中实现最优适配，显著拓宽规划方案选择范围，提升智能无人机系统整体运行效率。

端到端模型训练与可扩展系统接口

GA-GAN模型具备端到端高效训练能力。利用实际场景历史数据及仿真数据作为训练集，模型自动联合进化与生成学习，并通过定期参数微调不断提升模型泛化能力。系统具备灵活的输入/输出接口，可快速适配不同无人机平台与地面指挥系统，实现高效任务参数自动化输入与规划结果实时输出。架构高度模块化便于后期扩展更多AI功能，为未来多场景、多无人系统同步集成提供稳固支撑。

项目模型描述及代码示例

obstacleNum = 20; % 随机添加20个障碍物至空间
for i = 1:obstacleNum % 循环生成障碍物
    x = randi([5, 95]); % 随机障碍物x坐标
    y = randi([5, 95]); % 随机障碍物y坐标
    z = randi([5, 25]); % 随机障碍物z坐标
    wx = randi([2, 6]); % 随机宽度
    wy = randi([2, 6]); % 随机长度
end
startPoint = [2, 2, 2]; % 无人机起点
% 环境及障碍初始化完成
geneLen = 20; % 每条路径编码为20个三维点
    path = zeros(geneLen, 3); % 初始化路径
    path(end,:) = endPoint; % 路径的最后一个点为终点
    for j = 2:geneLen-1
        path(j,1) = randi([1, mapSize(1)]); % 随机x坐标
        path(j,2) = randi([1, mapSize(2)]); % 随机y坐标
        path(j,3) = randi([1, mapSize(3)]); % 随机z坐标
    end
    population{i} = path; % 将一条路径加入初始种群
end
% 路径编码与初始种群准备完毕
function fit = pathFitness(path, obstacleMap)
    len = 0; % 路径累计距离
    penalty = 0; % 初始化惩罚项
    for i = 1:size(path,1)-1
        ys = linspace(curr(2), next(2), 10);
        zs = linspace(curr(3), next(3), 10);
        for k = 1:10
            idx = [round(xs(k)), round(ys(k)), round(zs(k))];
            elseif obstacleMap(idx(1), idx(2), idx(3)) == 1
            end
        end
        % 累计距离
end
遗传算法核心操作
function newPop = geneticOperators(population, obstacleMap)
    for i = 1:N
        fitness(i) = pathFitness(population{i}, obstacleMap); % 每条路径计算适应度
    end
    [~, idx] = sort(fitness); % 按适应度排序，升序优先
    eliteNum = 2; % 精英保留数量
        newPop{i} = population{idx(i)}; % 保留精英个体
    end
        p1 = population{tournament(fitness)}; % 锦标赛选择
        p2 = population{tournament(fitness)};
        child = crossover(p1, p2); % 路径两点交叉
        child = mutation(child); % 路径随机微扰
        newPop{i} = child;
    end
function idx = tournament(fitness)
    k = 5; % 锦标赛规模
    cand = randi(length(fitness), k, 1); % 随机选k个个体
    [~, win] = min(fitness(cand)); % 适应度最低者胜
function newPath = crossover(p1, p2)
function path = mutation(path)
        if rand < mu
            path(j,:) = path(j,:) + randi([-2,2],1,3); % 少量扰动
        end
    end
end
% 返回新的种群，执行选择、交叉、变异
latentDim = 50; % 泊松噪声向量长度
discLayerCount = 3; % 判别器全连接层数
    fullyConnectedLayer(200,'Name','fc1')
    fullyConnectedLayer(120,'Name','fc2')
    reluLayer('Name','relu2')
    fullyConnectedLayer(inputDim,'Name','fc3')
];
layersD = [ % 定义判别器网络
    featureInputLayer(inputDim,'Normalization','none','Name','input')
    fullyConnectedLayer(1,'Name','fc3')
    sigmoidLayer('Name','sigmoid') % 判别输出为概率
];
% 组装dlnetwork
generator = dlnetwork(layersG); % 生成器网络
discriminator = dlnetwork(layersD); % 判别器网络
% GAN结构搭建完成
GAN训练示例
miniBatchSize = 32; % 批量大小
learnRate = 1e-4; % 学习率
    batch = cat(2, population{idx}); % 取批量路径
    Z = randn(miniBatchSize,latentDim); % 噪声输入
    dlZ = dlarray(Z','CB');
    fakePaths = forward(generator, dlZ); % 生成器合成路径
    % 判别器真实样本
    dReal = forward(discriminator, dlarray(realPaths','CB'));
    % 判别器假样本
    dFake = forward(discriminator, dlarray(fakePaths','CB'));
    % 二元交叉熵损失
    % 反向传播与更新
    gradientsG = dlgradient(lossG, generator.Learnables);
    discriminator = adamupdate(discriminator, gradientsD, learnRate);
% 完成GAN训练，用于后续路径生成与增强
end
    popVec = zeros(popSize, inputDim);
    end
    idx = randperm(popSize, miniBatchSize);
    Z = randn(miniBatchSize,latentDim);
    dlZ = dlarray(Z','CB');
    fakePaths = forward(generator, dlZ);
    fakePaths = extractdata(fakePaths') * mapSize(1);
    for k = 1:miniBatchSize
        newPath = reshape(fakePaths(k,:), [3,geneLen])'; % 生成器输出
        end
    % 保留适应度最高popSize个体
    fitVec = zeros(length(population), 1);
    for i = 1:length(population)
    end
    [~, bestIdx] = mink(fitVec, popSize);
end
% 联合优化迭代，最终获得全局最优路径
三维最优路径提取与可视化
% 选取最优路径方案
fitArr = zeros(popSize,1);
for i = 1:popSize
    fitArr(i) = pathFitness(population{i}, obstacleMap); % 评价存档
[~, id] = min(fitArr); % 最优路径编号
bestPath = population{id}; % 获取最优路径
% 三维可视化
[xo,yo,zo] = ind2sub(size(obstacleMap), find(obstacleMap == 1));
scatter3(startPoint(1), startPoint(2), startPoint(3), 80, 'green', 'filled'); % 起点绿色
scatter3(endPoint(1), endPoint(2), endPoint(3), 80, 'magenta', 'filled'); % 终点紫色
grid on;
结果多目标评价与输出
L = 0; % 路径总长
    L = L + norm(bestPath(i+1,:) - bestPath(i,:)); % 累计求和
end
fprintf('最优路径长度: %.2f\n', L); % 输出最终路径长度
safe = 1; % 初始化安全性为合规
    idx = round(bestPath(i,:));
if safe
    disp('路径安全可行，满足所有约束'); % 安全情况评估
else
    disp('路径有穿障现象，请调整参数'); % 若遇异常及时预警
end
% 完成路径规划多目标指标评估

obstacleNum = 20; % 随机添加20个障碍物至空间

for i = 1:obstacleNum % 循环生成障碍物

    x = randi([5, 95]); % 随机障碍物x坐标

    y = randi([5, 95]); % 随机障碍物y坐标

    z = randi([5, 25]); % 随机障碍物z坐标

    wx = randi([2, 6]); % 随机宽度

    wy = randi([2, 6]); % 随机长度

end

startPoint = [2, 2, 2]; % 无人机起点

% 环境及障碍初始化完成

geneLen = 20; % 每条路径编码为20个三维点

    path = zeros(geneLen, 3); % 初始化路径

    path(end,:) = endPoint; % 路径的最后一个点为终点

    for j = 2:geneLen-1

        path(j,1) = randi([1, mapSize(1)]); % 随机x坐标

        path(j,2) = randi([1, mapSize(2)]); % 随机y坐标

        path(j,3) = randi([1, mapSize(3)]); % 随机z坐标

    end

    population{i} = path; % 将一条路径加入初始种群

end

% 路径编码与初始种群准备完毕

function fit = pathFitness(path, obstacleMap)

    len = 0; % 路径累计距离

    penalty = 0; % 初始化惩罚项

    for i = 1:size(path,1)-1

        ys = linspace(curr(2), next(2), 10);

        zs = linspace(curr(3), next(3), 10);

        for k = 1:10

            idx = [round(xs(k)), round(ys(k)), round(zs(k))];

            elseif obstacleMap(idx(1), idx(2), idx(3)) == 1

            end

        end

        % 累计距离

end

遗传算法核心操作

function newPop = geneticOperators(population, obstacleMap)

    for i = 1:N

        fitness(i) = pathFitness(population{i}, obstacleMap); % 每条路径计算适应度

    end

    [~, idx] = sort(fitness); % 按适应度排序，升序优先

    eliteNum = 2; % 精英保留数量

        newPop{i} = population{idx(i)}; % 保留精英个体

    end

        p1 = population{tournament(fitness)}; % 锦标赛选择

        p2 = population{tournament(fitness)};

        child = crossover(p1, p2); % 路径两点交叉

        child = mutation(child); % 路径随机微扰

        newPop{i} = child;

    end

function idx = tournament(fitness)

    k = 5; % 锦标赛规模

    cand = randi(length(fitness), k, 1); % 随机选k个个体

    [~, win] = min(fitness(cand)); % 适应度最低者胜

function newPath = crossover(p1, p2)

function path = mutation(path)

        if rand < mu

            path(j,:) = path(j,:) + randi([-2,2],1,3); % 少量扰动

        end

    end

end

% 返回新的种群，执行选择、交叉、变异

latentDim = 50; % 泊松噪声向量长度

discLayerCount = 3; % 判别器全连接层数

    fullyConnectedLayer(200,'Name','fc1')

    fullyConnectedLayer(120,'Name','fc2')

    reluLayer('Name','relu2')

    fullyConnectedLayer(inputDim,'Name','fc3')

];

layersD = [ % 定义判别器网络

    featureInputLayer(inputDim,'Normalization','none','Name','input')

    fullyConnectedLayer(1,'Name','fc3')

    sigmoidLayer('Name','sigmoid') % 判别输出为概率

];

% 组装dlnetwork

generator = dlnetwork(layersG); % 生成器网络

discriminator = dlnetwork(layersD); % 判别器网络

% GAN结构搭建完成

GAN训练示例

miniBatchSize = 32; % 批量大小

learnRate = 1e-4; % 学习率

    batch = cat(2, population{idx}); % 取批量路径

    Z = randn(miniBatchSize,latentDim); % 噪声输入

    dlZ = dlarray(Z','CB');

    fakePaths = forward(generator, dlZ); % 生成器合成路径

    % 判别器真实样本

    dReal = forward(discriminator, dlarray(realPaths','CB'));

    % 判别器假样本

    dFake = forward(discriminator, dlarray(fakePaths','CB'));

    % 二元交叉熵损失

    % 反向传播与更新

    gradientsG = dlgradient(lossG, generator.Learnables);

    discriminator = adamupdate(discriminator, gradientsD, learnRate);

% 完成GAN训练，用于后续路径生成与增强

end

    popVec = zeros(popSize, inputDim);

    end

    idx = randperm(popSize, miniBatchSize);

    Z = randn(miniBatchSize,latentDim);

    dlZ = dlarray(Z','CB');

    fakePaths = forward(generator, dlZ);

    fakePaths = extractdata(fakePaths') * mapSize(1);

    for k = 1:miniBatchSize

        newPath = reshape(fakePaths(k,:), [3,geneLen])'; % 生成器输出

        end

    % 保留适应度最高popSize个体

    fitVec = zeros(length(population), 1);

    for i = 1:length(population)

    end

    [~, bestIdx] = mink(fitVec, popSize);

end

% 联合优化迭代，最终获得全局最优路径

三维最优路径提取与可视化

% 选取最优路径方案

fitArr = zeros(popSize,1);

for i = 1:popSize

    fitArr(i) = pathFitness(population{i}, obstacleMap); % 评价存档

[~, id] = min(fitArr); % 最优路径编号

bestPath = population{id}; % 获取最优路径

% 三维可视化

[xo,yo,zo] = ind2sub(size(obstacleMap), find(obstacleMap == 1));

scatter3(startPoint(1), startPoint(2), startPoint(3), 80, 'green', 'filled'); % 起点绿色

scatter3(endPoint(1), endPoint(2), endPoint(3), 80, 'magenta', 'filled'); % 终点紫色

grid on;

结果多目标评价与输出

L = 0; % 路径总长

    L = L + norm(bestPath(i+1,:) - bestPath(i,:)); % 累计求和

end

fprintf('最优路径长度: %.2f\n', L); % 输出最终路径长度

safe = 1; % 初始化安全性为合规

    idx = round(bestPath(i,:));

if safe

    disp('路径安全可行，满足所有约束'); % 安全情况评估

else

    disp('路径有穿障现象，请调整参数'); % 若遇异常及时预警

end

% 完成路径规划多目标指标评估

更多详细内容请访问

http://【无人机路径规划】MATLAB实现基于GA-GAN遗传算法（GA）结合生成对抗网络（GAN）进行无人机三维路径规划的详细项目实例（含完整的程序，GUI设计和代码详解）_遗传算法与GAN资源-CSDN下载  https://download.csdn.net/download/xiaoxingkongyuxi/92261244

https://download.csdn.net/download/xiaoxingkongyuxi/92261244

https://download.csdn.net/download/xiaoxingkongyuxi/92261244