【路径规划】蚁群算法栅格地图路径规划及避障【含Matlab源码 2088期】

最新推荐文章于 2024-07-10 22:11:32 发布

Matlab武动乾坤

最新推荐文章于 2024-07-10 22:11:32 发布

阅读量781

点赞数

分类专栏： Matlab路径规划（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/134730372

版权

Matlab路径规划（进阶版）专栏收录该内容

716 篇文章 28 订阅

订阅专栏

✅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。

⛄一、蚁群算法及栅格地图简介

随着机器人技术在诸多领域的应用, 如机器人协作焊接、灾后搜救、军事、太空探索、深海勘探、家用和服务行业等, 机器人的发展正向智能化方向延伸, 要求其具有自组织、自学习、自适应等能力.机器人路径规划是指机器人从初始位置按某种法则避开障碍物、无碰撞地到达目标位置.目前国内外对路径规划的研究应用较多的方法主要有:人工势场法、概率路径图法[3]、可视图法、栅格法、神经网络算法、遗传算法、粒子群算法、蚁群算法.

栅格法是将机器人的搜索空间分解成若干个规格相等单元, 将复杂的环境问题分解成简单问题, 适用于静态环境的路径规划, 且算法计算量小, 便于实现, 但在复杂的环境中, 易使规划时间延长, 系统的实时性不够.蚁群算法是一种新型的仿生算法, 以蚂蚁觅食为模型, 通过前代蚂蚁在走过的路径上遗留信息素的强弱选择路径.该算法有较好的正反馈性、并行性及鲁棒性;但当遇到复杂问题时, 会导致搜索时间长、陷入局部最优、停滞和死锁等情况.因此, 结合栅格法和蚁群算法的优缺点, 将栅格法与蚁群算法相结合进行路径规划, 先建立栅格地图, 再利用蚁群算法进行全局搜索, 可提高算法性能.

1 栅格模型建立
1.1 栅格法应用于路径规划的简介
栅格法是由W.E.Howden于1968年提出, 主要是根据环境建立一个路径栅格地图 (map) .基本原理是将机器人工作环境分割成无数细小的具有二值信息的网格单元, 每个网格的规格由机器人的步长决定, 即一个步长代表一个网格大小.在进行网格划分时, 无论是障碍物栅格还是非障碍物栅格不满一个时, 将其填满, 按一个栅格计算.

环境信息由黑白网格表示.黑色网格代表障碍物 (barrier) , 表示不可行区域;白色网格代表可通行区域, 又称自由区域.栅格法将不可行区域和自由区域用一个二进制矩阵表示, 矩阵中1代表障碍物, 0代表自由栅格, 由此在环境中建立一个可描述环境的路径规划地图.

1.2 栅格地图的建立
假设SP为机器人在二维空间中的一个规则的凸多边形运动场地, 将场地分解成M×N个栅格, 由自由栅格和障碍物栅格组成, 其运动方式主要为八叉树型形式.自由栅格的集合P={P1, P2, …, Pm}, 障碍物栅格的集合B={B1, B2, …, Bn}, 设A为机器人工作场地的栅格集合, 其表达式为A=P∪B.

本文根据实验场地建立一个10×10栅格地图, 如图1所示.图中栅格的序号集合C={1, 2, 3, …, 100}.假设1号位为初始位置Gstart, 100号位为目标位置Ggoal, 机器人从初始位置通过n次迭代搜索找到最优路径, 其中初始位置Gstart∈A且, 目标位置Ggoal∈A且, 规定初始位置与目标位置不重合, 在进行路径搜索时主要以八叉树型形式搜索.

2 蚁群算法的路径规划问题描述
2.1 基本蚁群算法的描述
蚁群算法是一种模仿蚁群觅食的仿生学算法, 其基本原理是将每台机器人看作蚂蚁群体中的一只蚂蚁.蚂蚁在进行路径搜索时通过蚁群在路径上遗留的信息素强度, 向其它蚂蚁传递信息, 实现机器人之间的信息交换.通常情况下路径是未知的, 蚂蚁在选择路径时一般根据概率Pkij (t) 随机选择.
在这里插入图片描述
其中:α为启发式因子;β是期望启发式因子;τij为机器人k从位置i到位置j这段路径上所留信息素强度;allowedk表示机器人未访问过的栅格的集合;ηij (t) 为启发式函数, 启发式函数的大小与i、j之间的距离有关, dij值越小, i, j之间的关系越亲密, 反之则疏远, 其表达式为
在这里插入图片描述
式中 (xi, yi) 为点的位置坐标, (xj, yj) 为点的位置坐标.

2.2 蚂蚁信息素更新
机器人在路径搜索的过程中会在路径上留下新的信息素, 随着时间推移留在路径上的信息素强度不断增加, 为避免在搜索路径上残留的信息素过多而淹没启发式信息, 因此, 当蚂蚁完成一次搜索时, 对所有路径上的信息素进行一次更新, 其表达式为
在这里插入图片描述
其中:1-ρ表示信息素残留因子, ρ表示信息素挥发系数;Δτij (t) 表示蚂蚁在本次循环中路径 (i, j) 上的信息素增量, Δτkij (t) 表示第k只蚂蚁经过路径 (i, j) 时在本次循环中的信息素增加量.根据信息素规则, 选择蚁周 (ant-cycle) 模型作为蚂蚁信息素更新模型.
在这里插入图片描述
式中, Q表示信息素强度, Lk表示第k只蚂蚁在本次循环中所有路径的总长度.

⛄二、部分源代码

clc
clear all
close all
% tic
G=[0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0;
0 1 1 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0;
0 1 1 0 0 0 1 1 1 0 0 0 0 0 0 1 1 1 0 0;
0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 1 1 0 0;
0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 1 1 0 0;
0 1 1 1 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0;
0 1 1 1 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0;
0 1 1 1 0 0 1 1 1 0 1 1 1 1 0 0 0 0 0 0;
0 1 1 1 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0;
0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0;
0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 0;
0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 0;
0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1 1 1 1 0;
0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1 1 1 1 0;
1 1 1 1 0 0 0 0 0 0 0 1 1 1 0 1 1 1 1 0;
1 1 1 1 0 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0;
0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 1 1 0;
0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 1 1 0;
0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 0 0 0 0 0;
0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0;];
MM=size(G,1); % G 地形图为01矩阵，如果为1表示障碍物
Tau=ones(MMMM,MMMM); % Tau 初始信息素矩阵
Tau=8.Tau;
K=100; %迭代次数（指蚂蚁出动多少波）
M=50; %蚂蚁个数
S=1 ; %最短路径的起始点
E=1MM; %最短路径的目的点
Alpha=1.0158; % Alpha 表征信息素重要程度的参数
Beta=5.4066; % Beta 表征启发式因子重要程度的参数
Rho=0.3 ; % Rho 信息素蒸发系数
Q=1; % Q 信息素增加强度系数
minkl=inf;
mink=0;
minl=0;
D=G2D(G);
N=size(D,1); %N表示问题的规模（象素个数）
a=1; %小方格象素的边长
Ex=a*(mod(E,MM)-0.5); %终止点横坐标
if Ex==-0.5
Ex=MM-0.5;
end
Ey=a*(MM-ceil(E/MM)); %终止点纵坐标
Eta=zeros(N); %启发式信息，取为至目标点的直线距离的倒数
%以下启发式信息矩阵
for i=1:N
ix=a*(mod(i,MM)-0.5);
if ix==-0.5
ix=MM-0.5;
end
iy=a*(MM+0.5-ceil(i/MM));
if i~=E
Eta(i)=1/((ix-Ex)^2+(iy-Ey)2)^0.5;
else
Eta(i)=100;
end
end
ROUTES=cell(K,M); %用细胞结构存储每一代的每一只蚂蚁的爬行路线
PL=zeros(K,M); %用矩阵存储每一代的每一只蚂蚁的爬行路线长度
%启动K轮蚂蚁觅食活动，每轮派出M只蚂蚁
for k=1:K
for m=1:M
%状态初始化
W=S; %当前节点初始化为起始点
Path=S; %爬行路线初始化
PLkm=0; %爬行路线长度初始化
TABUkm=ones(N); %禁忌表初始化
TABUkm(S)=0; %已经在初始点了，因此要排除
DD=D; %邻接矩阵初始化
%下一步可以前往的节点
DW=DD(W,:);
DW1=find(DW);
for j=1:length(DW1)
if TABUkm(DW1(j))==0
DW(DW1(j))=0;
end
end

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]周东健,张兴国,马海波,李成浩,郭旭.基于栅格地图-蚁群算法的机器人最优路径规划[J].南通大学学报(自然科学版). 2013,12(04)

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