错误的基于遗传算法的机器人路径规划MATLAB源码,求高人指点

1、基于遗传算法的机器人路径规划MATLAB源码算法的思路如下：取各障碍物顶点连线的中点为路径点，相互连接各路径点，将机器人移动的起点和终点限制在各路径点上，利用Dijkstra算法来求网络图的最短路径，找到从起点P1到终点Pn的最短路径，由于上述算法使用了连接线中点的条件，不是整个规划空间的最优路径，然后利用遗传算法对找到的最短路径各个路径点Pi (i=1,2,n)调整，让各路径点在相应障碍物端点连线上滑动，利用Pi= Pi1+ti×(Pi2-Pi1)（ti0,1 i=1,2,n）即可确定相应的Pi，即为新的路径点，连接此路径点为最优路径。function

2、 L1,XY1,L2,XY2=JQRLJGH(XX,YY)% 基于Dijkstra和遗传算法的机器人路径规划演示程序%输入参数在函数体内部定义%输出参数为%  L1    由Dijkstra算法得出的最短路径长度%  XY1   由Dijkstra算法得出的最短路径经过节点的坐标%  L2    由遗传算法得出的最短路径长度%  XY2   由遗传算法得出的

3、最短路径经过节点的坐标%程序输出的图片有%  Fig1  环境地图（包括：边界、障碍物、障碍物顶点之间的连线、Dijkstra的网络图结构）%  Fig2  由Dijkstra算法得到的最短路径%  Fig3  由遗传算法得到的最短路径%  Fig4  遗传算法的收敛曲线（迄今为止找到的最优解、种群平均适应值）% 画Fig1figure(1);PlotGraph;title('地形图及网络拓扑结构')PD=in

4、f*ones(26,26);for i=1:26    for j=1:26        if D(i,j)=1            x1=XY(i,5);            y1=XY(i,6);&#

5、160;           x2=XY(j,5);            y2=XY(j,6);            dist=(x1-x2)2+(y1-y2)2)0.5;      &

6、#160;     PD(i,j)=dist;        end    endend% 调用最短路算法求最短路s=1;%出发点t=26;%目标点L,R=ZuiDuanLu(PD,s,t);L1=L(end);XY1=XY(R,5:6);% 绘制由最短路算法得到的最短路径figure(2);PlotGraph;hold onfor i=1:(length(R)-1) 

7、0;  x1=XY1(i,1);    y1=XY1(i,2);    x2=XY1(i+1,1);    y2=XY1(i+1,2);    plot(x1,x2,y1,y2,'k');    hold onendtitle('由Dijkstra算法得到的初始路径')% 使用遗传算法进一步寻找最短路%第一步：变量初始化M=5

8、0;%进化代数设置N=20;%种群规模设置Pm=0.3;%变异概率设置LC1=zeros(1,M);LC2=zeros(1,M);Yp=L1;%第二步：随机产生初始种群X1=XY(R,1);Y1=XY(R,2);X2=XY(R,3);Y2=XY(R,4);for i=1:N    farmi=rand(1,aaa);end% 以下是进化迭代过程counter=0;%设置迭代计数器while counter<M%停止条件为达到最大迭代次数       

9、 % 第三步：交叉    %交叉采用双亲双子单点交叉    newfarm=cell(1,2*N);%用于存储子代的细胞结构    Ser=randperm(N);%两两随机配对的配对表    A=farmSer(1);%取出父代A    B=farmSer(2);%取出父代B    P0=unidrnd(aaa-1);%随机选择交叉点&

10、#160;   a=A(:,1:P0),B(:,(P0+1):end);%产生子代a    b=B(:,1:P0),A(:,(P0+1):end);%产生子代b    newfarm2*N-1=a;%加入子代种群    newfarm2*N=b;    for i=1:(N-1)        A=farmSer(i)

11、;        B=farmSer(i+1);        newfarm2*i=b;    end    FARM=farm,newfarm;%新旧种群合并        % 第四步：选择复制    SER=randperm

12、(2*N);    FITNESS=zeros(1,2*N);    fitness=zeros(1,N);    for i=1:(2*N)        PP=FARMi;        FITNESS(i)=MinFun(PP,X1,X2,Y1,Y2);%调用目标函数   

13、 end    for i=1:N        f1=FITNESS(SER(2*i-1);        f2=FITNESS(SER(2*i);        if f1<=f2        el

14、se            farmi=FARMSER(2*i);            fitness(i)=FITNESS(SER(2*i);        end    end     

15、;   %记录最佳个体和收敛曲线    minfitness=min(fitness);    meanfitness=mean(fitness);    if minfitness<Yp        pos=find(fitness=minfitness);       

16、0;Xp=farmpos(1);        Yp=minfitness;    end    if counter=10        PPP=0.5,Xp,0.5'        PPPP=1-PPP;    

17、60;   X=PPP.*X1+PPPP.*X2;        Y=PPP.*Y1+PPPP.*Y2;        XY2=X,Y;        figure(3)        PlotGraph;   

18、0;    hold on        for i=1:(length(R)-1)            x1=XY2(i,1);            y1=XY2(i,2);   &#

19、160;        x2=XY2(i+1,1);            y2=XY2(i+1,2);            plot(x1,x2,y1,y2,'k');       

20、0;    hold on        end        title('遗传算法第10代')        hold on        for i=1:(length(R)-1)

21、0;           x1=XY1(i,1);            y1=XY1(i,2);            x2=XY1(i+1,1);        &#

22、160;   y2=XY1(i+1,2);            plot(x1,x2,y1,y2,'k','LineWidth',1);            hold on        end 

23、;   end        if counter=20        PPP=0.5,Xp,0.5'        PPPP=1-PPP;        X=PPP.*X1+PPPP.*X2;   &

24、#160;    Y=PPP.*Y1+PPPP.*Y2;        XY2=X,Y;        figure(4)        PlotGraph;        hold on   

25、60;    for i=1:(length(R)-1)            x1=XY2(i,1);            y2=XY2(i+1,2);            plot(

26、x1,x2,y1,y2,'k');            hold on        end        title('遗传算法第20代')        hold on &

27、#160;      for i=1:(length(R)-1)            x1=XY1(i,1);            y1=XY1(i,2);           

28、; x2=XY1(i+1,1);            y2=XY1(i+1,2);            plot(x1,x2,y1,y2,'k','LineWidth',1);           

29、60;hold on        end    end    if counter=30        PPP=0.5,Xp,0.5'        PPPP=1-PPP;      

30、60; X=PPP.*X1+PPPP.*X2;        Y=PPP.*Y1+PPPP.*Y2;        XY2=X,Y;        figure(5)        PlotGraph;     

31、0;  hold on        for i=1:(length(R)-1)            x1=XY2(i,1);            y1=XY2(i,2);     &#

32、160;      x2=XY2(i+1,1);            y2=XY2(i+1,2);            plot(x1,x2,y1,y2,'k');         

33、0;  hold on        end        title('遗传算法第30代')        hold on        for i=1:(length(R)-1)  

34、0;         x1=XY1(i,1);            y2=XY1(i+1,2);            plot(x1,x2,y1,y2,'k','LineWidth',1);   

35、0;        hold on        end    end    if counter=40        PPP=0.5,Xp,0.5'        PPP

36、P=1-PPP;        X=PPP.*X1+PPPP.*X2;        Y=PPP.*Y1+PPPP.*Y2;        XY2=X,Y;        figure(6)       

37、60;PlotGraph;        hold on        for i=1:(length(R)-1)            x1=XY2(i,1);           

38、60;y1=XY2(i,2);            x2=XY2(i+1,1);            y2=XY2(i+1,2);            plot(x1,x2,y1,y2,'k');  

39、;          hold on        end        title('遗传算法第40代')        hold on       &

40、#160;for i=1:(length(R)-1)            x1=XY1(i,1);            y1=XY1(i,2);            x2=XY1(i+1,1);  

41、60;         y2=XY1(i+1,2);            plot(x1,x2,y1,y2,'k','LineWidth',1);            hold on   

42、60;    end    end    if counter=50        PPP=0.5,Xp,0.5'        PPPP=1-PPP;        X=PPP.*X1+PPPP.*X2; &#

43、160;      Y=PPP.*Y1+PPPP.*Y2;        XY2=X,Y;        figure(7)        PlotGraph;        hold on 

44、0;      for i=1:(length(R)-1)            x1=XY2(i,1);            y1=XY2(i,2);           &#

45、160;x2=XY2(i+1,1);            y2=XY2(i+1,2);            plot(x1,x2,y1,y2,'k');            hold on 

46、0;      end        title('遗传算法第50代')        hold on        for i=1:(length(R)-1)        

47、0;   x1=XY1(i,1);            y1=XY1(i,2);            x2=XY1(i+1,1);            y2=XY1(i+1,2);  

48、          plot(x1,x2,y1,y2,'k','LineWidth',1);            hold on        end    end    &#

49、160;   LC2(counter+1)=Yp;    LC1(counter+1)=meanfitness;        % 第五步：变异    for i=1:N        if Pm>rand&&pos(1)=i            AA=farmi;            AA(POS)=rand;            farmi=AA;  &#