【路径规划】A_Star算法求解六边形栅格地图路径规划【含Matlab源码 2623期】

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

🔊博主简介：985研究生，Matlab领域科研开发者；

🚅座右铭：行百里者，半于九十。

🏆代码获取方式：
优快云 Matlab武动乾坤—代码获取方式

更多Matlab路径规划仿真内容点击👇
①Matlab路径规划（进阶版）

⛳️关注优快云 Matlab武动乾坤，更多资源等你来！！

⛄一、A_star算法简介

1 A Star算法及其应用现状
进行搜索任务时提取的有助于简化搜索过程的信息被称为启发信息.启发信息经过文字提炼和公式化后转变为启发函数.启发函数可以表示自起始顶点至目标顶点间的估算距离, 也可以表示自起始顶点至目标顶点间的估算时间等.描述不同的情境、解决不同的问题所采用的启发函数各不相同.我们默认将启发函数命名为H (n) .以启发函数为策略支持的搜索方式我们称之为启发型搜索算法.在救援机器人的路径规划中, A Star算法能结合搜索任务中的环境情况, 缩小搜索范围, 提高搜索效率, 使搜索过程更具方向性、智能性, 所以A Star算法能较好地应用于机器人路径规划相关领域.

2 A Star算法流程
承接2.1节, A Star算法的启发函数是用来估算起始点到目标点的距离, 从而缩小搜索范围, 提高搜索效率.A Star算法的数学公式为:F (n) =G (n) +H (n) , 其中F (n) 是从起始点经由节点n到目标点的估计函数, G (n) 表示从起点移动到方格n的实际移动代价, H (n) 表示从方格n移动到目标点的估算移动代价.

如图2所示, 将要搜寻的区域划分成了正方形的格子, 每个格子的状态分为可通过(walkable) 和不可通过 (unwalkable) .取每个可通过方块的代价值为1, 且可以沿对角移动 (估值不考虑对角移动) .其搜索路径流程如下:

图2 A Star算法路径规划
Step1:定义名为open和closed的两个列表;open列表用于存放所有被考虑来寻找路径的方块, closed列表用于存放不会再考虑的方块;
Step2:A为起点, B为目标点, 从起点A开始, 并将起点A放入open列表中, closed列表初始化为空;
Step3:查看与A相邻的方格n (n称为A的子点, A称为n的父点) , 可通过的方格加入到open列表中, 计算它们的F, G和H值.将A从open移除加入到closed列表中;
Step4:判断open列表是否为空, 如果是, 表示搜索失败, 如果不是, 执行下一步骤;
Step5:将n从open列表移除加入到closed列表中, 判断n是否为目标顶点B, 如果是, 表示搜索成功, 算法运行结束;
Step6:如果不是, 则扩展搜索n的子顶点:
a.如果子顶点是不可通过或在close列表中, 忽略它.
b.子顶点如果不在open列表中, 则加入open列表, 并且把当前方格设置为它的父亲, 记录该方格的F, G和H值.
Step7:跳转到步骤Step4;
Step8:循环结束, 保存路径.从终点开始, 每个方格沿着父节点移动直至起点, 即是最优路径.A Star算法流程图如图3所示.

图3 A Star算法流程

⛄二、部分源代码

clc
clear
close all
load(‘data.mat’)
model1=[0.1 0.5 1 0.8 1 1];
model2=[0.8 0.1 1 0.5 1 1];
w=[0.34 0.33 0.33];%总评价指数修正系数
select_n=2;%选择A或B棋子
if select_n==1
model=model1;
else
model=model2;
end
fai=0.8;%深海路径指数
figure(1)
hold on
axis([h_x(1,1)-1.1l_six h_x(1,end)+1.1l_six h_y(1,1)-1.1l_six h_y(end,2)+1.1l_six])
axis off
%% 设置图的大小和位置
set(gcf,‘position’,[200,10,650col/row,750]);
yanse={‘b’,‘b’,‘y’,‘b’,‘g’,‘k’};%海域颜色
face_num=[1,0.6,1,0.2,1,0.8];%海域透明度
for i=1:row
for j=1:col
x=h_x(i,j)+l_sixcos(alphy);
y=h_y(i,j)+l_sixsin(alphy);
h=fill(x,y,yanse{h_data(i,j)});
set(h,‘facealpha’,face_num(h_data(i,j)))
if threaten_data(i,j)==1
h=fill(x,y,‘r’,‘edgealpha’,0);
set(h,‘facealpha’,0.6)
end
text(h_x(i,j)-l_six/2.7,h_y(i,j)+l_six0.6,[num2str(i),‘-’,num2str(j)],‘FontSize’,90/row)
end
end

%% 坐标轴反转
set(gca,‘YDir’,‘reverse’);

%% 获取图上坐标点
disp(‘请选择起点！’)
[A(1),A(2)]=ginput(1);
x1=h_x(😃;
y1=h_y(😃;
temp=[x1 y1];
dis=((A(1)-x1).^2+(A(2)-y1).2).^0.5;
[~,s_node]=min(dis);%起点
S_coo=[x1(s_node),y1(s_node)];
plot(S_coo(1),S_coo(2), ‘p’,‘markersize’,8,‘markerfacecolor’,‘r’,‘MarkerEdgeColor’, ‘m’)
drawnow
[x_temp,y_temp]=ind2sub([row,col],s_node);
if model(h_data(x_temp,y_temp))==1
disp(‘起点选择有误，请重新选择！’)
return
end
disp(‘请选择终点！’)
[B(1),B(2)]=ginput(1);
dis=((B(1)-x1).^2+(B(2)-y1).2).^0.5;
[~,e_node]=min(dis);%终点
E_coo=[x1(e_node),y1(e_node)];
plot(E_coo(1),E_coo(2), ‘o’,‘markersize’,6,‘markerfacecolor’,‘r’,‘MarkerEdgeColor’, ‘c’)
drawnow
[x_temp,y_temp]=ind2sub([row,col],e_node);
if model(h_data(x_temp,y_temp))==1
disp(‘终点选择有误，请重新选择！’)
return
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]钱程,许映秋,谈英姿.A Star算法在RoboCup救援仿真中路径规划的应用[J].指挥与控制学报. 2017,3(03)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合