基于遗传算法的机器人路径规划MATLAB源代码

欢迎访问GreenSim团队主页/greensim 邮箱：基于遗传算法的机器人路径规划MATLAB源代码基本思路是：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，利用最短路径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。上述算法使用了连接线中点的条件，因此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)（ti0,1 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% GreenSim团队专业级算法设计&代写程序% 欢迎访问GreenSim团队主页/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);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 endend% 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 onfor 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 onendtitle(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 farmi=rand(1,aaa);end% 以下是进化迭代过程counter=0;%设置迭代计数器while counterM%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A B=farmSer(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 newfarm2*N-1=a;%加入子代种群 newfarm2*N=b; for i=1:(N-1) A=farmSer(i); B=farmSer(i+1); newfarm2*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=FARMi; 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 farmi=FARMSER(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 minfitnessrand&pos(1)=i AA=farmi; AA(POS)=rand; farmi=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Fig3figure(8)PlotGraph;hold onhold onfor 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 onendfor 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 onendtitle(遗传算法最终结果)figure(9)PlotGraph;hold onfor 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 onendhold onfor i=1:(length(R)-1) x1=XY2(i,1); y1=XY2(i,2); x2=XY2(i+1,1); y2=XY2(i+1,2);