基于遗传算法的机器人路径规划MATLAB源码
算法的思路如下:取各障碍物顶点连线的中点为路径点，相互连接各路径点，将机器人移动的起点和终点限制在各路径点上，利用Dijkstra算法来求网络图的最短路径，找到从起点P1到终点Pn的最短路径，由于上述算法使用了连接线中点的条件，不是整个规划空间的最优路径，然后利用遗传算法对找到的最短路径各个路径点Pi (i=1,2,…n)调整，让各路径点在相应障碍物端点连线上滑动，利用Pi= Pi1+ti×(Pi2-Pi1)(ti?[0,1] i=1,2,…n)即可确定相应的Pi，
即为新的路径点，连接此路径点为最优路径。
function [L1,XY1,L2,XY2]=JQRLJGH(XX,YY)
%% 基于Dijkstra和遗传算法的机器人路径规划演示程序
% GreenSim团队原创作品，转载请注明
% GreenSim团队长期从事算法设计、代写程序等业务
%输入参数在函数体内部定义
%输出参数为
% L1 由Dijkstra算法得出的最短路径长度 % XY1 由Dijkstra算法得出的最短路径经过节点的坐标
% L2 由遗传算法得出的最短路径长度
% XY2 由遗传算法得出的最短路径经过节点的坐标
%程序输出的图片有
% Fig1 环境地图(包括:边界、障碍物、障碍物顶点之
间的连线、Dijkstra的网络图结构)
% Fig2 由Dijkstra算法得到的最短路径
% Fig3 由遗传算法得到的最短路径
% Fig4 遗传算法的收敛曲线(迄今为止找到的最优解、
种群平均适应值)
%% 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
记录
混凝土 养护记录下载土方回填监理旁站记录免费下载集备记录下载集备记录下载集备记录下载
最佳个体和收敛曲线
minfitness=min(fitness);
meanfitness=mean(fitness);
if minfitnessrand&&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+1,1);
y2=XY2(i+1,2);
plot([x1,x2],[y1,y2],'k');
hold on
end
title('遗传算法最终结果')
figure(9)
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','LineWidth',1);
hold on
end
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','LineWidth',2);
hold on
end
title('遗传算法优化前后结果比较')
%% 绘制Fig4
figure(10);
plot(LC1);
hold on
plot(LC2);
xlabel('迭代次数');
title('收敛曲线');
浙公网安备 33021202002483