蚁群算法路径规划MATLAB栅格图实现

最新推荐文章于 2024-06-11 21:33:15 发布

宇叼雪莫涩年

最新推荐文章于 2024-06-11 21:33:15 发布

阅读量9.9k

点赞数 28

文章标签：神经网络机器学习

原文链接：https://blog.csdn.net/KantsWang/article/details/83753515

版权

蚁群算法的基本原理:
1、蚂蚁在路径上释放信息素。

2、碰到还没走过的路口，就随机挑选一条路走。同时，释放与路径长度有关的信息素。

3、信息素浓度与路径长度成反比。后来的蚂蚁再次碰到该路口时，就选择信息素浓度较高路径。

4、最优路径上的信息素浓度越来越大。

5、最终蚁群找到最优寻食路径。
基于栅格图寻找最优路径的基本蚁群的两个过程:

(1)状态转移
为了避免残留信息素过多而淹没启发信息，在每只蚂蚁走完一步或者完成对所有n个城市的遍历(也即一个循环结束)后，要对残留信息进行更新处理。

由此，t+n时刻在路径(i,j)上的信息量可按如下规则进行调整
在这里插入图片描述
(2)信息素更新
1.主要参数

2.蚁群算法公式

3.更新规则

（3）代码如下

clear all
clc
G=[ 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 
    0 0 1 0 1 0 0 1 1 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 1 1 0 0 0 1 0 1 1 0 1 0 0 1 0 1 0 0 
    1 0 0 1 0 0 1 0 1 0 0 0 1 0 1 0 0 1 0 0 
    0 0 0 1 0 0 0 1 0 0 0 1 0 0 1 1 0 0 0 0 
    0 1 0 1 1 1 0 0 1 1 0 0 0 1 0 0 1 0 0 0 
    0 1 0 1 0 0 0 0 0 1 1 1 1 0 0 0 0 0 1 0 
    0 0 0 0 1 0 1 0 0 0 1 0 0 0 0 1 1 1 0 0 
    0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 
    0 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 
    0 0 0 1 0 1 0 0 0 0 1 0 1 0 0 0 0 0 0 0
    0 0 0 0 0 1 0 1 1 1 0 0 0 1 0 0 0 0 0 0
    0 0 0 0 1 0 1 0 0 0 0 0 1 0 1 0 0 0 0 0
    0 0 0 1 0 0 1 0 0 0 0 1 0 0 0 1 1 0 0 0
    0 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 0 1 1 0
    1 1 1 1 1 0 0 1 1 1 0 0 1 0 1 0 0 0 0 1
    0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 1 0 0
    0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 0 0
    0 0 0 0 0 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0
    ];
 
  MM = size(G,1);
    figure(3)
    axis([0,MM,0,MM])
    for i=1:MM
        for j=1:MM
            if G(i,j)==1
                x1=j-1;y1=MM-i;
                x2=j;y2=MM-i;
                x3=j;y3=MM-i+1;
                x4=j-1;y4=MM-i+1;
                fill([x1,x2,x3,x4],[y1,y2,y3,y4],[0.3,0.3,0.3]);
                hold on
            else
                x1=j-1;y1=MM-i;
                x2=j;y2=MM-i;
                x3=j;y3=MM-i+1;
                x4=j-1;y4=MM-i+1;
                fill([x1,x2,x3,x4],[y1,y2,y3,y4],[1,1,1]);
                hold on
           end
        end
    end
 %把栅格地图转为邻接矩阵
MM=size(G,1);%返回G的行数
D=zeros(MM*MM,MM*MM);%N表示问题的规模（象素个数）返回矩阵D行数
a=1;%小方格象素的边长
% Ex=a*(mod(E,MM)-0.5);%终止点横坐标 a乘以变量E对MM（行）取余(得到列)后减0.5 即所处列
% if Ex==-0.5
%     Ex=MM-0.5;
% end
% Ey=a*(MM+0.5-ceil(E/MM));%E/MM结果取整 终止点纵坐标
% Eta=zeros(1,N);%启发式信息，取为至目标点的直线距离的倒数 初始信息素矩阵
for i= 1:MM
   for j=1:MM 
       if G(i,j)==0
           for m=1:MM
               for n=1:MM
                   if G(m,n)==0
                       im=abs(i-m);
                       jn=abs(j-n);
                       if(im+jn==1)||(im==1&&jn==1)
                           D((i-1)*MM+j,(m-1)*MM+n)=(im+jn)^0.5;
                       end                       
                   end
               end
           end
       end
   end
end
for i= 1:MM
   for j=1:MM 
       if G(i,j)==1
           for m=1:MM
               for n=1:MM
                   if G(m,n)==1
                       im=abs(i-m);
                       jn=abs(j-n);
                       if(im==1&&jn==1)
                           if j>n
                               if i>m
                               D((i-2)*MM+j,(i-1)*MM+j-1)=0;  %YY=(i-2)*MM+j;
                               end
                               if i<m
                                D(i*MM+j,(i-1)*MM+j-1)=0; %YY=i*MM+j;
                               end
                                     %%XX=(i-1)*MM+j-1;
                           end
                           if j<n
                               %XX=(i-1)*MM+j+1;
                               if i>m
                               D((i-2)*MM+j,(i-1)*MM+j+1)=0;  %YY=(i-2)*MM+j;
                               end
                               if i<m
                                D(i*MM+j,(i-1)*MM+j+1)=0; %YY=i*MM+j;
                               end
                           end
                           
                       end                       
                   end
               end
           end
       end
   end
end
N=size(D,1);
%下面构造启发式信息矩阵
Eta=zeros(1,N);%启发式信息，取为至目标点的直线距离的倒数 初始信息素矩阵
for i=1:MM
    for j=1:MM
        Eta(1,(i-1)*MM+j)=((MM-i)^2+(MM-j)^2)^0.5;      
    end
end
Eta(1,MM*MM)=0.01;
K=100;
S=1;
M=50;
p = 2 ;
Alpha= 1.5 ;                       %% Alpha表征信息素重要程度的参数
Beta = 6 ;                          % %  Beta表征启发式因子重要程度的参数
Rho = 0.2;  % Rho信息素蒸发系数
sim= 0.3 ;     %西格玛
Q = 1 ;                               % Q信息素增加强度系数
minkl = inf ;
minkm = inf ;
N=size(D,1);
minl = 0 ;
Tau=ones(N,N);%信息素
ROUTES=cell(K,M);%用细胞结构存储每一代的每一只蚂蚁的爬行路线 蚂蚁个数*迭代次数矩阵，每个元素是一个结构
PL=zeros(K,M);%用矩阵存储每一代的每一只蚂蚁的爬行路线长度
%% -----------启动K轮蚂蚁觅食活动，每轮派出M只蚂蚁--------------------
tic
for k=1:K
    %disp(k);
    for m=1:M
%%     第一步：状态初始化
        W=S;%当前节点初始化为起始点
        Path=S;%爬行路线初始化
        pathlength=0;%爬行路线长度初始化
        Tabu=ones(1,N); %生成禁忌列表,所有节点均未走过，所以都置为1
        Tabu(S)=0;%已经在初始点了，因此要排除
        DD=D;%邻接矩阵初始化
%%     第二步：下一步可以前往的节点
        DW=DD(W,:);
        LJD=find(DW>0);%可选节点集 即返回可以走的节点坐标<矩阵编号>
        Len_LJD=length(LJD);%计数 可选节点的个数 
%%     觅食停止条件：蚂蚁未遇到食物或者陷入死胡同
        while Len_LJD>=1&&W~=N  %W~=E&&
%%         第三步：转轮赌法选择下一步怎么走
            node=zeros(1,Len_LJD); %遍历可选节点
            for i=1:Len_LJD
                 node(i)=(Tau(W,LJD(i))^Alpha)*((1/Eta(1,LJD(i)))^Beta); %w行i个节点
            end
            node=node/(sum(node));%建立概率分布 把各个路径的概率统一到和为1；
            Pcum=cumsum(node);  %node累计值 
            Select=find(Pcum>=rand);%产生任意0~1之间的随机数，轮盘赌算法，尽量避免陷入局部最优解
            to_visit=LJD(Select(1));%下一步将要前往的节点
%%         第四步：状态更新和记录
            Path=[Path,to_visit];%路线节点增加
            pathlength=pathlength+DD(W,to_visit);%路径长度增加，记录本次迭代最佳路线长度，每只蚂蚁都有自己走过的长度记录在向量中。
            W=to_visit;%蚂蚁移到下一个节点
            %N：所有点
            for n=1:N
                if Tabu(n)==0    %禁忌列表
                    DD(W,n)=0;  %在此次循环中设置为不可达   
                    DD(n,n)=0;
                end
            end
            Tabu(W)=0;%已访问过的节点从禁忌表中删除
            DW=DD(W,:);
            LJD=find(DW>0);%可选节点集
            Len_LJD=length(LJD);%可选节点的个数
        end
%%     第五步：记下每一代每一只蚂蚁的觅食路线和路线长度
        ROUTES{k,m}=Path; %第k次迭代 第m只蚂蚁的路线
        if Path(end)==N
            PL(k,m)=pathlength; %到达目标点的路线长度
        else
            PL(k,m)=inf;  %进入死胡同
        end
    end
%% 第六步：更新信息素
    Delta_Tau=zeros(N,N);%更新量初始化
    for mm=1:M %M只蚂蚁
        if PL(k,mm)<inf %顺利到达目标点的蚂蚁路线长度
            ROUT=ROUTES{k,mm}; %具体路线
            TS=length(ROUT)-1; %跳数 蚂蚁转移次数
            PL_km=PL(k,mm);%路线长度
            for s=1:TS
                x=ROUT(s); %上一个节点
                y=ROUT(s+1); %下一个节点
                Delta_Tau(x,y)=Delta_Tau(x,y)+Q/PL_km; %(x,y)即两个节点之间的关系(信息素量) 系数除以路线长度
                Delta_Tau(y,x)=Delta_Tau(y,x)+Q/PL_km;
            end
        end
    end
    Tau=(1-Rho).*Tau+Delta_Tau;%信息素挥发一部分，新增加一部分
end
toc
%% ---------------------------绘图--------------------------------
figure(4)
axis([0,K,0,20])
for i=1:K
   ggb=PL(i,:);
   mmmda(i)=sum(ggb)/50;
end
plot(mmmda)
plotif=1; %是否绘图的控制参数
if plotif==1
    %绘收敛曲线
   
    meanPL=zeros(1,K); %k：迭代次数
    minPL=zeros(1,K);
    for i=1:K
        PLK=PL(i,:); %将第i次迭代爬行路线长度赋值给PLK
        Nonzero=find(PLK<inf);%返回一系列可行路线的编号
        if length(Nonzero)~=0
            PLKPLK=PLK(Nonzero);%留下可行路线，重新排列
            meanPL(i)=mean(PLKPLK); %求取这次可行路径的平均值
            minPL(i)=min(PLKPLK);%提出最小路径
        end
    end
end

plotif3=1;%绘最短蚂蚁爬行图
if plotif3==1
    figure(2)
    axis([0,MM,0,MM])
    for i=1:MM
        for j=1:MM
            if G(i,j)==1
                x1=j-1;y1=MM-i;
                x2=j;y2=MM-i;
                x3=j;y3=MM-i+1;
                x4=j-1;y4=MM-i+1;
                fill([x1,x2,x3,x4],[y1,y2,y3,y4],[0.2,0.2,0.2]);
                hold on
            else
                x1=j-1;y1=MM-i;
                x2=j;y2=MM-i;
                x3=j;y3=MM-i+1;
                x4=j-1;y4=MM-i+1;
                fill([x1,x2,x3,x4],[y1,y2,y3,y4],[1,1,1]);
                hold on
            end
        end
    end
    minmumPLK=inf;
    for k=1:K
        PLK=PL(k,:); %将第k次迭代爬行路线长度赋值给PLK
        minPLK=min(PLK);
        if(minPLK<minmumPLK)
        pos=find(PLK==minPLK); %找到与最短爬行路线长度相等的路径标号
        minmumPLK=minPLK;
        minm=pos(1);
        mink=k ; %迭代k次
        end
    end
        ROUT=ROUTES{mink,minm}; %找出最小路径路线
        LENROUT=length(ROUT);
        Rx=ROUT;
        Ry=ROUT;
    for ii=1:LENROUT
            Rx(ii)=a*(mod(ROUT(ii),MM)-0.5);
            if Rx(ii)==-0.5
                Rx(ii)=MM-0.5;
            end
            Ry(ii)=a*(MM+0.5-ceil(ROUT(ii)/MM));
     end
        plot(Rx,Ry)
        hold on
end

欢迎使用Markdown编辑器

你好！这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

全新的界面设计 ，将会带来全新的写作体验；
在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
全新的 KaTeX数学公式 语法；
增加了支持甘特图的mermaid语法¹ 功能；
增加了 多屏幕编辑 Markdown文章功能；
增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

~~删除文本~~

引用文本

H₂O is是液体。

2¹⁰ 运算结果是 1024.

插入链接与图片

链接: link.

图片: Alt

带尺寸的图片:

居中的图片: Alt

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

项目
- 项目
  - 项目

项目1
项目2
项目3

计划任务
完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE	ASCII	HTML
Single backticks	`'Isn't this fun?'`	‘Isn’t this fun?’
Quotes	`"Isn't this fun?"`	“Isn’t this fun?”
Dashes	`-- is en-dash, --- is em-dash`	– is en-dash, — is em-dash

创建一个自定义列表

Markdown

Text-to- HTML conversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 $\Gamma(n) = (n-1)!\quad\forall n\in\mathbb N$ 是通过欧拉积分

$\Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,.$

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

关于 甘特图 语法，参考这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：

这将产生一个流程图。:

关于 Mermaid 语法，参考这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

关于 Flowchart流程图 语法，参考这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

mermaid语法说明 ↩︎
注脚的解释 ↩︎

宇叼雪莫涩年

关注

28
点赞
踩
197

收藏

觉得还不错? 一键收藏
11
评论
蚁群算法路径规划MATLAB栅格图实现

蚁群算法路径规划蚁群算法的基本原理:1、蚂蚁在路径上释放信息素。2、碰到还没走过的路口，就随机挑选一条路走。同时，释放与路径长度有关的信息素。3、信息素浓度与路径长度成反比。后来的蚂蚁再次碰到该路口时，就选择信息素浓度较高路径。4、最优路径上的信息素浓度越来越大。5、最终蚁群找到最优寻食路径。基于栅格图寻找最优路径的基本蚁群的两个过程:(1)状态转移为了避免残留信息素过多而淹没启发信息，在每只蚂蚁走完一步或者完成对所有n个城市的遍历(也即一个循环结束)后，要对残留信息进行更新处理。由此，
复制链接

扫一扫