1 内容介绍
首先来看看梯度下降的一个直观的解释。比如我们在一座大山上的某处位置,由于我们不知道怎么下山,于是决定走一步算一步,也就是在每走到一个位置的时候,求解当前位置的梯度,沿着梯度的负方向,也就是当前最陡峭的位置向下走一步,然后继续求解当前位置梯度,向这一步所在位置沿着最陡峭最易下山的位置走一步。这样一步步的走下去,一直走到觉得我们已经到了山脚。当然这样走下去,有可能我们不能走到山脚,而是到了某一个局部的山峰低处。
从上面的解释可以看出,梯度下降不一定能够找到全局的最优解,有可能是一个局部最优解。当然,如果损失函数是凸函数,梯度下降法得到的解就一定是全局最优解。
2 仿真代码
clear; close all; clc
%% 0 获取区域数据
% 已准备区域分布(MAP)、起点(sp)、终点(tp)
idx = 1; % 总共有4个模型
[MAP,sp,tp] = getMAP(idx);
showflag = 0; % 是否显示中间过程
%% 1 生成水扩散模型
diffconst = 0.1; % 扩散速度权值: 建议0.1~0.4
WDM = getWaterDiffusionModel(MAP,sp,diffconst,showflag);
%% 2 梯度下降找路径
stepLen = 1;
RouteWithoutModify = getRoute(MAP,WDM,sp,tp,stepLen,showflag);
%% 3 路径优化
MAXtier = 10000;
epsilon = 1e-6*stepLen;
force = 0.001*stepLen;
Route = optimizeRoute(MAP,RouteWithoutModify,force,MAXtier,epsilon,showflag);
%% 显示
figure(1)
subplot(222),imshow(mat2gray(WDM)),colormap jet,title('\fontsize{16}1 水流模型')
subplot(221),imshow(MAP),hold on,title('\fontsize{16}0 区域图')
plot(sp(2),sp(1),'r*');
plot(tp(2),tp(1),'ro');
subplot(223),imshow(MAP),hold on,title('\fontsize{16}2 可行路径')
plot(RouteWithoutModify(1,2),RouteWithoutModify(1,1),'r*');
plot(RouteWithoutModify(end,2),RouteWithoutModify(end,1),'ro');
plot(RouteWithoutModify(:,2),RouteWithoutModify(:,1),'b-','LineWidth',2);
subplot(224),imshow(MAP),hold on,title('\fontsize{16}3 最短路径')
plot(Route(1,2),Route(1,1),'r*');
plot(Route(end,2),Route(end,1),'ro');
plot(Route(:,2),Route(:,1),'r-','LineWidth',2);
% -----------------------------子函数--------------------------------
% 0 读取模型数据
function [MAP,sp,tp] = getMAP(idx)
load('MAP.mat')
MAP = M{idx}.MAP;
sp = M{idx}.sp;
tp = M{idx}.tp;
end
% 1 生成水扩散模型函数
function WDM = getWaterDiffusionModel(MAP,sp,diffconst,showflag)
% {初始化模型} Water Diffusion Model
[M,N] = size(MAP);
WDM = zeros(M,N); % 扩展顺序的记录
WDMtmp = zeros(M,N);
WDMtmp(sp(1),sp(2)) = 1;
% {初始化水流参数}
SAN = sum(WDMtmp(:)>1); % 记录水流过的区域面积 Scaned Areas Number
SANtmp = SAN; % 记录水流过的区域面积(上一步)
NCC = 0; % 面积不变计数器 No Changed Counter
iter = 1; % 扩散迭代次数
while NCC < 2/diffconst % 连续迭代多次面积不发生变化则停止
% 水流四向扩展
WDMtmp(1:end-1 ,:) = WDMtmp(1:end-1 ,:) + diffconst * WDMtmp(2:end,:);
WDMtmp(2:end,:) = WDMtmp(2:end,:) + diffconst * WDMtmp(1:end-1 ,:);
WDMtmp(:,1:end-1 ) = WDMtmp(:,1:end-1 ) + diffconst * WDMtmp(:,2:end );
WDMtmp(:,2:end) = WDMtmp(:,2:end) + diffconst * WDMtmp(:,1:end-1 );
% 障碍物处禁止扩展
WDMtmp(MAP) = 0;
% 记录本次扩展的区域
WDM(logical(WDMtmp>1 & ~WDM)) = iter;
% 更新已扫描过的区域的面积
SAN = sum(WDMtmp(:)>1);
% 判断
if abs(SAN-SANtmp) > 0
iter = iter + 1;
if showflag
imshow(WDM)
drawnow
end
else
NCC = NCC + 1;
end
SANtmp = SAN;
end
WDM(WDM == 0) = nan; % 无法抵达的区域除去
% {处理边缘值}
% 扩展矩阵
HB = nan*ones(size(WDM)+2);
HB(2:end-1,2:end-1) = WDM;
% 最大值滤波
HM = max(cat(3,HB(1:end-2,1:end-2),...
HB(1:end-2,2:end-1),...
HB(1:end-2,3:end ),...
HB(2:end-1,1:end-2),...
HB(2:end-1,3:end ),...
HB(3:end ,1:end-2),...
HB(3:end ,2:end-1),...
HB(3:end ,3:end )),[],3);
% 水墙替换原始边缘
WDM(isnan(WDM)) = HM(isnan(WDM))+1;
end
% 2 梯度下降找路径
function Route = getRoute(MAP,WDM,sp,tp,stepLen,showflag)
% {初始化路径}
[M,N] = size(MAP);
Route = ones(numel(MAP),2)*nan;
Route(1,:) = tp;
% {计算梯度场}
[Gy,Gx] = gradient(-WDM);
iter = 0;
continflag = 1;
if showflag
imshow(MAP),hold on
plot(Route(1,2),Route(1,1),'b.')
axis([0 M 0 N])
end
3 运行结果
4 参考文献
[1]陶志远. 带电作业机器人及其路径规划研究.
博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,相关matlab代码问题可私信交流。
部分理论引用网络文献,若有侵权联系博主删除。