基于遗传算法的机器人路径规划MATLAB源码.doc

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)（ti0,1i=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。functionL1,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%欢迎访问GreenSim算法仿真团队/greensim%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Fig1figure(1);PlotGraph;title(地形图及网络拓扑结构)PD=inf*ones(26,26);fori=1:26forj=1:26ifD(i,j)=1x1=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;endendend%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;holdonfori=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);holdonendtitle(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);fori=1:Nfarmi=rand(1,aaa);end%以下是进化迭代过程counter=0;%设置迭代计数器whilecounterM%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=farmSer(1);%取出父代AB=farmSer(2);%取出父代BP0=unidrnd(aaa-1);%随机选择交叉点a=A(:,1:P0),B(:,(P0+1):end);%产生子代ab=B(:,1:P0),A(:,(P0+1):end);%产生子代bnewfarm2*N-1=a;%加入子代种群newfarm2*N=b;fori=1:(N-1)A=farmSer(i);B=farmSer(i+1);newfarm2*i=b;endFARM=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);fori=1:(2*N)PP=FARMi;FITNESS(i)=MinFun(PP,X1,X2,Y1,Y2);%调用目标函数endfori=1:Nf1=FITNESS(SER(2*i-1);f2=FITNESS(SER(2*i);iff1=f2elsefarmi=FARMSER(2*i);fitness(i)=FITNESS(SER(2*i);endend%记录最佳个体和收敛曲线minfitness=min(fitness);meanfitness=mean(fitness);ifminfitnessrand&pos(1)=iAA=farmi;AA(POS)=rand;farmi=AA;endendcounter=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Fig3figure(8)PlotGraph;holdonholdonfori=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);holdonendfori=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);holdonendtitle(遗传算法最终结果)figure(9)PlotGraph;holdonfori=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);holdonendholdonfori=1:(length(R)-1)x1=XY2(i,1);y1=XY2(i,2);x2=XY2(i+1,1);y2=XY