【路径搜索】一种本地化的寻路遗传算法（Matlab实现）_公路路线自动寻优的遗传算法实现-优快云博客

本文链接：https://blog.youkuaiyun.com/Matlab88888/article/details/145469796

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

💥1 概述

基本概念

本地化的寻路遗传算法是一种将遗传算法与特定局部环境信息深度融合的智能寻路方法。它基于达尔文的生物进化理论，模拟自然选择和遗传机制，在寻路问题中不断优化路径解。与传统寻路算法不同，该算法充分考虑了特定区域的地理特征、交通规则、实时动态等本地化信息，能够在复杂多变的环境中找到高效、可行的路径。

核心原理

编码与种群初始化首先，需要对路径进行编码，将其表示为遗传算法能够处理的染色体形式。常见的编码方式有二进制编码、整数编码等。随后，随机生成一定数量的路径个体，组成初始种群，这些个体代表了在当前环境下可能的路径解。

适应度评估

适应度函数是衡量每个路径个体优劣的关键。在本地化寻路中，适应度函数会综合考虑多种本地化因素，如路径长度、通行时间、道路拥堵程度、地形难度、是否经过危险区域等。通过对这些因素进行量化和加权，计算出每个路径的适应度值，适应度值越高表示路径越优。

遗传操作

选择操作：根据适应度值，选择一部分优良的路径个体作为父代，用于产生下一代。常用的选择方法有轮盘赌选择、锦标赛选择等。交叉操作：对选中的父代路径进行交叉操作，交换它们的部分路径片段，生成新的子代路径。交叉操作模拟了生物的基因重组过程，有助于产生更优的路径解。变异操作：以一定的概率对某些子代路径进行变异，随机改变路径中的某些节点或方向。变异操作可以增加种群的多样性，避免算法陷入局部最优。

实际应用

城市交通导航在城市交通网络中，本地化的寻路遗传算法可以结合实时交通数据，如拥堵路段、交通事故、交通管制等信息，为驾驶员规划出最快、最顺畅的行驶路线。同时，还可以考虑不同时间段的交通流量变化，提供个性化的导航服务。室内导航在大型商场、机场、医院等室内场所，该算法可以根据建筑物的布局、房间分布、人员流动等本地化信息，为用户提供精准的室内导航。例如，在商场中可以引导用户快速找到目标店铺，在机场中可以帮助旅客规划最优的登机路线。物流配送路径规划对于物流企业，本地化的寻路遗传算法可以根据配送地点的地理位置、交通状况、货物重量和体积等因素，合理安排配送车辆的行驶路线，提高配送效率，降低物流成本。同时，还可以实时调整路径，应对突发情况，如交通堵塞、车辆故障等。发展前景随着人工智能、物联网、大数据等技术的不断发展，本地化的寻路遗传算法将迎来更广阔的发展前景。一方面，更先进的传感器和通信技术将为算法提供更丰富、准确的环境信息，进一步提高寻路的精度和效率；另一方面，算法的优化和改进将不断降低计算复杂度，提高算法的实时性和鲁棒性。未来，该算法有望在智能交通、智能物流、智能家居、机器人等领域得到更广泛的应用，为人们的生活和工作带来更多的便利。

📚2 运行结果

主函数部分代码：

im = imread('PerlinNoise2d.png', 'png');
%im = imread('test.png', 'png');
im = double(im(:,:,1));
% smooth image
%im = filter2(ones(20,20)/(20*20), im);

n = 4;
% rng(1237)  % successful agent
epsilon = 4;
lambda = 0.001;
maxN = 500;

p1 = 30;
p2 = 267;

P = 200; % population size
P_new = .1; % pct of population to be entirely new each generation
gens = 100;

% Initial population
for i=1:P
    agents(i).alpha = trnd(2,n,1)*0.1;
end

mc = zeros(gens,1);
best = Inf;
for generation=1:gens
    %tic
    agents=agent(im, agents, p1, p2, epsilon, lambda, n, maxN, 0);
    cost = [agents.cost];
    f = [agents.f];
    best_idx = find(cost == min(cost),1);
    best_f = f(best_idx);
    best_cost = min(cost);
    f_rat = sum(f)/numel(f);
    mc(generation) = best_cost;

    if (best_cost < best)
        best = best_cost;
        bestAgent = agents(best_idx);

%        figure;
%        agent(im, bestAgent, p1, p2, epsilon, lambda, n, maxN, 1);
%        title({'Generation:', generation, 'Cost:', best_cost});
    end
    disp(sprintf('Generation %03d/%03d: %011.3f (finished: %d %2.3f)',...
        generation, gens, best_cost, best_f, f_rat));
    
    %toc

    %%%% New population
    % Keep best individual (Elitism)
    np(1) = agents(best_idx);

    % Create rest of population via crossover
    weights = 1 ./ ([agents.cost] ./ sum([agents.cost]));
    P_children = floor(P*(1-P_new));
    for j=2:P_children
        % Select parents
        idx = randweightedpick(weights, 2);
        parents = agents(idx);

        % 2-point Crossover
        pivots = sort(floor(rand(2,1)*n)+1);
        child = parents(1);
        child.alpha(pivots(1):pivots(2)) = parents(2).alpha(pivots(1):pivots(2));

        % Mutate
        mb = rand(size(child.alpha)) < 0.04;
        nb = child.alpha(mb)+0.01*trnd(2,sum(mb),1);

        child.alpha(mb) = nb;
        np(j) = child;
    end

    % Entirely new agents
    for j=(P_children+1):P
        np(j).alpha = 0.1*trnd(2,n,1);
    end