​【路径规划】基于萤火虫算法求解障碍地形matlab源码

​1 简介

一种基于萤火虫算法的移动机器人路径规划方法.

2 部分代码

clc;
clear;
close all;

%% Problem Definition

model=CreateModel();

model.n=3;  % number of Handle Points

CostFunction=@(x) MyCost(x,model);    % Cost Function

nVar=model.n;       % Number of Decision Variables

VarSize=[1 nVar];   % Size of Decision Variables Matrix

VarMin.x=model.xmin;           % Lower Bound of Variables
VarMax.x=model.xmax;           % Upper Bound of Variables
VarMin.y=model.ymin;           % Lower Bound of Variables
VarMax.y=model.ymax;           % Upper Bound of Variables


%% GSO Parameters

MaxIt=50;          % Maximum Number of Iterations

nPop=100;           % Population Size (Swarm Size)

w=1;                % Inertia Weight
wdamp=0.98;         % Inertia Weight Damping Ratio
c1=1.5;             % Personal Learning Coefficient
c2=1.5;             % Global Learning Coefficient

%RANGE
range_init = 5.0;
range_boundary = 50.2;

%LUCIFERIN
luciferin_init = 25;
luciferin_decay = 0.4;
luciferin_enhancement = 0.6;

%Neighbors
k_neigh = 20;
beta = 0.5;

step_size = 5;

%% Initialization

% Create Empty Glowworm Structure
empty_glowworm.Position=[];
empty_glowworm.range=[];
empty_glowworm.luciferin=[];
empty_glowworm.Cost=[];
empty_glowworm.Sol=[];
empty_glowworm.neighbors=[];
empty_glowworm.Best.Position=[];
empty_glowworm.Best.Cost=[];
empty_glowworm.Best.Sol=[];

% Initialize Global Best
GlobalBest.Cost=inf;

% Create glowworms Matrix
glowworm=repmat(empty_glowworm,nPop,1);

% Initialization Loop
for i=1:nPop
% Initialize Position
   if i > 1
       glowworm(i).Position=CreateRandomSolution(model);
   else
       % Straight line from source to destination
       xx = linspace(model.xs, model.xt, model.n+2);
       yy = linspace(model.ys, model.yt, model.n+2);
       glowworm(i).Position.x = xx(2:end-1);
       glowworm(i).Position.y = yy(2:end-1);
   end

   % Initialize luciferin
   glowworm(i).luciferin.x=repmat( luciferin_init , 1 , nVar);
   glowworm(i).luciferin.y=repmat( luciferin_init , 1 , nVar);
   
   %Initialize range 
   glowworm(i).range.x = repmat( range_init , 1 , nVar);
   glowworm(i).range.y = repmat( range_init , 1 , nVar);

   neighbors = [];
   % Evaluation
  [glowworm(i).Cost, glowworm(i).Sol]=CostFunction(glowworm(i).Position);
   
   % Update Personal Best
   glowworm(i).Best.Position=glowworm(i).Position;
   glowworm(i).Best.Cost=glowworm(i).Cost;
   glowworm(i).Best.Sol=glowworm(i).Sol;
   
   % Update Global Best
   if glowworm(i).Best.Cost<GlobalBest.Cost
       
       GlobalBest=glowworm(i).Best;
       
   end
end

% Array to Hold Best Cost Values at Each Iteration
BestCost=zeros(MaxIt,1);


for it=1:MaxIt
   
   for i=1:nPop
       
       
       
   end
   % Update Best Cost Ever Found
   BestCost(it)=GlobalBest.Cost;
   
    % Show Iteration Information
   if GlobalBest.Sol.IsFeasible
       Flag=' *';
   else
       Flag=[', Violation = ' num2str(GlobalBest.Sol.Violation)];
   end
   disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestCost(it)) Flag]);
   
   % Plot Solution
   figure(1);
   PlotSolution(GlobalBest.Sol,model);
   pause(0.01);
end
img =gcf;  %获取当前画图的句柄
print(img, '-dpng', '-r600', './img2.png')         %即可得到对应格式和期望dpi的图像
%% Results

figure;
plot(BestCost,'LineWidth',2);
xlabel('Iteration');
ylabel('Best Cost');
grid on;
img =gcf;  %获取当前画图的句柄
print(img, '-dpng', '-r600', './img.png')         %即可得到对应格式和期望dpi的图像
       

3 仿真结果

4 参考文献

[1]李凤玲, 陈珊, 范兴江, & 刘源. (2019). 基于萤火虫算法动态未知环境的路径规划. 自动化与仪表(6).