麻雀搜索算法机器臂轨迹规划（文末附代码）

---

前言

---

一、机器臂轨迹规划

在移动机器人的运动规划中，机器人往往是以一个点存在。 对移动机器人的规划，更多的是使用各种 搜索算法，在已经构建好的地图模型上，搜索出一条 从起始点到终止点的路径曲线。 采用传统轨迹规划 算法进行分析时只考虑机械臂动力控制过程的非线 性特征与电机转速的制约，该方式导致规划轨迹无法 完全发挥出机械臂应有的控制性能

二、麻雀搜索算法

1.算法介绍

麻雀搜索算法是近两年提出的新兴群智能优化算法，具备算法原理简单、收敛速度快等优势。该算法基于麻雀种群的社会行为将麻雀个体分为发现、加入者以及警戒者，发现者能力较强可以找到食物并为同类指明方向，公式为：

式中:t和T分别为算法当前以及最大更新次数，∝为随机数，其取值范围为1,1;Q同样为随机数，但服从正态分布;L为所有元素都是1的行短阵，其列数由待求解问题维度确定;R2为大于0小于1的预警值，ST为大于0.5小于1的安全值。

加入者则通过观察发现者的食物来源以便取而代之，公式为:

式中:Xp(t+1)为所有发现者中位置更新后的最佳位置;A+ = AT(AAT)-1其中，A为所有元素随机取值为1或-1的行矩阵，列数为求解问题维度;Xworst为当前种群中的最劣位置;n为种群中麻雀数量.
警戒者需要时刻留意当前环境，以便发现危险立即飞往安全环境。位置更新公式为:

式中:Xbest为当前种群中的最佳位置;β为随机数且遵循标准正态分布;fi, fg, fw分别为目前个体、当前种群最优、最劣的适应度值;k在-1,1范围内随机取值，E的作用是防止分母为0.

2.部分代码

代码如下（示例）：

clear all 
clc

rng('default');

%% 载入数据
data.node=xlsread('30个坐标点.xls');
data.numNode=length(data.node(:,1));
for i=1:data.numNode
    for j=1:data.numNode
        data.D(i,j)=norm(data.node(i,:)-data.node(j,:));
    end
end

dim=data.numNode;%决策变量个数
%% 画图

%%

%% 测试函数

option.dim=dim;
lb = 0;
ub = 1;
fobj = @aimFcn_1;

%% 算法设置
%  Function_name='F8'; % Name of the test function that can be from F1 to F23 (Table 1,2,3 in the paper) 设定适应度函数
SearchAgents_no=20; % Number of search agents 种群数量
Max_iteration=20;
% Load details of the selected benchmark function
% [lb,ub,dim,fobj]=Get_Functions_details(Function_name);  %设定边界以及优化函数

[Best_pos,Best_score,SSA_curve]=SSANew(SearchAgents_no,Max_iteration,lb,ub,dim,fobj,option,data); %开始优化

figure
hold on

plot(SSA_curve,'LineWidth',2)

legend("SSA")
title('fitness curve')

str='SSA'
[~,result1]=fobj(Best_pos,option,data);
drawPc(result1,option,data,str)

---

三、总算法优化结果

fitness：

最终优化结果：

代码获取：

点击获取代码