m基于GA遗传优化的AGV栅格地图路径规划和避障matlab仿真

目录

1.算法描述

2.仿真效果预览

3.MATLAB核心程序

4.完整MATLAB

---

1.算法描述

        遗传算法GA把问题的解表示成“染色体”，在算法中也即是以二进制编码的串。并且，在执行遗传算法之前，给出一群“染色体”，也即是假设解。然后，把这些假设解置于问题的“环境”中，并按适者生存的原则，从中选择出较适应环境的“染色体”进行复制，再通过交叉，变异过程产生更适应环境的新一代“染色体”群。这样，一代一代地进化，最后就会收敛到最适应环境的一个“染色体”上，它就是问题的最优解。

       其主要步骤如下：

1．初始化

       选择一个群体，即选择一个串或个体的集合bi，i=1，2，...n。这个初始的群体也就是问题假设解的集合。一般取n＝30-160。

       通常以随机方法产生串或个体的集合bi,i＝1，2，...n。问题的最优解将通过这些初始假设解进化而求出。

2．选择

      根据适者生存原则选择下一代的个体。在选择时，以适应度为选择原则。适应度准则体现了适者生存，不适应者淘汰的自然法则。

给出目标函数f，则f(bi)称为个体bi的适应度。以

为选中bi为下一代个体的次数。

显然．从式可知：

(1)适应度较高的个体，繁殖下一代的数目较多。

(2)适应度较小的个体，繁殖下一代的数目较少；甚至被淘汰。

这样，就产生了对环境适应能力较强的后代。对于问题求解角度来讲，就是选择出和最优解较接近的中间解。

3．交叉

       对于选中用于繁殖下一代的个体，随机地选择两个个体的相同位置，按交叉概率P。在选中的位置实行交换。这个过程反映了随机信息交换；目的在于产生新的基因组合，也即产生新的个体。交叉时，可实行单点交叉或多点交叉。

---

基于Matlab的AGV路径规划及调度

       由磁导轨及目标地点组成的栅格地图，利用设置障碍物，剩余的部分为AGV运动的导轨，同一段导轨同时只允许一台AGV车并行进入，主干均分支双向通行，地图大小偏小（约10*15m）。

       任务调度要求：单一任务，即前往取货点、放货点（或设置两个工作点）并返回。需要在移动速度已定的情况下，所有AGV所用时间相加最短。任务需选择最优的AGV执行。

2.仿真效果预览

matlab2022a仿真结果如下：

3.MATLAB核心程序

Lgrid     = 3;
Speed1    = 0.75;
Speed2    = Speed1/2;
Navg      = 1;
%GA种群
Pop       = 100*Navg;%每个AVG分配100个种群   
%最大进化代数
Iteration = 200;  
%交叉概率
P1        = 0.99; 
%变异概率
P2        = 0.01;


%起点
Sp1       = 3;     
%终点
Ep1       = 313;    
%栅格地图，可以自己修改,这个图是要求中的示意图
G_matrix = zeros(20,20);
[RG,CG] = size(G_matrix);
for i1 = 1:5
    for j = 1:5
        G_matrix([5:6]+(i1-1)*3,[5:6]+(j-1)*3)=1;
    end
end
Xstart    = Sp1-CG*floor(Sp1/CG)+1;
Ystart    = floor(Sp1/CG);
Xend      = Ep1-CG*floor(Ep1/CG)+1;
Yend      = floor(Ep1/CG);

func_maps(G_matrix);
hold on
plot(Xstart,Ystart+1,'r*');
hold on
plot(Xend,Yend+1,'bs');
%由于转弯速度不一样，所以需要对转弯作为单独的目标进行优化
% %路径长度权值
% W1        = 1;     
% %转弯权重
% W2        = 4;        
cnt       = 1;  
%路径变量
Paths_save= {}; 
[R1,C1]   = size(G_matrix);


if  G_matrix(Xstart+1,Ystart+1)==1 | G_matrix(Xend+1,Yend+1)==1
    msgbox('起点或者终点和障碍物重合');  
else
    %初始化
    Path_cnt = Yend - Ystart + 1;
    pop      = zeros(Pop, Path_cnt);
    
    for i1 = 1:Pop
        pop(i1,1) = Sp1;
        j         = 1;
        for i2 = Ystart+1:Yend-1
            j   = j + 1;
            OK  = []; 
            for i3 = 1:C1
                %栅格
                idx = (i3-1) + (i2-1)*C1;
                if G_matrix(i2,i3) == 0
                   OK = [OK,idx];
                end
            end
            OK_idx    = length(OK);
            index     = randi(OK_idx);%随机整数
            pop(i1,j) = OK(index);
        end
        pop(i1,end)   = Ep1;
        %构成路径
        new_pop2      = func_genpath(pop(i1,:),G_matrix,C1);
        if isempty(new_pop2)==0
           Paths_save(cnt,1) = {new_pop2};
           cnt               = cnt + 1;
        end
    end
    %路径长度
    [Len_path,Len_time] = func_pathlength(Paths_save,C1);
    %目标值
    fitness   = 1./Len_time;

    minLens   = zeros(1,Iteration);

    for i1 = 1:Iteration
        i1
        %选择
        new_pop2   = func_sel(Paths_save,fitness);
        %交叉
        new_pop2   = func_cross(new_pop2,P1);
        %变异
        new_pop2   = func_mut(new_pop2, P2, G_matrix, C1);
        %更新
        Paths_save = new_pop2;
        
        %计算适应度值
        [Len_path,Len_time] = func_pathlength(Paths_save,C1);
        fitness             = 1./Len_time;
        
        
        [RR,CC]       = max(fitness);
        minLens(1,i1) = Len_time(1,CC);
    end

    figure;
    plot(minLens, 'b')
    xlabel('迭代'); 
    ylabel('总时间');
    [V,min_index] = max(fitness);
    minp          = Paths_save{min_index,1};

    figure
    func_maps(G_matrix);
    hold on;
    [V,Iss] = size(minp);
    for i1 = 1:Iss
        Xmin(1,i1) = mod(minp(1,i1),C1)+1; 
        Ymin(1,i1) = fix(minp(1,i1)/C1)+1;
    end
    hold on;
    plot(Xmin,Ymin,'b','linewidth',2); 
    xlabel('x'); 
    ylabel('y');
end
02_104m

4.完整MATLAB

V