【老生谈算法】matlab遗传算法的机器人路径规划算法源码——路径规划算法
时间:2022-12-29 11:00:00
基于遗传算法的机器人路径规划MATLAB源码
1.下载原文:
本算法原文如下,有需要的朋友可以点击进行下载
序号 | 原文(点击下载) |
---|---|
本项目原文 | 基于遗传算法的机器人路径规划MATLAB源码.docx |
2.算法详解:
算法思路如下:以各障碍物顶点连接的中点为路径点,连接各路径点,将机器人移动的起点和终点限制在各路径点上Dijkstra算法从起点寻找网络图的最短路径P1到终点Pn最短路径。
由于上述算法使用了连接线中点的条件,而不是整个规划空间的最佳路径,然后使用遗传算法找到最短路径Pi (i=1,2,…n)调整各路径点在相应障碍物端点的连接上滑动Pi= Pi1 ti×(Pi2-Pi1)(ti∈[0,1] i=1,2,…n)可以确定相应的Pi,即新的路径点,连接此路径点为最佳路径。
1.程序源代码如下:
function [L1,XY1,L2,XY2]=JQRLJGH(XX,YY) %% 基于Dijkstra机器人路径规划与遗传算法演示程序 %函数体内定义输入参数 %输出参数为 % L1 由Dijkstra算法得出的最短路径长度 % XY1 由Dijkstra通过节点坐标获得算法的最短路径 % L2 遗传算法获得的最短路径长度 % XY2 由遗传算法得出的最短路径经过节点的坐标 %程序输出的图片包括 % Fig1 环境地图(包括边界、障碍物和障碍物顶点之间的连接Dijkstra网络图结构) % Fig2 由Dijkstra算法获得的最短路径 % Fig3 由遗传算法得到的最短路径 % Fig4 收敛曲线的遗传算法(到目前为止发现的最优解和平均种群适应值) %% 画Fig1 figure(1); PlotGraph; title('地形图及网络拓扑结构') PD=inf*ones(26,26); for i=1:26 for j=1:26 if D(i,j)==1 x1=XY(i,5); y1=XY(i,6); x2=XY(j,5); y2=XY(j,6); dist=((x1-x2)^2+(y1-y2)^2)^0.5; PD(i,j)=dist; end end end %% 调用最短路算法求最短路 s=1;%出发点 t=26;%目标点 [L,R]=ZuiDuanLu(PD,s,t); L1=L(end); XY1=XY(R,5:6); %% 绘制由最短路算法得到的最短路径 figure(2); PlotGraph; hold on for i=1:(length(R)-1) x1=XY1(i,1); y1=XY1(i,2); x2=XY1(i+1,1); y2=XY1(i+1,2); plot([x1,x2],[y1,y2],'k'); hold on end title('由Dijkstra算法得到的初始路径') %% 使用遗传算法进一步寻找最短路 %第一步:变量初始化 M=50;%进化代数设置 N=20;%种群规模设置 Pm=0.3;%变异概率设置 LC1=zeros(1,M); LC2=zeros(1,M); Yp=L1; %第二步:随机产生初始种群 X1=XY(R,1); Y1=XY(R,2); X2=XY(R,3); Y2=XY(R,4); for i=1:N farm{ i}=rand(1,aaa); end % 以下是进化迭代过程 counter=0;%设置迭代计数器 while counter<M%停止条件为达到最大迭代次数 %% 第三步:交叉 %交叉采用双亲双子单点交叉 newfarm=cell(1,2*N);%用于存储子代的细胞结构 Ser=randperm(N);%两两随机配对的配对表 A=farm{ Ser(1)};%取出父代A B=farm{ Ser(2)};%取出父代B P0=unidrnd(aaa-1);%随机选择交叉点 a=[A(:,1:P0),B(:,(P0+1):end)];%产生子代a b=[B(:,1:P0),A(:,(P0+1):end)];%产生子代b newfarm{ 2*N-1}=a;%加入子代种群 newfarm{ 2*N}=b; for i=1:(N-1) A=farm{ Ser(i)}; B=farm{ Ser(i+1)}; newfarm{ 2*i}=b; end FARM=[farm,newfarm];%新旧种群合并 %% 第四步:选择复制 SER=randperm(2*N); FITNESS=zeros(1,2*N); fitness=zeros(1,N); for i=1:(2*N) PP=FARM{ i}; FITNESS(i)=MinFun(PP,X1,X2,Y1,Y2);%调用目标函数 end for i=1:N f1=FITNESS(SER(2*i-1)); f2=FITNESS(SER(2*i)); if f1<=f2 else farm{ i}=FARM{ SER(2*i)}; fitness(i)=FITNESS(SER(2*i)); end end %记录最佳个体和收敛曲线 minfitness=min(fitness); meanfitness=mean(fitness); if minfitness<Yp pos=find(fitness==minfitness); Xp=farm{ pos(1)}; Yp=minfitness; end if counter==10 PPP=[0.5,Xp,0.5]'; PPPP=1-PPP; X=PPP.*X1+PPPP.*X2; Y=PPP.*Y1+PPPP.*Y2; XY2=[X,Y]; figure(3) PlotGraph; hold on for i=1:(length(R)-1) x1=XY2(i,1); y1=XY2(i,2); x2=XY2(i+1,1); y2=XY2(i+1,2); plot([x1,x2],[y1,y2],'k'); hold on end title('遗传算法第10代') hold on for i=1:(length(R)-1) x1=XY1(i,1); y1=XY1(i,2); x2=XY1(i+1,1); y2=XY1(i+1,2); plot([x1,x2],[y1,y2],'k','LineWidth',1); hold on end end if counter==20 PPP=[0.5,Xp,0.5]'; PPPP=1-PPP; X=PPP.*X1+PPPP.*X2; Y=PPP.*Y1+PPPP.*Y2; XY2=[X,Y]; figure(4) PlotGraph; hold on for i=1:(length(R)-1) x1=XY2(i,1); y2=XY2(i+1,2); plot([x1,x2],[y1,y2],'k'); hold on end title('遗传算法第20代') hold on for i=1:(length(R)-1) x1=XY1(i,1); y1=XY1(i,2); x2=XY1(i+1,1); y2=XY1(i+1,2); plot([x1,x2],[y1,y2],'k','LineWidth',1); hold on end end if counter==30 PPP=[0.5,Xp,0.5]'; PPPP=1-PPP; X=PPP.*X1+PPPP.*X2; Y=PPP.*Y1+PPPP.*Y2; XY2=[X,Y]; figure(5) PlotGraph; hold on for i=1:(length(R)-1) x1=XY2(i,1); y1=XY2(i,2); x2=XY2(i+1,1); y2=XY2(i+1,2); plot([x1,x2],[y1,y2],'k'); hold on end title('遗传算法第30代') hold on for i=1:(length(R)-1) x1=XY1(i,1); y2=XY1(i+1,2); plot([x1,x2],[y1,y2],'k','LineWidth',1); hold on end end if counter==40 PPP=[0.5,Xp,0.5]'; PPPP=1-PPP; X=PPP.*X1+PPPP.*X2; Y=PPP.*Y1+PPPP.*Y2; XY2=[X,Y]; figure(6) PlotGraph; hold on for i=1:(length(R)-1) x1=XY2(i,1); y1=XY2(i,2); x2=XY2(i+1,1); y2=XY2(i+1,2); plot([x1,x2],[y1,y2],'k'); hold on end title('遗传算法第40代') hold on for i=1:(length(R)-1) x1=XY1(i,1); y1=XY1(i,2); x2=XY1(i+1,1); y2=XY1(i+1,2); plot([x1,x2],[y1,y2],'k','LineWidth',1); hold on end end if counter==50 PPP=[0.5,Xp,0.5]'; PPPP=1-PPP; X=PPP.*X1+PPPP.*X2; Y=PPP.*Y1+PPPP.*Y2; XY2=[X,Y]; figure(7) PlotGraph; hold on for i=1:(length(R)-1) x1=XY2(i,1); y1=XY2(i,2); x2=XY2(i+1,1); y2=XY2(i+1,2); plot([x1,x2],[y1,y2],'k'); hold on end title('遗传算法第50代') hold on for i=1:(length(R)-1) x1=XY1(i,1); y1=XY1(i,2); x2=XY1(i+1,1); y2=XY1(i+1,2); plot([x1,x2],[y1,y2],'k','LineWidth',1); hold on end end LC2(counter+1)=Yp; LC1(counter+1)=meanfitness; %% 第五步:变异 for i=1:N if Pm>rand&&pos(1)~=i AA=farm{ i}; AA(POS)=rand; farm{ i}=AA; end end counter=counter+1; disp(counter); end %% 输出遗传算法的优化结果 PPP=[0.5,Xp,0.5]'; PPPP=1-PPP; X=PPP.*X1+PPPP.*X2; Y=PPP.*Y1+PPPP.*Y2; XY2=[X,Y]; L2=Yp; %% 绘制Fig3 figure(8) PlotGraph; hold on hold on for i=1:(length(R)-1) x1=XY1(i,1); y1=XY1(i,2); x2=XY1(i+1,1); y2=XY1(i+1,2); plot([x1,x2],[y1,y2],'k','LineWidth',1); hold on end for i=1:(length(R)-1) x1=XY2(i,1); y1=XY2(i,2); x2=XY2(i+