遗传算法（Genetic Algorithm，GA）详解路径规划内容补充【附算法代码与运行结果】

路径规划中使用遗传算法

种群初始化过程：产生不同的编码路径（如上图所示路径编码：（0，6，7，13，19，24））来模拟种群

（1）每行选择一个栅格

（2）判断相邻栅格是否连续

通过判断栅格之间x与y坐标最大值为1即为连续，表示两栅格是相邻或是对角。

x坐标总数取整加一，y坐标总数取余加一，加1是因为matlab下标都是从1开始的。

（3）不连续时反复进行插入新栅格操作，直到连续，如果取到有障碍的栅格，从他的四周寻找栅格。

如图中若取6: (2, 2)；13: (4, 3)，套用上述公式向下取整得到(3, 2)点。

选择策略

路径表示：

适应度1表示路径的长度，越大越好，取路径的倒数

适应度2表示路径的顺滑性，以相邻的三个点会组成一个三角形，这个角可以通过余弦定理来计算，角度越大适应度越高

总体的适应度，需要对两个适应度取权重，权重可通过实验来获得。

通过得到的适应度可以计算出可以保留的概率，通过轮盘赌法，适应度越高，概率越高的优质个体选中的可能性就越高。

pi=fiti/i=1endfiti

交叉策略

以下图为例，交换交叉点前后的路径形成新的路径，从而达到更丰富的个体

变异策略

（1）随机选择路径中的两个栅格

（2）采用种群初始化中的方法在两个栅格间产生更好的新路径

---

案例实操

对起点[0，0],终点 [20, 20]在边长范围为[0，20]的正方形进行路径规划，其中设置了一些墙体作为障碍物。

【主函数实验代码】

% 基于遗传算法的栅格法路径规划
clc;
clear;
% 输入数据,即栅格地图，注意实际地图和数据列是反着画的
G=  [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;
     0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;
     0 0 1 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0;
     0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0;
     0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0;
     0 1 1 1 0 0 0 0 0 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 0 0 0 0 0 1 1 1 0 1 0 1 1 0 0 0 0 0 0;
     0 1 1 1 0 0 0 0 0 0 1 0 1 1 0 0 0 0 0 0;
     0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;
     0 0 0 0 0 0 0 1 1 0 1 1 1 1 0 0 0 0 0 0;
     0 0 0 0 0 0 0 1 1 0 0 0 0 0 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 1 0 0 0 0 0 0 0 0 0;
     0 0 1 1 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0;
     0 0 1 1 0 0 1 1 1 0 1 0 0 0 0 0 0 0 0 0;
     0 0 0 0 0 0 1 1 1 0 1 0 0 0 0 0 0 1 1 0; 
     0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0;
     0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0;
     0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0];
%G = [0 0 0 1 0;
%     0 0 0 0 0;
%     0 0 1 0 0;
%     1 0 1 0 0;
%     0 0 0 0 0;];
 
p_start = 0;   % 起始序号，起点
p_end = 399;   % 终止序号，终点
NP = 200;      % 种群数量
max_gen = 50;  % 最大进化代数，选择交叉变异最多执行50次
pc = 0.8;      % 交叉概率
pm = 0.2;      % 变异概率
%init_path = [];
z = 1;  
new_pop1 = {}; % 元包类型，用于保存路径，类似(0, 6, 7, 13, 19, 24)的编码
[y, x] = size(G);% 求地图尺寸，x，y占了多少格
% mod取模操作，起点所在列（从左到右编号1.2.3...）
xs = mod(p_start, x) + 1; 
% fix向下取整，起点所在行（从上到下编号行1.2.3...）
ys = fix(p_start / x) + 1;
% 终点所在列、行
xe = mod(p_end, x) + 1;
ye = fix(p_end / x) + 1;

% 种群初始化step1，必经节点,从起始点所在行开始往上，在每行中挑选一个自由栅格，构成必经节点
pass_num = ye - ys + 1;
pop = zeros(NP, pass_num);
for i = 1 : NP
    pop(i, 1) = p_start;% 把起点到第一个个体里面
    j = 1;
    % 除去起点和终点
    for yk = ys+1 : ye-1
        j = j + 1;
        % 每一行的可行点放到can
        can = []; 
        for xk = 1 : x
            % 栅格序号
            no = (xk - 1) + (yk - 1) * x;
            if G(yk, xk) == 0
                % 把点加入can矩阵中
                can = [can no];
            end
        end
        can_num = length(can);
        % 产生随机整数
        index = randi(can_num);
        % 为每一行加一个可行点
        pop(i, j) = can(index);
    end
    pop(i, end) = p_end;
    %pop
    
    % 路径连续化，种群初始化step2将上述必经节点联结成无间断路径
    single_new_pop = generate_continuous_path(pop(i, :), G, x);
    %init_path = [init_path, single_new_pop];
    if ~isempty(single_new_pop)
       new_pop1(z, 1) = {single_new_pop};
        z = z + 1;
    end
end
%保留数据画图用mean_path_value 为平均路径长度与min_path_value 最优路径长度
mean_path_value = zeros(1, max_gen);
min_path_value = zeros(1, max_gen);
% 循环迭代操作
for i = 1 : max_gen
    % 计算适应度值
    % 计算路径长度
    path_value = cal_path_value(new_pop1, x)
    % 计算路径平滑度
    path_smooth = cal_path_smooth(new_pop1, x)
    fit_value = 1 .* path_value .^ -1 + 1 .* path_smooth .^ -1;%应度值是对求得的两个适应度去倒数，目前两个权重都取得1，可进行修改
    mean_path_value(1, i) = mean(path_value);%画图，找平均与最
    [~, m] = max(fit_value);
    min_path_value(1, i) = path_value(1, m);
    
    % 选择操作
    new_pop2 = selection(new_pop1, fit_value);
    % 交叉操作
    new_pop2 = crossover(new_pop2, pc);
    % 变异操作
    new_pop2 = mutation(new_pop2, pm, G, x);
    % 更新种群
    new_pop1 = new_pop2;
    
end
% 画每次迭代平均路径长度和最优路径长度图
figure(1)
plot(1:max_gen,  mean_path_value, 'r')
hold on;
plot(1:max_gen, min_path_value, 'b')
legend('平均路径长度', '最优路径长度');
min_path_value(1, end)
% 在地图上画路径
[~, min_index] = max(fit_value);
min_path = new_pop1{min_index, 1};
figure(2)
hold on;
title('遗传算法无人机运动轨迹'); 
xlabel('坐标x'); 
ylabel('坐标y');
DrawMap(G);
[~, min_path_num] = size(min_path);
for i = 1:min_path_num
    % 路径点所在列（从左到右编号1.2.3...）
    x_min_path(1, i) = mod(min_path(1, i), x) + 1; 
    % 路径点所在行（从上到下编号行1.2.3...）
    y_min_path(1, i) = fix(min_path(1, i) / x) + 1;
end
hold on;
plot(x_min_path, y_min_path, 'r')

【运行结果】

【注】算法基础性内容详见

遗传算法（Genetic Algorithm，GA）详解【附算法代码与运行结果】-CSDN博客