a*算法路径规划matlab_【优化求解】基于栅格地图——遗传算法的机器人最优路径规划...
采用栅格对机器人的工作空间进行划分,再利用优化算法对机器人路径优化,是采用智能算法求最优路径的一个经典问题。目前,采用蚁群算法在栅格地图上进行路径优化取得比较好的效果,而利用遗传算法在栅格地图上进行路径优化在算法显得更加难以实现。
利用遗传算法处理栅格地图的机器人路径规划的难点主要包括:1保证路径不间断,2保证路径不穿过障碍。
用遗传算法解决优化问题时的步骤是固定的,就是种群初始化,选择,交叉,变异,适应度计算这样,那么下面我就说一下遗传算法求栅格地图中机器人路径规划在每个步骤的问题、难点以及解决办法。
1、种群初始化
首先要知道遗传算法种群初始化的定义。遗传算法种群初始化是生成一定种群数量的个体,每个个体是一个可行解。这里要注意是可行解,对于该问题也就是说是一个可行路径,也就是说应该是一个从路径起点到路径终点的,且不经过障碍的路径。怎样进行初始化种群得到可行路径是遗传算法求栅格路径的第一个难点也是最大难点。
方法
路径初始化可以分为两步:第一步生成必经节点路径,什么是必经节点路径?举个例子,比如对于10*10的栅格,从左下角编号1到右上角编号100的路径必经过第2行的一个点,第3行一个点……第9行的一个点,这是很显然的,那么我们在第二行的自由栅格中随机取一个节点、第3行的自由栅格中取一个节点……第9行自由栅格取一个节点,那么这就行程了一个必经点路径,当然这个路径也是间断的。所以需要第二步,第二步就是连接这些间断节点,而这个问题是该算法中最难的问题,因为在连接路径中,太难绕开障碍了,而且如果你绕开了障碍物,会发现失去了方向连不回来了。因此,在连接节点中采用中点连接法,但是中点,要取得有技巧,可在中点处取4或3个栅格,然后在这些栅格中找到自由栅格,等概率选择,如果有最坏得情形,这些中点处栅格全都是障碍,则在这些栅格中等概率选择一个作为路径一点,因此该方法保证了路径的连续性,但也有可能存在经过障碍的路径,而这种障碍的路径可以在适应度函数中进行惩罚。
上述初始化路径的两步结束后,进行简化路径操作,即如果路径中有两个相同的节点,则去掉相同节点之间的一段,这个很容易理解。
至此初始化路径结束,你已经成功了一大步!
2、选择
选择和遗传算法的选择是一样的,无需特殊改动,就是根据适应度进行选择。
3、交叉
交叉采用重复点交叉,这个也比较好理解,比如一条路径为[1 12 13 24 25 36 45 56 ],另一条路径为[ 1 14 25 35 46 56],这两条路径有一个公共节点25,进行交叉变成[1 12 13 24 25 35 46 56]和[1 14 25 36 45 56].
4、变异
变异的方法使用随机生成选择两个节点,并去掉这两个节点之间的路径,之后采用上述的中带你插入方法生成连续路径。
5、适应度计算
适应度计算路径长度和穿过障碍的个数,求和即可,这个比较间断不多说,下面展示一下我写的程序的效果。
% 基于遗传算法的栅格法机器人路径规划clc;clear allclose all;% 输入数据,即栅格地图G= [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0; 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 1 0 0 0; 0 1 1 0 0 0 0 0 0 0 1 1 1 1 0 1 1 0 0 0; 0 0 0 0 0 0 1 1 1 0 0 1 1 1 0 1 0 0 0 0; 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 0 0 0 0; 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0; 0 1 1 1 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0; 0 0 0 0 0 0 1 1 1 0 1 0 1 1 0 0 0 0 0 0; 0 1 1 1 0 0 1 1 0 0 1 0 1 1 0 0 0 0 0 0; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0; 0 0 0 0 0 0 0 0 1 0 1 1 1 1 0 0 0 0 0 0; 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0; 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 1 1 1 1 0; 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0; 0 0 1 1 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0; 0 0 1 1 0 0 1 1 0 0 1 0 0 0 0 0 0 0 0 0; 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 1 1 1 0; 0 0 1 0 1 0 0 0 0 0 0 1 0 0 1 0 0 1 1 0; 0 0 1 1 1 0 1 1 0 0 0 0 0 0 1 0 0 1 1 0; 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0];p_start = 0; % 起始序号p_end =399; % 终止序号NP = 200; % 种群数量max_gen = 2000; % 最大进化代数pc = 0.5; % 交叉概率pm = 0.5; % 变异概率a = 1; % 路径长度比重b = 7; % 路径顺滑度比重%init_path = [];z = 1;new_pop1 = {}; % 元包类型路径[y, x] = size(G);% 起点所在列(从左到右编号1.2.3...)xs = mod(p_start, x) + 1;% 起点所在行(从上到下编号行1.2.3...)ys = fix(p_start / x) + 1;% 终点所在列、行xe = mod(p_end, x) + 1;ye = fix(p_end / x) + 1;% 种群初始化step1,必经节点,从起始点所在行开始往上,在每行中挑选一个自由栅格,构成必经节点pass_num = ye - ys + 1;pop = zeros(NP, pass_num);min_value=1000;for i = 1 : NP pop(i, 1) = p_start; j = 1; % 除去起点和终点 for yk = ys+1 : ye-1 j = j + 1; % 每一行的可行点 can = []; for xk = 1 : x % 栅格序号 no = (xk - 1) + (yk - 1) * x; if G(yk, xk) == 0 % 把点加入can矩阵中 can = [can no]; end end can_num = length(can); % 产生随机整数 index = randi(can_num); % 为每一行加一个可行点 pop(i, j) = can(index); end pop(i, end) = p_end; %pop % 种群初始化step2将上述必经节点联结成无间断路径 single_new_pop = generate_continuous_path(pop(i, :), G, x); %init_path = [init_path, single_new_pop]; if ~isempty(single_new_pop) new_pop1(z, 1) = {single_new_pop}; z = z + 1; endend% 计算初始化种群的适应度% 计算路径长度path_value = cal_path_value(new_pop1, x);% 计算路径平滑度path_smooth = cal_path_smooth(new_pop1, x);fit_value = a .* path_value .^ -1 + b .* path_smooth .^ -1;mean_path_value = zeros(1, max_gen);min_path_value = zeros(1, max_gen);% 循环迭代操作for i = 1 : max_gen % 选择操作 new_pop2 = selection(new_pop1, fit_value); % 交叉操作 new_pop2 = crossover(new_pop2, pc); % 变异操作 new_pop2 = mutation(new_pop2, pm, G, x); % 更新种群 new_pop1 = new_pop2; % 计算适应度值 % 计算路径长度 path_value = cal_path_value(new_pop1, x); % 计算路径平滑度 path_smooth = cal_path_smooth(new_pop1, x); fit_value = a .* path_value .^ -1 + b .* path_smooth .^ -1; mean_path_value(1, i) = mean(path_value); [~, m] = max(fit_value); if min(path_value) min_value=min(path_value); min_path_value(1, i) = min(path_value); else min_path_value(1, i) = min_value; endend% 画每次迭代平均路径长度和最优路径长度图figure(1)plot(1:max_gen, mean_path_value, 'r')hold on;title(['a = ', num2str(a)', ',b = ',num2str(b)','的优化曲线图']);xlabel('迭代次数');ylabel('路径长度');plot(1:max_gen, min_path_value, 'b')legend('平均路径长度', '最优路径长度');min_path_value(1, end)% 在地图上画路径[~, min_index] = max(fit_value);min_path = new_pop1{min_index, 1};figure(2)hold on;title(['a = ', num2str(a)', ',b = ',num2str(b)','遗传算法机器人运动轨迹']);xlabel('坐标x');ylabel('坐标y');DrawMap(G);[~, min_path_num] = size(min_path);for i = 1:min_path_num % 路径点所在列(从左到右编号1.2.3...) x_min_path(1, i) = mod(min_path(1, i), x) + 1; % 路径点所在行(从上到下编号行1.2.3...) y_min_path(1, i) = fix(min_path(1, i) / x) + 1;endhold on;plot(x_min_path, y_min_path, 'r')
往期回顾>>>>>>
【模式识别】Matlab指纹识别【优化求解】A*算法解决三维路径规划问题 matlab自动识别银行卡号【优化求解】模拟退火遗传实现带时间窗的车辆路径规划问题【数学建模】Matlab实现SEIR模型【优化求解】基于NSGA-2的求解多目标柔性车间调度算法【优化求解】蚁群算法求最优值
a*算法路径规划matlab_【优化求解】基于栅格地图——遗传算法的机器人最优路径规划...相关推荐
- matlab迭代算法实例_【优化求解】基于NSGA2的求解多目标柔性车间调度算法
柔性作业车间调度问题(FJSP)是经典作业车间调度问题的重要扩展,其中每个操作可以在多台机器上处理,反之亦然.结合实际生产过程中加工时间.机器负载.运行成本等情况,建立了多目标调度模型.针对NSGA2 ...
- 基于栅格地图的路径规划(一)基于Matlab二维、三维栅格地图的构建
基于栅格地图的路径规划(一)基于Matlab二维.三维栅格地图的构建 前言 1.二维栅格地图的创建 1.1.二维栅格地图构建原理 1.2.二维栅格地图构建例程 2.三维栅格地图的创建 2.1.三维栅格 ...
- 基于栅格地图的粒子群算法_基于GMapping的栅格地图的构建
上篇文章讲解了如何在ROS中发布栅格地图,以及如何向栅格地图赋值. 这篇文章来讲讲如何将激光雷达的数据构建成栅格地图. 雷达的数据点所在位置表示为占用,从雷达开始到这点之间的区域表示为空闲. 1 GM ...
- matlab读取八叉树,基于八叉树表示的三维栅格地图路径规划系统及方法技术方案...
[技术实现步骤摘要] 基于八叉树表示的三维栅格地图路径规划系统及方法 本专利技术涉及地图路径规划技术,具体涉及基于八叉树表示的三维栅格地图路径规划系统及方法. 技术介绍 随着各项性能的提高,服务机器人 ...
- 【机器人栅格地图】基于灰狼算法求解栅格地图路径规划及避障含Matlab源码
1 简介 1.1 灰狼算法介绍 1.2 栅格地图介绍 栅格地图有两种表示方法,直角坐标系法和序号法,序号法比直角坐标法节省内存 室内环境栅格法建模步骤 1.栅格粒大小的选取 栅格的大小是个关键因素,栅 ...
- 【路径规划】基于matlab GUI蚁群算法机器人栅格地图最短路径规划【含Matlab源码 927期】
⛄一.蚁群算法简介 1 引言 在自然界中各种生物群体显现出来的智能近几十年来得到了学者们的广泛关注,学者们通过对简单生物体的群体行为进行模拟,进而提出了群智能算法.其中, 模拟蚁群觅食过程的蚁群优化算 ...
- 【路径规划】基于matlab蚁群算法机器人栅格地图最短路径规划【含Matlab源码 1618期】
⛄一.蚁群算法及栅格地图简介 1 蚁群算法 1.1 蚁群算法的提出 蚁群算法(ant colony optimization, ACO),又称蚂蚁算法,是一种用来寻找优化路径的机率型算法.它由Marc ...
- 【路径规划】基于matlab GUI多种蚁群算法栅格地图最短路径规划【含Matlab源码 650期】
⛄一.蚁群算法及栅格地图简介 1 蚁群算法 1.1 蚁群算法的提出 蚁群算法(ant colony optimization, ACO),又称蚂蚁算法,是一种用来寻找优化路径的机率型算法.它由Marc ...
- 【路径规划】基于matlab蚁群优化遗传算法机器人栅格地图最短路径规划【含Matlab源码 1581期】
⛄一.简介 路径规划是实现移动机器人自主导航的关键技术,是指在有障碍物的环境中,按照一定的评价标准(如距离.时间.能耗等),寻找到一条从起始点到目标点的无碰撞路径,这里选取最短距离路径规划的评价标准, ...
最新文章
- python 通过title判断_利用Python模拟GitHub登录
- python学习-- for和if结合使用
- 反浏览器指纹追踪(反浏览器指纹追踪技术)
- NYOJ 16 矩形嵌套(动态规划)
- python的魔法方法--__
- note.. redis五大数据类型
- oracle中varchar2的储存长度
- C#LeetCode刷题之#257-二叉树的所有路径(Binary Tree Paths)
- 800万行代码的鸿蒙系统,在世界上处于什么水平?
- 神武显示未能成功连接服务器,神武:疑难问题解答,总有你要的答案
- 如何下载Visual Studio Code及配置教程
- hdu1505 dp:01矩形中最大面积全0矩阵
- 便携式车用CAN总线分析仪can分析仪
- TestBench 基本写法与框架
- 如何通过软件编辑自己想要的点阵图片
- 俄罗斯大炼自主「熊芯」!斥资3万亿卢布,8年实现28nm量产
- 什么是keep-alive?怎么去使用?简述keep-alive
- Mac如何保护苹果账户的安全?保护 Apple ID 帐户的技巧分享
- 被故事选中,没资格懵懂。
- 优维科技将参加微软加速器·上海一期Demo Day