【路径规划】基于反向粒子群算法求解栅格路径规划及避障matlab代码​

1 简介基于改进粒子群算法的移动机器人路径规划,通过建立目标函数,变换坐标等对环境建模,再引入反向粒子群优化算法,得到全局最优路径.MATLAB仿真结果显示,此方法可有效地解决空间作业机器人路径规划及避障问题.与传统粒子群算法比,该法建模容易,计算快捷,可以在不同的障碍物环境下得到不同的优化轨迹​。2 部分代码clc;close allclearload(data4.mat)S(S_coo(2)-0.5)*num_shange(S_coo(1)0.5);%起点对应的编号E(E_coo(2)-0.5)*num_shange(E_coo(1)0.5);%终点对应的编号PopSize20;%种群大小OldBestFitness0;%旧的最优适应度值gen0;%迭代次数maxgen 200;%最大迭代次数c10.5;%认知系数c20.7;%社会学习系数c30.2;%反向因子w0.96;%惯性系数%%%初始化路径w_min0.5;w_max1;Groupones(num_point,PopSize); %种群初始化flag1;%% 初始化粒子群位置for i1:PopSizep_linrandperm(num_point);%随机生成1*400不重复的行向量%% 将起点编号放在首位indexfind(p_linS);linp_lin(1);p_lin(1)p_lin(index);p_lin(index)lin;Group(:,i)p_lin;%%将每个个体进行合理化处理[Group(:,i),flag]deal_fun(Group(:,i),num_point,liantong_point,E,num_shange);fangxiang_Group(:,i)fangxiang(Group(:,i),c3);%方向粒子数量while flag1%如处理不成功则初始化个体重新处理%% 将起点编号放在首位indexfind(p_linS);linp_lin(1);p_lin(1)p_lin(index);p_lin(index)lin;Group(:,i)p_lin;fangxiang_Group(:,i)p_lin;%%将每个个体进行合理化处理[Group(:,i),flag]deal_fun(Group(:,i),num_point,liantong_point,E,num_shange);[fangxiang_Group(:,i),flag]deal_fun(fangxiang_Group(:,i),num_point,liantong_point,E,num_shange);endend%最优解figure(3)hold onfor i1:num_shangefor j1:num_shangeif sign(i,j)1y[i-1,i-1,i,i];x[j-1,j,j,j-1];hfill(x,y,k);set(h,facealpha,0.5)ends(num2str((i-1)*num_shangej));text(j-0.95,i-0.5,s,fontsize,6)endendaxis([0 num_shange 0 num_shange])%限制图的边界plot(S_coo(2),S_coo(1), p,markersize, 10,markerfacecolor,b,MarkerEdgeColor, m)%画起点plot(E_coo(2),E_coo(1),o,markersize, 10,markerfacecolor,g,MarkerEdgeColor, c)%画终点set(gca,YDir,reverse);%图像翻转for i1:num_shangeplot([0 num_shange],[i-1 i-1],k-);plot([i i],[0 num_shange],k-);%画网格线endfor i2:index1Q1[mod(route_lin(i-1)-1,num_shange)1-0.5,ceil(route_lin(i-1)/num_shange)-0.5];Q2[mod(route_lin(i)-1,num_shange)1-0.5,ceil(route_lin(i)/num_shange)-0.5];plot([Q1(1),Q2(1)],[Q1(2),Q2(2)],r,LineWidth,3)endtitle(改进后的粒子群算法-最优路线);%进化曲线figure(4);plot(BestFitness);xlabel(迭代次数)ylabel(适应度值)grid on;title(改进后的进化曲线);disp(改进后的粒子群算法-最优路线方案)disp(num2str(route_lin))disp([起点到终点的距离:,num2str(BestFitness(end))]);figure(5);plot(BestFitness*100);xlabel(迭代次数)ylabel(适应度值)grid on;title(改进后的最佳个体适应度值变化趋势);3 仿真结果4 参考文献[1]黄祎, 孙德宝, and 秦元庆. 基于粒子群算法的移动机器人路径规划. 兵工自动化 25.4(2006):3.