matlab基于蚁群算法的二维路径规划算法【matlab优化算法二十二】.pdf

matlab基于蚁群算法的⼆维路径规划算法【matlab优化算法⼆⼗⼆】

基于蚁群算法的⼆维路径规划算法

路径规划算法

路径规划算法是指在有障碍物的⼯作环境中寻⼀条从起点到终点的、⽆碰撞地绕过所有障碍物的运动路径。路径规划算法较多，⼤体上可

分为全局路径规划算法和局部路径规划算法两类。其中，全局路径规划⽅法包括位形空间法、⼴义锥⽅法、顶点图像法、栅格划归法；局部

路径规划算法主要有⼈⼯势场法等。

MAKLINK图论理论

MAKLINK图论可以建⽴⼆维路径规划的空间模型，MAKLINK图论通过⽣成⼤量的MAKLINK线构造⼆维路径规划可⾏空间，MAKLINK

线定义为两个障碍物之间不与障碍物相交的顶点之间的连线，以及障碍物顶点与边界相交的连线。典型MAKLINE图形如图所⽰。

在MAKLINK图上存在l条⾃由连接线，连接线的中点依次为v,v，…，v，连接所有MAKLINK线的中点加上始点S和终点T构成⽤于初始路径

规划的⽆向⽹络图

蚁群算法

蚁群算法是由dorigo.M等⼈在20世纪90年代初提出的⼀种新型进化算法，它来源于对蚂蚁搜索问题的研究。⼈们在观察蚂蚁搜索⾷物时

发现，蚂蚁在寻⾷物时，总在⾛过的路径上释放⼀种称为信息素的分泌物，信息素能够保留⼀段时间，使得在⼀定范围内的其他蚂蚁能够

觉察到该信息素的存在。后继蚂蚁在选择路径时，会选择信息素浓度较⾼的路径，并且在经过时留下⾃⼰的信息素这样该路径的信息素会不

断增强，蚂蚁选择的概率也在不断增⼤蚁群算法最优路径寻如图。

图表达了蚂蚁在觅⾷过程中的三个过程，其中点A是蚂蚁蚁巢，点D是⾷物所在地，四边形EBFCE表⽰在蚁巢和⾷物之间的障碍物。蚂蚁如

果想从蚁巢点A达到点D，只能经过路径BFC或者路径BEC，假定从蚁巢中出来若⼲只蚂蚁去⾷物所在地D搬运⾷物，每只蚂蚁经过后留下

的信息素为1，信息素保留的时间为1.⼀开始，路径BFC和BEC上都没有信息素，在点A的蚂蚁可以随机选择路径，蚂蚁以相同的概率选择

路径BFC或BEC，如图（b）所⽰。由于BFC路径长度只是BEC路径长度的⼀半，所以在⼀段时间内经过BFC到达点D的蚂蚁数量是经过

BEC到达点D数量的两倍，在路径BFC上积累的信息素的浓度就是在路径BEC上积累的信息素浓度的两倍。这样在蚂蚁选择路径的时候，选

择路径BFC的概率⼤于选择路径BEC的概率，随着时间的推移，蚂蚁将以越来越⼤的概率选择路径BFC，最终会完全选择路径BFC作为从蚁

巢出发到⾷物源的路径，如图（c）所⽰。

dijkstra算法

dijkstra算法是典型的单源最短路径算法，⽤于计算⾮负权值图中⼀个节点到其他所有节点的最短路径，其基本思想是把带权图中所有节点

分为两组，第1组包括已确定最短路径的节点，第2组为未确定最短路径的节点。按最短路径长度递增的顺序逐个把第2组的节点加⼊第1组

中，直到从源点出发可到达的所有节点都包含在第1组中。

dijkstra算法流程如下：

（1）初始化存放未确定最短路径的节点集合V和已确定最短路径的节点集合S，利⽤带权图的邻接矩阵arcs初始化原点到其他节点最短路径

长度D，如果源点到其他节点有连接弧，对应的值为连接弧的权值，否则对应的值取为极⼤值

（2）选择D中的最⼩值D【i】,D【i】是源点到点i的最短路径长度，把点i从集合V中取出并放⼊集合S中。

（3）根据节点i修改更新数组D中源点到集合V中的节点k对应的路径长度值

（4）重复步骤（2）与步骤（3）的操作，直⾄出源点到所有节点的最短路径为⽌。

采⽤蚁群算法在200×200的⼆维空间中寻⼀条从起点S到终点T的最优路径，该⼆维空间中存在4个障碍物，障碍物1的4个顶点的坐标

分别为（40140；60160；

100140；60120），障碍物2的4个顶点分为别（5030；3040；8080；10040），障碍物3的4个顶点分别为（120160；

140100；180170；165180），障碍物4的3个顶点分别为（12040；17040；14080），其中点S为起点，起点坐标为

（20,180）；点T为终点，终点坐标为（160,90）。⼆维规划空间如图所⽰。

dijkstra算法

采⽤dijkstra算法规划初始路径，其算法思想是先计算点点之间的距离，然后依次计算各点到出发点的最短距离，程序如下：

functionpath=DijkstraPlan(position,sign)