【路径规划】基于matlab遗传优化模拟退火算法求解避障路径规划问题matlab代码
2022/1/11 1:06:58
本文主要是介绍【路径规划】基于matlab遗传优化模拟退火算法求解避障路径规划问题matlab代码,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
1 简介
近年来, 路径规划一直是机器人学中的研究热 点之一.它研究的目的是在有障碍物的环境中, 为机 器人寻找从起始点到目标点并且能够避开障碍物的 合理 、有效的路径.其中涉及到环境信息的获取 、环 境的表示 、路径执行、知识的获取等 .国内外已有不 少学者对移动机器人路径规划问题作了深入研究, 并提出了多种路径规划方法.例如, 可视图法[ 1-2] 、图 搜索法 、人工势场法[ 3] 等.但这些方法的搜索空间比 较大, 存在组合爆炸的问题, 难以满足实时搜索的要 求, 或者存在局部极小值问题, 使规划失败. 遗传算法由于具有算法鲁棒 、灵活, 在种群中搜 索不易落入局部最小点等优点[ 4] , 近几年被广泛采 用, 但它在实际应用过程中也可能会产生早熟现象、 局部寻优能力差等问题 .而模拟退火算法却具有较 强的局部搜索能力, 所以使用遗传算法与模拟退火 相结合的方法, 是解决上述问题的有效途径.本文中 将这两个算法结合构成遗传模拟退火算法, 它兼备 了很强的全局和局部搜索能力的优点, 在变量数目 较大时尤其突出.
2 部分代码
%%%%%%模拟退火遗传算法(SAGA)%%%%%%%%%%% clear %%%设置超参数 p_crs = 0.7; %交叉概率 p_mut = 0.1; %变异概率 ratio = 0.5; %选择操作中父辈的比例 pop_num = 5000; %种群规模 chrom_len = 7; %染色体长度,这里代表路线的点数 iteration = 40; T0 = 100; %初始温度 A = 0.8; %退火速度 % 一个个体就是一条路线 [x,y]=popinit(pop_num,chrom_len); %产生初始种群 fit=saga_fitness(x,y, T0); %计算种群适应度 [bestx0,besty0,fit0]=best(x,y,fit); d0 = 0; %初始路径长度 for j=1:1:size(bestx0,2)-1 d0 = d0 + sqrt((bestx0(1,j+1)-bestx0(1,j)).^2 + ... (besty0(1,j+1)-besty0(1,j)).^2); %该个体(即路线)的路径长度 end for i=1:1:iteration %设置进化代数 [Parentx,Parenty]=select(x, y, fit, ratio); %选择 [Kidx,Kidy]=crossover(Parentx,Parenty,p_crs); %交叉 [Kidx,Kidy]=mutation(Kidx,Kidy,p_mut); %变异 x = [Parentx; Kidx]; % 得到新的种群 y = [Parentx; Kidy]; x(:,chrom_len)=1.5; % 保留终点 y(:,chrom_len)=8.9; T = T0 * A^(i-1); % 当前温度 fit = saga_fitness(x,y,T); % 计算进化后的适应度 [bestx,besty,bestfit]=best(x,y,fit); %选择每一代中的最佳个体 route_x(i,:)=bestx; %保存该最佳个体 route_y(i,:)=besty; route_fit(i)=bestfit; for j=1:1:size(bestx,2)-1 dd(j)=sqrt((bestx(1,j+1)-bestx(1,j)).^2 + ... (besty(1,j+1)-besty(1,j)).^2); %该个体(即路线)的路径长度 end d(i) = sum(dd); %有问题 fprintf('%dth 代进化完成...\n', i) % plot(bestx,besty,'r-'); end route_fit = [fit0, route_fit]; %加上初始种群中最优个体 route_x = [bestx0; route_x]; route_y = [bestx0; route_y]; d = [d0, d]; [final_fit,idx]=max(route_fit); %所有代中的的最佳路线 final_routex=route_x(idx,:); final_routey=route_y(idx,:); final_distance = min(d) %最佳路径长度 %==========画图,可视化路线、进化过程============== % start point xs=0; ys=0; % Destination xt=1.5; yt=8.9; %obstacle xobs=[1.5 4.0 1.2]; yobs=[6.5 3.0 1.5]; robs=[1.5 1.0 0.8]; theta=linspace(0,2*pi,100); max_area = 0; for k=1:numel(xobs) fill(xobs(k)+robs(k)*cos(theta),yobs(k)+robs(k)*sin(theta),[0.5 0.7 0.8]); % 后一个参数表示RGB值 text(xobs(k), yobs(k), num2str(k)) hold on; end plot(xs,ys,'bs','MarkerSize',12,'MarkerFaceColor','y'); plot(xt,yt,'kp','MarkerSize',16,'MarkerFaceColor','g'); grid on; hold on; %%画出最短路径的路线 plot(final_routex,final_routey,'r*-', 'linewidth', 1.5); legend('障碍物1','障碍物2','障碍物3','起点', '终点', '最短路线') set(gca,'FontSize',16); hold off; % 进化过程中适应度曲线 figure, % plot(0:1:size(route_fit,2)-1, route_fit, 'linewidth', 1.2) plot(d, 'linewidth', 1.2) % ylim([0.08,0.1]) title(['变异率=',num2str(p_mut),',交叉率=', num2str(p_crs), '的进化曲线']); legend('最短路径长度值', 'Location', 'northeast'); set(gca,'FontSize',16); d_saga = d; save('d_saga'); load('d_saga.mat'); figure, plot(d, 'linewidth', 1.2), hold on, plot(d_saga, 'linewidth', 1.2); title(['变异率=',num2str(p_mut),',交叉率=', num2str(p_crs), '的进化曲线']); legend('SAGA最优路径值', 'GA最优路径值', 'Location', 'northeast'); set(gca,'FontSize',16);
3 仿真结果
4 参考文献
[1]周明, 孙树栋, 彭炎午. 基于遗传模拟退火算法的机器人路径规划[J]. 航空学报, 1998, 19(1):3.
博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,有科研问题可私信交流。
部分理论引用网络文献,若有侵权联系博主删除。
这篇关于【路径规划】基于matlab遗传优化模拟退火算法求解避障路径规划问题matlab代码的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-11-14后台交互资料入门指南
- 2024-11-14如何轻松创建项目环境:新手入门教程
- 2024-11-14如何抽离公共代码:初级开发者指南
- 2024-11-14Python编程入门指南
- 2024-11-14Python编程入门:如何获取参数
- 2024-11-14JWT 用户校验:简单教程与实践
- 2024-11-14Pre-commit 自动化测试入门指南
- 2024-11-14Python编程基础
- 2024-11-14Server Action入门教程:轻松掌握服务器操作
- 2024-11-14Server Component入门教程:轻松搭建服务器组件