【路径规划】人工蜂群优化粒子群算法避障最短路径规划【含Matlab源码 124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、人工蜂群算法简介

人工蜂群算法从提出开始, 由于其参数少, 自适应强, 受到很多研究者的追捧, 广泛应用于各大领域, 其中就包括移动机器人的路径规划领域。

人工蜂群算法的数学模型
初始化会形成一个初始食物源。即初始解 (x1, x2, …, xn, …, xN) :

式中:lbi为可行解的最小值;ubi是可行解的最大值;rand (0, 1) 生成 (0, 1) 之间的随机数;n∈{1, 2, 3, …Fn}, Fn为食物源数目。
食物源生成之后, 评价函数会对生成的食物源进行评价, 评价函数如式 (2) 所示:

式中:f (xn) 为对应的解向量xn的目标函数值。

雇佣蜂在当前食物源附近搜索新食物源的方法如式 (3) 所示:

式中:xni′为新食物源;xni为当前食物源;ε为搜索系数, 其值介于[-1, 1]之间;xki是食物源中一个不同于xni的食物源, k∈{1, 2, 3, …Fn}。

当搜索到新食物源, 雇佣蜂会对这个新食物源进行评价, 并与之前的食物源进行对比, 来决定放弃哪个食物源。

观察蜂参照雇佣蜂返回时所带来的食物源信息进行选择觅食。它们会利用食物源的评价函数来计算他们选择某个食物源的可开采的概率probabilityn, 计算方法如式 (4) 所示:

观察蜂会因个体差异, 存在各自对食物源的期望。然后将期望和可开采概率比较, 来决定观察蜂是否选择此食物源进行开采。

侦察蜂的作用是搜索新的食物源, 并不参照当前食物源, 而是类似初始化一样随机生成。在此之前会对选择次数超过限定值的食物源进行放弃, 如式 (5) 所示:

式中:trial是当前蜜蜂对食物源优化的次数。

⛄二、部分源代码

clc;
clear;
close all;
%% ABC + PSO Path Planning Problem
% 这里，系统试图找到起点之间的最优路径
%借助人工蜂群 (ABC) 算法的百分比和目的地点
% 和粒子群优化算法相结合。 这是个好策略
% 在机器人寻路中。 在每次运行中新位置的新障碍
% 定义和一条曲线试图找到最佳路径。 运行多次
% 以找到最佳结果。

%% 清除
clc;
clear;
warning(‘off’);

%% 启动 ABC + PSO 最优路径查找器
model=Basics();
model.n=6; % 处理点数
CostFunction=@(x) Cost(x,model); % 成本函数
nVar=model.n; % 决策变量的数量
VarSize=[1 nVar]; % 决策变量矩阵的大小
VarMin.x=model.xmin; % 变量的下界
VarMax.x=model.xmax; % 变量的上限
VarMin.y=model.ymin; % 变量的下界
VarMax.y=model.ymax; % 变量的上限

%% PSO + ABC 参数
MaxIt=150; % 最大迭代次数
nPop=20; % 种群规模（群体规模）
w=1; % 惯性重量
wdamp=0.98; % 惯性重量阻尼比
c1=1.5; % 个人学习系数
c2=1.5; % 全局学习系数
nOnlooker = nPop; % 围观蜜蜂的数量
L = round(0.6nVarnPop); % 放弃限制参数（试用限制）
a = 1;
alpha=0.1;
VelMax.x=alpha*(VarMax.x-VarMin.x); % 最大速度
VelMin.x=-VelMax.x; %最小速度
VelMax.y=alpha*(VarMax.y-VarMin.y); % 最大速度
VelMin.y=-VelMax.y; % 最小速度

%% Initialization PSO + ABC
% 创建空粒子结构
empty_particle.Position=[];
empty_particle.Velocity=[];
empty_particle.Cost=[];
empty_particle.Sol=[];
empty_particle.Best.Position=[];
empty_particle.Best.Cost=[];
empty_particle.Best.Sol=[];
% 空蜂结构
empty_bee.Position = [];
empty_bee.Cost = [];
% 初始化全局最佳
GlobalBest.Cost=inf;
%初始化人口数组
pop = repmat(empty_bee, nPop, 1);
bee = repmat(empty_bee, nPop, 1);
% 初始化有史以来最好的解决方案
BestSol.Cost = inf;
GlobalBest.Cost=inf;
% 创建粒子矩阵
particle=repmat(empty_particle,nPop,1);
% 初始化循环
for i=1:nPop
% 初始化位置
if i > 1
particle(i).Position=CRSolution(model);
else
% 从源头到目的地的直线
xx = linspace(model.xs, model.xt, model.n+2);
yy = linspace(model.ys, model.yt, model.n+2);
particle(i).Position.x = xx(2:end-1);
particle(i).Position.y = yy(2:end-1);
end
%初始化速度
particle(i).Velocity.x=zeros(VarSize);
particle(i).Velocity.y=zeros(VarSize);
%评估
[particle(i).Cost, particle(i).Sol]=CostFunction(particle(i).Position);
% 更新个人最佳
particle(i).Best.Position=particle(i).Position;
particle(i).Best.Cost=particle(i).Cost;
particle(i).Best.Sol=particle(i).Sol;
%更新全球最佳
if particle(i).Best.Cost<GlobalBest.Cost
GlobalBest=particle(i).Best;
end
end
% 初始化循环
for i=1:nPop
% 初始化位置
if i > 1
pop(i).Position=CRSolution(model);
else
% 从源头到目的地的直线
xx = linspace(model.xs, model.xt, model.n+2);
yy = linspace(model.ys, model.yt, model.n+2);
pop(i).Position.x = xx(2:end-1);
pop(i).Position.y = yy(2:end-1);
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]巫茜,罗金彪,顾晓群,曾青.基于改进PSO的无人机三维航迹规划优化算法[J].兵器装备工程学报. 2021,42(08)
[2]方群,徐青.基于改进粒子群算法的无人机三维航迹规划[J].西北工业大学学报. 2017,35(01)
[3]周国春,肖本贤.基于人工蜂群算法的机器人路径规划研究[J].自动化与仪表. 2018,33(05)

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