MATLAB实现基于BFOA-DNN-RNN 细菌觅食优化算法（BFOA）结合深度神经网络（DNN）与循环神经网络（RNN）进行无人机三维路径规划的详细项目实例

请注意此篇内容只是一个项目介绍 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）

无人机三维路径规划在现代智能系统中占据极其重要的位置，尤其在复杂地形、动态障碍、复杂气象、通信受限以及任务时效要求极高的场景里，路径规划的优劣直接决定任务能否安全高效完成。传统路径规划方法多依赖静态地图、固定代价函数或单次搜索机制，在面对三维空间中高度变化明显、障碍物分布稀疏但规模巨大、飞行约束复杂以及环境状态不断变化时，容易出现路径不平滑、绕行过长、避障失败、能耗偏高或在局部区域陷入搜索停滞等问题。为突破这类瓶颈，将细菌觅食优化算法BFOA、深度神经网络DNN与循环神经网络RNN融合用于无人机三维路径规划，能够把群智能全局寻优能力、深层特征表示能力以及时序依赖建模能力结合起来，形成具有更强环境适应性和动态预测能力的路径规划框架。

细菌觅食优化算法来源于对细菌趋化、繁殖与迁移行为的模拟，具有较强的全局搜索能力和鲁棒性，特别适合在高维连续空间中寻找可行解。无人机三维路径规划本质上是一个连续变量优化问题，路径通常可被表达为一系列航路点或控制点，每个点都对应空间位置、速度约束、爬升角、转弯半径、避障安全距离等多维条件。BFOA在此类问题中可以作为基础搜索引擎，快速在复杂空间内探索可行路径集合，并通过个体间竞争和群体演化不断逼近更优解。然而，单独使用BFOA时，虽然能得到较好的全局搜索结果，但在复杂动态环境中，算法对环境变化的感知能力不足，对局部地形结构与时间依赖特征利用不充分，因此容易出现收敛效率不高、搜索方向不稳定和代价评估不够精细的问题。

DNN的引入主要作用在于从环境数据中提取高阶空间特征。例如，三维地图中的障碍密度、地形起伏、风险分布、禁飞区边界、风场强度分布、局部通行成本等，都可以通过深层神经网络映射为具有判别力的路径质量特征。相比传统手工设计特征，DNN能够自动学习环境状态与路径代价之间的复杂非线性关系，使算法不再仅依靠固定规则，而是依赖数据驱动方式评估候选路径优劣。对于无人机路径规划而言，这种能力尤其重要，因为真实场景中的代价并不总是线性叠加，某些区域的能耗、风险、通信质量和遮挡影响存在显著耦合关系，单一指标难以刻画。DNN可作为静态空间评估器，为BFOA提供更准确的候选路径评分，使群体搜索过程更接近真实任务需求。

RNN则进一步补足时序建模能力。无人机并不是在独立的离散点上跳跃式移动，而是沿着连续轨迹逐步飞行，当前航路点与前后航路点之间具有强时序依赖。环境中也可能存在随时间变化的动态障碍、阵风扰动、移动目标、临时禁飞区域和通信质量波动等因素。RNN，尤其是能够记忆历史状态的结构，可对路径序列、速度序列、局部环境变化序列进行建模，从而预测未来若干步的风险变化与代价趋势。这样一来，路径规划不再局限于当前位置的局部最优，而是能够结合历史轨迹状态和未来演化趋势做出更稳定的决策。将RNN与BFOA结合，还可使搜索过程具备前瞻性，减少因短视优化导致的频繁转向、路径抖动和局部反复调整。

BFOA-DNN-RNN三者结合的价值在于形成“搜索、评估、预测”一体化机制。BFOA负责生成和迭代候选路径，DNN负责对空间环境和路径结构进行静态特征学习与打分，RNN负责对时间序列状态和动态变化趋势进行建模与预测。三者协同后，不仅提升了算法对复杂三维环境的适应能力，也增强了对动态扰动的鲁棒性。对于无人机任务来说，这意味着路径可以更加平滑、更安全、更节能，同时具备较高的实时响应能力。尤其在高风险区域，系统能够提前识别潜在冲突并重新优化，使无人机在穿越障碍群、狭窄通道或多目标区域时保持更高成功率。

从工程实现角度看，将该框架落地到MATLAB R2025b具有现实可操作性。MATLAB在数值计算、神经网络训练、优化求解、三维可视化以及数据仿真方面提供了完整工具链，适合构建从环境生成、网络训练、BFOA搜索、结果评估到三维轨迹展示的一体化项目。借助MATLAB，可以将复杂理论模型转化为可运行、可调试、可扩展的工程系统，便于在三维地图上验证规划性能。对于教学研究、算法对比、工程原型开发和实验平台搭建，这种方式都具备较高价值。尤其在R2025b版本中，需要更加关注网络结构接口、分类变量处理、可视化对象兼容性以及优化器参数设置规范，这也促使整个项目在设计时更加严谨、稳定和可维护。

项目目标与意义

一、构建面向三维复杂空间的高鲁棒路径规划框架

本项目的首要目标是建立一个能够在复杂三维空间中稳定运行的无人机路径规划框架，使无人机在存在障碍群、地形起伏、危险区域和任务约束的环境中，依然能够找到安全、可行且较优的飞行路线。传统二维规划通常只考虑平面位移，而三维规划还需要同时处理高度变化、爬升与下降能耗、转弯半径以及飞行姿态约束，因此更容易出现规划失败。通过引入BFOA作为全局搜索机制，可使系统在连续空间中寻找大量候选路径，再结合DNN与RNN进行多维特征评估与动态预测，就能显著提高路径可行率和规划稳定性。该目标的意义在于将路径规划从单纯的几何连线问题提升为综合约束下的智能优化问题，为实际无人机任务提供更可靠的算法基础。

二、提升路径质量与执行效率的综合平衡能力

第二个目标是让规划结果不仅“能飞”，还要“飞得好”。路径质量通常包括路径长度较短、转角平滑、避障裕度充足、能耗较低以及时延可控等多个方面，而执行效率则体现在算法是否能够在合理时间内输出结果。单一优化策略往往容易偏向某一指标，例如为了缩短长度而牺牲安全性，或者为了避障而使路径过度绕行。BFOA-DNN-RNN融合后，可以利用DNN学习环境代价的非线性映射，利用RNN预测局部状态的持续变化，再由BFOA完成全局权衡，从而形成多目标平衡机制。其意义在于让路径规划结果更接近真实任务需求，特别适用于对飞行时间、能源预算、任务完成率都有严格要求的场景，能够显著提高系统整体实用价值。

三、增强动态环境下的在线适应与再规划能力

第三个目标是提升系统对动态变化环境的适应能力。现实任务中，障碍物并非始终静止，风速和风向会变化，通信质量会波动，某些区域还可能临时出现新的限制条件。仅依赖静态地图的规划模型无法及时响应这些变化，容易导致原路径失效。RNN擅长处理时序状态，可用于预测环境趋势、风险变化以及候选路径未来代价，使规划系统具备更强的前瞻性。BFOA则可在新环境条件下快速重启局部或全局搜索，DNN负责持续提供环境特征评分。该目标的意义在于构建更接近真实作战、巡检、运输和救援任务的动态规划能力，使无人机在复杂变化中保持连续可控飞行。

四、推动智能优化、深度学习与群智能融合应用

第四个目标是从方法论层面推动多算法融合应用。BFOA代表群智能搜索思想，DNN代表深层特征学习思想，RNN代表时序建模思想，把三类方法整合到同一个路径规划系统中，可以形成较强的复合优势。项目意义不仅体现在无人机规划本身，也体现在构建一种可迁移的智能优化范式：先由群智能生成候选解，再由神经网络进行表示学习和时序判断，最后进行联合评价与迭代优化。这种思路可推广到机器人导航、车辆调度、物流路径、海洋航行等问题，具有较强的方法扩展性和工程影响力。

项目挑战及解决方案

一、三维环境高维搜索空间带来的收敛困难

三维路径规划的最大困难之一在于搜索空间维度较高，而且障碍物、禁飞区和地形约束共同作用后，可行区域往往呈现高度不规则的几何形态。BFOA虽然具备较好的全局探索能力，但在高维空间中容易出现搜索步长不匹配、个体分布过散、趋化阶段重复探索局部区域等问题，导致收敛速度下降，甚至长时间无法形成优质路径。针对这一问题，可以采用分阶段搜索策略，先使用较大步长进行广域探索，再逐步缩小步长实现精细优化，同时通过路径代价函数引入障碍惩罚、平滑度惩罚和能耗项，使算法导向更加明确。此外，可利用DNN对候选路径进行快速评分，筛选低质量解，减少无效搜索次数。这样一来，BFOA在高维环境中的表现会更加稳定，收敛速度也更容易控制。

二、动态障碍与时间变化导致的路径失效风险

在真实无人机任务里，环境并不静止，风场、移动障碍、临时限制区域和通信条件都会随着时间变化，导致先前生成的路径在执行中逐渐失效。仅靠静态优化很难持续保持安全。为解决这一挑战，RNN可以学习路径状态与环境变化之间的时序关系，预测未来若干步内的风险水平和代价变化，让系统具备提前预警能力。当预测结果显示原路径存在冲突趋势时，BFOA可立即基于最新状态进行局部重规划，而不是从零开始重算整条路线。DNN则用于持续编码当前环境的空间特征，保障每次评估都建立在较准确的多维表征上。通过这种组合方式，系统可以兼顾实时性与安全性，在动态环境中显著降低路径失效概率。

三、模型融合后带来的训练复杂度与参数耦合问题

将BFOA、DNN与RNN放在同一系统内，虽然能力更强，但训练与调参难度也会明显增加。BFOA具有群体规模、趋化步长、繁殖周期和迁移概率等参数，DNN与RNN则包含层数、隐藏单元、学习率、正则化系数和序列长度等超参数，不同模块之间还存在耦合关系。如果参数设置不合理，可能出现神经网络拟合不足、过拟合、搜索震荡或代价函数梯度不稳定等问题。解决方法是采用分模块训练与联合微调策略：先基于历史环境数据训练DNN和RNN，获得较稳定的环境代价估计器，再将其嵌入BFOA主循环，使优化过程主要面向路径变量。与此同时，对BFOA参数进行网格化或经验范围搜索，并设置早停机制、缓存机制与路径可行性检测机制，从工程上减少不稳定因素。这样可使融合系统既保留强表达能力，又维持较高的可调性。

项目模型架构

一、环境建模层

环境建模层负责把无人机任务空间转化为计算机可处理的三维数据结构。通常包括空间边界、起点、终点、静态障碍体、动态障碍体、风险区域、禁飞区域以及地形高程信息等。对无人机而言，环境不是简单的平面障碍图，而是带有高度维度和时变属性的体数据场。建模时通常采用三维网格、体素、连续空间障碍函数或混合表示方式，将空间中每个位置对应到可通行性、风险值和代价值。该层的核心原理是把物理环境映射为数学优化问题中的约束条件和目标函数输入，使后续算法能够在统一坐标体系下进行搜索。环境数据既可以来自仿真生成，也可以来自传感器、地图或任务先验信息。若加入风场、通信质量和能耗分布，还可进一步提升模型的现实性。该层决定了规划系统的上限，因为环境建模越准确，后续优化越容易得到可靠路径。

二、路径表示层

路径表示层负责定义候选路线的参数化方式。无人机三维路径常被表示为多个航路点的串联，每个航路点包含x、y、z坐标，某些场景还可加入速度、姿态或时间戳。与直接搜索连续轨迹相比，航路点表示更便于优化和约束处理，因为BFOA可以把每个航路点的位置向量作为“细菌个体”的位置编码，通过趋化操作不断更新。路径表示层的关键原理是将复杂曲线转化为有限维优化变量，从而便于后续的DNN和RNN进行特征学习。航路点数量越多，路径越灵活，但搜索维度也越高；航路点数量越少，优化难度降低，但路径可能不够平滑。因此，实际设计时通常采用中等数量的控制点，再通过插值或样条平滑生成连续轨迹。这一层是连接算法与飞行控制之间的重要桥梁。

三、DNN静态评估层

DNN静态评估层用于从环境与路径结构中学习非线性关系，并给出候选路径的综合代价值或风险值。其基本原理是多层全连接网络通过激活函数逐层变换输入特征，使网络能够自动学习复杂映射关系。输入特征可以包括路径长度、平均高度、障碍最小距离、转角幅度、局部风险密度、地形复杂度等。DNN的优势在于能够从大量样本中提取高阶组合特征，比手工构造的线性代价函数更具表达力。对于BFOA而言，DNN相当于高精度评价器，可在每次候选路径更新后快速估算其优劣，从而指导搜索方向。若DNN训练得当，算法可以更快识别“看似可行但实际代价较高”的路径，减少错误采样。该层的本质是把静态空间信息转化为可学习评分规则，使路径优化更智能。

四、RNN时序预测层

RNN时序预测层用于处理路径执行过程中的时间依赖信息。无人机沿路径飞行时，前一时刻的状态会影响后一时刻的可行性，例如姿态变化会影响能耗，连续转弯会影响稳定性，历史风场会影响当前位置的漂移概率。RNN通过循环连接把历史状态编码进当前输出，使模型具备记忆能力，能够预测未来若干步的环境风险与路径代价变化。该层既可以输入历史航路点序列，也可以输入动态环境序列，如风速向量、障碍物移动趋势和通信质量序列。RNN输出的预测结果会反馈给BFOA，用于调整搜索偏好，使路径不仅在当前时刻优，而且在未来一段时间内也保持较优。其核心原理是用隐藏状态传递历史信息，从而弥补静态模型在时变环境中的不足。

五、BFOA全局优化层

BFOA全局优化层是整个系统的核心搜索引擎。该算法模仿细菌在营养环境中的趋化、繁殖和迁移行为，通过多个个体同时探索解空间来寻找优质路径。每个细菌对应一条候选路径，细菌通过感知当前代价并朝更优方向移动，实现趋化搜索；经过若干次趋化后，适应度较高的个体会复制繁殖，适应度较差的个体被淘汰；当搜索陷入局部停滞时，可通过迁移操作随机重置部分个体，增强跳出局部最优的能力。BFOA的原理本质上是群体协同优化，具有随机性与方向性并存的特点。结合DNN和RNN后，BFOA不再只凭传统代价函数搜索，而是借助学习型评价器进行更精细的路径筛选，从而形成“生成、评价、修正、再生成”的闭环优化体系。该层是实现最优路线自动选择的直接执行者。

项目模型描述及代码示例

一、三维环境生成与障碍体构建
clear; % 清空工作区变量，保证实验环境干净
clc; % 清空命令窗口输出，便于观察新结果
close all; % 关闭已打开图窗，避免旧图干扰
rng(42,'twister'); % 固定随机数种子，保证结果可复现
mapSize = [100, 100, 60]; % 定义三维空间尺寸，分别表示x、y、z方向范围
startPt = [5, 5, 8]; % 定义无人机起点坐标，起飞点设置在低空安全区域
goalPt = [92, 88, 45]; % 定义无人机终点坐标，终点位于高空目标区域
numObs = 18; % 设置静态障碍体数量，用于模拟复杂飞行环境
obs = zeros(numObs, 6); % 每个障碍体用[x y z dx dy dz]表示
for i = 1:numObs % 逐个生成障碍体
    obs(i,1) = 10 + 80*rand; % 障碍体中心x坐标随机分布
    obs(i,2) = 10 + 80*rand; % 障碍体中心y坐标随机分布
    obs(i,3) = 8 + 35*rand; % 障碍体中心z坐标随机分布
    obs(i,4) = 5 + 10*rand; % 障碍体在x方向尺度
    obs(i,5) = 5 + 10*rand; % 障碍体在y方向尺度
    obs(i,6) = 6 + 12*rand; % 障碍体在z方向尺度
end
二、候选路径编码与初始化
numWaypoints = 6; % 设置中间航路点数量，越多则路径越灵活
dim = numWaypoints * 3; % 每个航路点包含x y z三维坐标，因此总维度为3倍
lb = repmat([1, 1, 3], 1, numWaypoints); % 定义搜索下界，确保路径不穿出边界
ub = repmat([mapSize(1)-1, mapSize(2)-1, mapSize(3)-1], 1, numWaypoints); % 定义搜索上界，限制航路点在地图内
popSize = 24; % 设置BFOA细菌数量
bacteria = lb + rand(popSize, dim).*(ub - lb); % 在边界内随机初始化候选路径
cost = zeros(popSize,1); % 保存每个个体的适应度
三、DNN特征提取与代价学习
Xtrain = rand(400, 10); % 构造训练特征样本，每行代表一条路径的环境与几何特征
Ytrain = zeros(400,1); % 目标代价标签，用于监督学习
for n = 1:400 % 生成训练标签
    Ytrain(n) = 0.35*sum(Xtrain(n,1:3)) + 0.25*sum(Xtrain(n,4:6).^2) + 0.4*sum(Xtrain(n,7:10)); % 组合构造路径代价
end
layersDNN = [ ...
    featureInputLayer(10,'Normalization','zscore') % 输入10维特征并标准化
    fullyConnectedLayer(32) % 第一层全连接，提取基础组合特征
    reluLayer % ReLU激活增强非线性表达
    fullyConnectedLayer(16) % 第二层压缩特征维度
    reluLayer % 再次引入非线性变换
    fullyConnectedLayer(1) % 输出单一代价值
    regressionLayer]; % 回归层用于连续值学习
optsDNN = trainingOptions('adam', ...
    'MaxEpochs', 60, ... % 控制训练轮数
    'MiniBatchSize', 32, ... % 设置小批量大小
    'InitialLearnRate', 1e-3, ... % 初始学习率
    'Shuffle', 'every-epoch', ... % 每轮随机打乱样本
    'Verbose', false); % 关闭训练过程冗余输出
netDNN = trainNetwork(Xtrain, Ytrain, layersDNN, optsDNN); % 训练DNN代价估计器
四、RNN时序预测与动态风险建模
seqLen = 12; % 定义时序样本长度
numSeq = 180; % 定义序列样本数量
Xseq = cell(numSeq,1); % 输入序列采用cell数组存储
Yseq = zeros(numSeq,1); % 序列输出标签
for s = 1:numSeq % 构造时序样本
    seqData = rand(4, seqLen); % 每个时刻包含4维动态环境状态
    Xseq{s} = seqData; % 将序列放入cell
    Yseq(s) = 0.3*mean(seqData(1,:)) + 0.2*mean(seqData(2,:)) + 0.25*max(seqData(3,:)) + 0.25*mean(seqData(4,:)); % 构造动态风险标签
end
layersRNN = [ ...
    sequenceInputLayer(4) % 输入4维动态时序特征
    lstmLayer(24,'OutputMode','last') % LSTM层提取长短期依赖
    fullyConnectedLayer(12) % 压缩预测特征
    reluLayer % 增强非线性
    fullyConnectedLayer(1) % 输出预测风险值
    regressionLayer]; % 回归输出连续预测结果
optsRNN = trainingOptions('adam', ...
    'MaxEpochs', 45, ... % 设置训练轮数
    'MiniBatchSize', 16, ... % 序列批量大小
    'InitialLearnRate', 8e-4, ... % 学习率
    'Shuffle', 'every-epoch', ... % 每轮打乱序列
    'Verbose', false); % 关闭训练细节输出
netRNN = trainNetwork(Xseq, Yseq, layersRNN, optsRNN); % 训练RNN动态预测器
五、BFOA路径优化主循环
bestPath = []; % 保存当前最优路径
bestCost = inf; % 初始化最优代价为无穷大
maxIter = 35; % 定义优化迭代次数
chemSteps = 6; % 定义趋化步数
stepSize = 3.5; % 定义细菌移动步长
for iter = 1:maxIter % 外层迭代，模拟繁殖与迁移
    for j = 1:popSize % 遍历每个细菌个体
        bacteria(j,:) = max(bacteria(j,:), lb); % 保证个体不越界，下限修正
        bacteria(j,:) = min(bacteria(j,:), ub); % 保证个体不越界，上限修正
        pathFeat = pathFeatureExtract(bacteria(j,:), startPt, goalPt, obs, mapSize); % 提取候选路径的几何和环境特征
        dnnScore = predict(netDNN, pathFeat); % 使用DNN评估静态代价
        rnnScore = predict(netRNN, {pathTemporalExtract(bacteria(j,:), obs, mapSize)}); % 使用RNN评估动态风险
        cost(j) = pathObjectiveValue(bacteria(j,:), startPt, goalPt, obs, mapSize) + 0.6*dnnScore + 0.4*rnnScore; % 合成总代价
        if cost(j) < bestCost % 若当前个体优于历史最优
            bestCost = cost(j); % 更新最优代价
            bestPath = bacteria(j,:); % 更新最优路径
        end
    end
    for c = 1:chemSteps % 趋化阶段
        for j = 1:popSize % 对每个细菌执行搜索
            dir = randn(1, dim); % 随机产生搜索方向
            dir = dir / (norm(dir) + eps); % 对方向向量归一化，避免步长失真
            newBac = bacteria(j,:) + stepSize*dir; % 按当前方向移动一步
            newBac = max(newBac, lb); % 修正下界
            newBac = min(newBac, ub); % 修正上界
            newFeat = pathFeatureExtract(newBac, startPt, goalPt, obs, mapSize); % 提取新路径特征
            newCost = pathObjectiveValue(newBac, startPt, goalPt, obs, mapSize) + 0.6*predict(netDNN, newFeat) + 0.4*predict(netRNN, {pathTemporalExtract(newBac, obs, mapSize)}); % 计算新路径代价
            if newCost < cost(j) % 若新位置更优
                bacteria(j,:) = newBac; % 接受新位置
                cost(j) = newCost; % 更新个体代价
            end
            if cost(j) < bestCost % 若刷新全局最优
                bestCost = cost(j); % 更新全局最优代价
                bestPath = bacteria(j,:); % 保存当前最优路径
            end
        end
    end
    [cost, idx] = sort(cost); % 按代价排序，准备繁殖
    bacteria = bacteria(idx,:); % 同步排序细菌个体
    halfN = floor(popSize/2); % 取前半部分作为高适应度群体
    bacteria(halfN+1:end,:) = bacteria(1:popSize-halfN,:); % 低适应度个体由优良个体复制替代
    bacteria(end-2:end,:) = lb + rand(3,dim).*(ub-lb); % 迁移操作，随机重置部分个体，增强跳出局部最优能力
end
六、三维路径重建与可视化展示
route = [startPt; reshape(bestPath,3,[])'; goalPt]; % 将最优编码还原为完整航路点序列
smoothN = 200; % 设置平滑插值采样点数
t = linspace(1, size(route,1), smoothN); % 为插值构造参数轴
ts = 1:size(route,1); % 原始航路点参数轴
pathXYZ = zeros(smoothN,3); % 存储平滑后的三维轨迹
for k = 1:3 % 分别对x y z三坐标插值
    pathXYZ(:,k) = interp1(ts, route(:,k), t, 'pchip'); % 使用pchip生成平滑且保持形状的曲线
end
fig1 = figure('Color','w'); % 创建白底图窗
ax1 = axes(fig1); % 创建坐标轴对象
hold(ax1,'on'); % 保持图像，便于叠加绘制
grid(ax1,'on'); % 打开网格提升可读性
view(ax1,3); % 设置三维视角
for i = 1:numObs % 绘制每个障碍体
    [X,Y,Z] = ndgrid([0 1], [0 1], [0 1]); % 生成单位立方体网格
    X = X*obs(i,4) + obs(i,1); % 还原障碍体x尺度与位置
    Y = Y*obs(i,5) + obs(i,2); % 还原障碍体y尺度与位置
    Z = Z*obs(i,6) + obs(i,3); % 还原障碍体z尺度与位置
    surf(ax1, X(:,:,1), Y(:,:,1), Z(:,:,1), 'FaceAlpha',0.25, 'EdgeColor','none'); % 绘制障碍体半透明表面
end
plot3(ax1, pathXYZ(:,1), pathXYZ(:,2), pathXYZ(:,3), 'r-', 'LineWidth', 2.5); % 绘制平滑路径
scatter3(ax1, startPt(1), startPt(2), startPt(3), 90, 'g', 'filled'); % 绘制起点
scatter3(ax1, goalPt(1), goalPt(2), goalPt(3), 90, 'b', 'filled'); % 绘制终点
xlim(ax1,[1 mapSize(1)]); % 设置x轴范围
ylim(ax1,[1 mapSize(2)]); % 设置y轴范围
zlim(ax1,[1 mapSize(3)]); % 设置z轴范围
xlabel(ax1,'X'); % 设置x轴标签
ylabel(ax1,'Y'); % 设置y轴标签
zlabel(ax1,'Z'); % 设置z轴标签
title(ax1,'BFOA-DNN-RNN 无人机三维路径规划结果'); % 显示结果标题
colormap(fig1, turbo); % 使用turbo配色，符合R2025b可视化要求

更多详细内容请访问
http://【无人机路径规划】MATLAB实现基于BFOA-DNN-RNN细菌觅食优化算法（BFOA）结合深度神经网络（DNN）与循环神经网络（RNN）进行无人机三维路径规划的详细项目实例（含完整的程序，GU资源-CSDN下载 https://download.csdn.net/download/xiaoxingkongyuxi/92887087

https://download.csdn.net/download/xiaoxingkongyuxi/92887087

https://download.csdn.net/download/xiaoxingkongyuxi/92887087