机器人学遗传算法报告.docxVIP

在matlab上的模拟效果

地图如下，黑色为障碍物，起始点为（1，1），目标点为（20，20）

遗传算法得到的最优路径如下：

优化曲线图如下：

可以看见，在仅仅迭代15次后，平均路径长度与最优路径长度就达到了较低的水平，寻找到的路径也近似于实际最优，体现了遗传算法较高的迭代效率与优秀的实现效果。

在C++自建模拟环境上的效果

自定义地图及最优路线如下图：

可以发现遗传算法对136条道路进行了多次的迭代最终得到了一条最优路径，且该路线通过了两个障碍物之间的狭小通道，对地图的适应能力较强。

此外，这张地图的大小是matlab版的5倍以上，因此遗传算法能适用于一定大小以上的地图规模。

在ROS仿真平台上的效果

。。。

改进方向及方法：

由于是学生凭借较为粗浅的算法知识与编程能力，自己动手编写的导航算法，且缺乏相关的资料与开源，故代码在功能与效率上存在着一定的不足，需要日后的不断改进，具体改进方向如下：

对初始化路线的选择

遗传算法最基础的部分在于找到初始化群体，在路径规划上的直接体现就是从出发点到目标点的大量路线。然而这种路线的寻找本身就是一个较为困难的问题，在本组设计的算法中，仅仅考虑了由出发点与终止点作为顶点构成的矩形内部形成的路线，这种设计存在较大的局限性，故在日后的改进中，希望能结合其他的路径寻找算法，提高遗传算法对地图的适应度。

这一部分的优化，需要利用优秀的路径寻找算法，可以