基于遗传算法的机器人路径规划matlab源码

《基于遗传算法的机器人路径规划matlab源码》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、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)（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 [

2、L1,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→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

3、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

4、,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 onf

5、or 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=

6、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

7、nd(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