发布时间 : 星期日 文章11基于遗传算法的机器人路径规划MATLAB源代码【精品毕业设计】(完整版)更新完毕开始阅读4c842aa281eb6294dd88d0d233d4b14e84243e56
欢迎访问GreenSim团队主页→http://blog.sina.com.cn/greensim 邮箱：greensim@163.com 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)（ti∈[0,1] 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→http://blog.sina.com.cn/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Fig1 figure(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 end
第1页
欢迎访问GreenSim团队主页→http://blog.sina.com.cn/greensim 邮箱：greensim@163.com 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 %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 第2页 欢迎访问GreenSim团队主页→http://blog.sina.com.cn/greensim 邮箱：greensim@163.com 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 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) 第3页 欢迎访问GreenSim团队主页→http://blog.sina.com.cn/greensim 邮箱：greensim@163.com 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); 第4页