资讯详情

【老生谈算法】matlab基于遗传算法的机器人路径规划源码详解——机器人路径规划

1.基于遗传算法的机器人路径规划MATLAB源代码

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源代码.docx

2.算法详解:

基本思路是：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，利用最短路径算法找到网络图的最短路径，找到起点P1到终点Pn最短路径。

上述算法使用连接线中点的条件，因此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。

机器人路径规划matlab源代码：

function [L1,XY1,L2,XY2]=JQRLJGH(XX,YY) %% 基于Dijkstra机器人路径规划和遗传算法 %  GreenSim专业级算法设计团队&代写程序 %  欢迎访问GreenSim团队主页→http://blog.sina.com.cn/greensim %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   通过节点坐标从遗传算法获得的最短路径 %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  遗传算法获得的最短路径 %  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(地形图和网络拓扑结构) 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+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
 

        标签： 电容接触器lc1d40k
 
锐单商城拥有海量元器件数据手册、
          IC替代型号，打造
          电子元器件IC百科大全！

锐单商城 - 一站式电子元器件采购平台