【路径规划】遗传优化模拟退火算法避障路径规划【含Matlab源码 889期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、简介

路径规划主要是让目标对象在规定范围内的区域内找到一条从起点到终点的无碰撞安全路径。路径规划中有静态路径规划以及动态路径规划，本文所讨论的问题仅针对静态路径规划。具体问题描述如下：
给定起点、终点和障碍物等环境信息，如图1.1所示，利用演化计算方法得到最优轨迹，并分析不同参数选择对结果的影响。本文采用遗传算法和模拟退火混合遗传算法进行求解，得到最优路径。
1 遗传算法
1.1 遗传算法原理
遗传算法（Genetic Algorithm，GA）[1]是进化计算的一部分，是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。该算法简单、通用，鲁棒性强，适于并行处理。基本遗传算法流程包括种群初始化、选择、交叉、变异等操作，如图1所示。

遗传算法的进化过程从完全随机生成的种群开始，随后逐代向适应度更高的种群进化。在进化的每一代中，整个种群的适应度按照一定规则被评价，基于个体的适应度高低从当前种群中随机选择多个个体，通过个体自然选择和基因突变操作而产生新种群，生成的新种群在算法的下一次迭代中成为当前种群。在遗传算法中，需解决的问题的解通常被成为基因个体，它通常以参数列表的形式进行标示，被称作染色体或基因串。其中染色体通常以编码形式体现，即表达为简单的字符串或数字串[2]。

针对本问题，使用遗传算法求解最优路径需要按照特定规则初始化种群，并且根据问题所给的限定条件设计合适的适应度计算方法。下面的内容会详细说明这两个步骤，而算法中的其他操作，如选择、交叉、变异分别采用经典的轮盘赌、单点交叉和随机变异方法，这里不再赘述。

1.2 编码

1.3 适应度函数
适应度函数要有效反映每一个体与问题的最优个体之间的差距。遗传算法在进化搜索中基本不利用外部信息,仅以适应度函数为依据,利用种群中每个个体的适应度值来进行搜索。本问题的目标是路径总长度为最短，路径总长度的倒数就可以作为适应度函数：



2 混合遗传算法
为了提高遗传算法运行效率和求解质量，这里引入模拟退火算法的思想，模拟退火(Stimulated Annealing, SA)具有较强的局部寻优能力，并能使搜索过程避免陷入局部最优解[3-4]，采用模拟退火遗传算法（Stimulated Annealing Genetic Algorithm，SAGA）求解路径优化问题。
具体来说，模拟退火遗传算法是对适应度函数的改进，在前期（高温）减少个体间的适应度差异，后期（低温）放大个体间适应度差异，突出优秀个体，完成适应度拉伸的作用，在一定程度上弥补了遗传算法在前期容易早熟、后期容易停滞的缺点[5]。具体的适应度值计算公式如式（6）和（7）所示：

⛄二、部分源代码

%%%%%%模拟退火遗传算法(SAGA)%%%%%%%%%%%

clear
%%%设置超参数
p_crs = 0.7; %交叉概率
p_mut = 0.1; %变异概率
ratio = 0.5; %选择操作中父辈的比例
pop_num = 5000; %种群规模
chrom_len = 7; %染色体长度，这里代表路线的点数
iteration = 40;
T0 = 100; %初始温度
A = 0.8; %退火速度

% 一个个体就是一条路线
[x,y]=popinit(pop_num,chrom_len); %产生初始种群
fit=saga_fitness(x,y, T0); %计算种群适应度
[bestx0,besty0,fit0]=best(x,y,fit);
d0 = 0; %初始路径长度
for j=1:1:size(bestx0,2)-1
d0 = d0 + sqrt((bestx0(1,j+1)-bestx0(1,j)).^2 + …
(besty0(1,j+1)-besty0(1,j)).^2); %该个体（即路线）的路径长度
end

for i=1:1:iteration %设置进化代数
[Parentx,Parenty]=select(x, y, fit, ratio); %选择
[Kidx,Kidy]=crossover(Parentx,Parenty,p_crs); %交叉
[Kidx,Kidy]=mutation(Kidx,Kidy,p_mut); %变异
x = [Parentx; Kidx]; % 得到新的种群
y = [Parentx; Kidy];
x(:,chrom_len)=1.5; % 保留终点
y(:,chrom_len)=8.9;

T = T0 * A^(i-1);  % 当前温度
fit = saga_fitness(x,y,T);   % 计算进化后的适应度
[bestx,besty,bestfit]=best(x,y,fit);   %选择每一代中的最佳个体
route_x(i,:)=bestx;                     %保存该最佳个体
route_y(i,:)=besty;
route_fit(i)=bestfit;
for j=1:1:size(bestx,2)-1
    dd(j)=sqrt((bestx(1,j+1)-bestx(1,j)).^2 + ...
        (besty(1,j+1)-besty(1,j)).^2);     %该个体（即路线）的路径长度
end
d(i) = sum(dd);   %有问题
fprintf('%dth 代进化完成...\n', i)

% plot(bestx,besty,‘r-’);
end
route_fit = [fit0, route_fit]; %加上初始种群中最优个体
route_x = [bestx0; route_x];
route_y = [bestx0; route_y];
d = [d0, d];

[final_fit,idx]=max(route_fit); %所有代中的的最佳路线
final_routex=route_x(idx,:);
final_routey=route_y(idx,:);
final_distance = min(d) %最佳路径长度

%画图，可视化路线、进化过程====
% start point
xs=0;
ys=0;
% Destination
xt=1.5;
yt=8.9;
%obstacle
xobs=[1.5 4.0 1.2];
yobs=[6.5 3.0 1.5];
robs=[1.5 1.0 0.8];
theta=linspace(0,2*pi,100);
max_area = 0;
for k=1:numel(xobs)
fill(xobs(k)+robs(k)*cos(theta),yobs(k)+robs(k)*sin(theta),[0.5 0.7 0.8]); % 后一个参数表示RGB值
text(xobs(k), yobs(k), num2str(k))
hold on;
end
plot(xs,ys,‘bs’,‘MarkerSize’,12,‘MarkerFaceColor’,‘y’);
plot(xt,yt,‘kp’,‘MarkerSize’,16,‘MarkerFaceColor’,‘g’);
grid on;
hold on;
%====================================
%%输入参数：种群——x,y横纵坐标
%%输出参数：种群中每个个体的适应度值
%%说明：
% 逐个计算种群中个体的适应度值，判断该个体所连成线路与圆形障碍物之间的关系，
% 将满足条件的路径的距离倒数作为适应度值
%====================================

function fitval=fitness(x,y)
%obstacle
xobs=[1.5 4.0 1.2];
yobs=[6.5 3.0 1.5];
robs=[1.5 1.0 0.8];
[n, xn] = size(x);
for i=1:1:n
cnt_line = 0; %记录穿过障碍物的线段数

    %%拆分相邻的两个点，便于后续计算
    for m=1:1:xn-1
        x1(m)=x(i,m);
        y1(m)=y(i,m);
    end
    for n=2:1:xn
        x2(n-1)=x(i,n);
        y2(n-1)=y(i,n);
    end
    
    %%判断线段与障碍物的关系
    for m = 1:size(x1,2)
        A = y2(m) - y1(m);
        B = x1(m) - x2(m);
        C = y1(m)*(x2(m)-x1(m)) - x1(m)*(y2(m)-y1(m));
        for ii = 1:3
            if ((x1(m)-xobs(ii))^2 + (y1(m)-yobs(ii))^2) < robs(ii)^2 || ((x2(m)-xobs(ii))^2 + (y2(m)-yobs(ii))^2) < robs(ii)^2
                % disp('有点在圆内')
                cnt_line = cnt_line + 1;
                continue;
            else            
                d = abs(A*xobs(ii)+B*yobs(ii)+C) / sqrt(A^2+B^2);
                if d==0
                    d1 = (xobs(ii)-x1(m))^2 + (yobs(ii)-y1(m))^2;
                    d2 = (x2(m)-x1(m))^2 + (y2(m)-y1(m))^2;
                    if d1 < d2
                        cnt_line = cnt_line + 1;   % 该线段过圆心且穿过圆
                    end

                elseif d < robs(ii)
                    cos1 = (x2(m)-x1(m))*(xobs(ii)-x1(m)) + (y2(m)-y1(m))*(yobs(ii)-y1(m));
                    cos2 = (x1(m)-x2(m))*(xobs(ii)-x2(m)) + (y1(m)-y2(m))*(yobs(ii)-y2(m));
                    if cos1>0 && cos2>0
                        cnt_line = cnt_line + 1;    % 该线段与圆交与两点
                    end
                else
                    continue;
                end
            end
        end
     
    end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]王星童,吴林鸿,赵启宇,曾祥光.粒子群-快速模拟退火算法在路径规划中的应用[J].信息技术与信息化. 2021(06)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合