基于蚁群算法地机器人路径规划AntColonyAlgorithm.pdf

基于蚁群算法的机器人路径规划 说明： 基于蚁群算法的机器人路径规划，使用网格离散化的方法对带有障碍物的环境 建模，使用邻接矩阵存储该环境，使得问题转化为蚁群算法寻找最短路径。 使用网格离散化的方法对带有障碍物的环境建模， 使用邻接矩阵存储该环境， 使得问题转化 为蚁群算法寻找最短路径。 % ACASP.m % 蚁群算法动态寻路算法 % GreenSim 团队原创作品，转载请注明 % Email:greensim@163.com %% % 输入参数列表 % G 地形图为 01 矩阵，如果为 1 表示障碍物 % Tau 初始信息素矩阵（认为前面的觅食活动中有残留的信息素） % K 迭代次数（指蚂蚁出动多少波） % M 蚂蚁个数（每一波蚂蚁有多少个） % S 起始点（最短路径的起始点） % E 终止点（最短路径的目的点） % Alpha 表征信息素重要程度的参数 % Beta 表征启发式因子重要程度的参数 % Rho 信息素蒸发系数 % Q 信息素增加强度系数 % % 输出参数列表 % ROUTES 每一代的每一只蚂蚁的爬行路线 % PL 每一代的每一只蚂蚁的爬行路线长度 % Tau 输出动态修正过的信息素 %% 变量初始化 %load D=G2D(G); N=size(D,1);%N 表示问题的规模（象素个数） MM=size(G,1); a=1;% 小方格象素的边长 Ex=a*(mod(E,MM)-0.5);% 终止点横坐标 if Ex==-0.5 Ex=MM-0.5; end Ey=a*(MM+0.5-ceil(E/MM));% 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 %下面构造启发式信息矩阵 for i=1:N ix=a*(mod(i,MM)-0.5); if ix==-0.5 ix=MM-0.5; end iy=a*(MM+0.5-ceil(i/MM)); if i~=E Eta(1,i)=1/((ix-Ex)^2+(iy-Ey)^2)^0.5; else Eta(1,i)=100; end end 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 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 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 PLkm=0;% 爬行路线长度初始化 TABUkm(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,:); DW1=find(DW<INF); for j=1:length(DW1) if TABUkm(DW1(j))==0 end end LJD=find(DW<INF);% 可选节点集 Len_LJD=length(LJD);% 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 W~=E&&Len_LJD>=1 %% 第三步：转轮赌法选择下一步怎么走 PP=zeros(1,Len_LJD); for i=1:Len_LJD end PP=PP/(sum(PP));% 建立概率分布 Pcum=cumsum(PP); Select=find(Pcum>=rand); 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];% 路径增加 PLkm=PLkm+DD(W,to_visit);% 路径长度增加 W=to_visit;% 蚂蚁移到下一个节点 f