1 模型简介

1.1 灰狼算法介绍

【路径规划】基于灰狼算法实现机器人栅格地图路径规划matlab源码_路径规划

【路径规划】基于灰狼算法实现机器人栅格地图路径规划matlab源码_路径规划_02

1.2 栅格地图介绍

栅格地图有两种表示方法，直角坐标系法和序号法，序号法比直角坐标法节省内存

【路径规划】基于灰狼算法实现机器人栅格地图路径规划matlab源码_路径规划_03点击并拖拽以移动

【路径规划】基于灰狼算法实现机器人栅格地图路径规划matlab源码_路径规划_05点击并拖拽以移动

室内环境栅格法建模步骤

1.栅格粒大小的选取

栅格的大小是个关键因素，栅格选的小，环境分辨率较大，环境信息存储量大，决策速度慢。

栅格选的大，环境分辨率较小，环境信息存储量小，决策速度快，但在密集障碍物环境中发现路径的能力较弱。

2.障碍物栅格确定

当机器人新进入一个环境时，它是不知道室内障碍物信息的，这就需要机器人能够遍历整个环境，检测障碍物的位置，并根据障碍物位置找到对应栅格地图中的序号值，并对相应的栅格值进行修改。自由栅格为不包含障碍物的栅格赋值为0，障碍物栅格为包含障碍物的栅格赋值为1.

3.未知环境的栅格地图的建立

通常把终点设置为一个不能到达的点，比如(-1，-1)，同时机器人在寻路过程中遵循“下右上左”的原则，即机器人先向下行走，当机器人前方遇到障碍物时，机器人转向右走，遵循这样的规则，机器人最终可以搜索出所有的可行路径，并且机器人最终将返回起始点。

备注：在栅格地图上，有这么一条原则，障碍物的大小永远等于n个栅格的大小，不会出现半个栅格这样的情况。

2 部分代码

clc;
  • 1.
close all
  • 1.
clear
  • 1.
load('data1.mat')
  • 1.
S=(S_coo(2)-0.5)*num_shange+(S_coo(1)+0.5);%起点对应的编号
  • 1.
E=(E_coo(2)-0.5)*num_shange+(E_coo(1)+0.5);%终点对应的编号
  • 1.
PopSize=20;%种群大小
  • 1.
OldBestFitness=0;%旧的最优适应度值
  • 1.
gen=0;%迭代次数
  • 1.
maxgen =100;%最大迭代次数
  • 1.
c1=0.6;%头狼保留概率
  • 1.
c2=0.3;%次狼保留概率
  • 1.
c3=0.1;%差狼保留概率
  • 1.
%%
  • 1.
Alpha_score=inf; %change this to -inf for maximization problems
  • 1.
Beta_score=inf; %change this to -inf for maximization problems
  • 1.
Delta_score=inf; %change this to -inf for maximization problems
  • 1.
%Initialize the positions of search agents
  • 1.
%初始化路径
  • 1.
Group=ones(num_point,PopSize);  %种群初始化
  • 1.
flag=1;
  • 1.
%% 初始化粒子群位置
  • 1.
%最优解
  • 1.
figure(1)
  • 1.
hold on
  • 1.
for i=1:num_shange
  • 1.
for j=1:num_shange
  • 1.
if sign(i,j)==1
  • 1.
y=[i-1,i-1,i,i];
  • 1.
x=[j-1,j,j,j-1];
  • 1.
h=fill(x,y,'k');
  • 1.
set(h,'facealpha',0.5)
  • 1.
end
  • 1.
s=(num2str((i-1)*num_shange+j));
  • 1.
text(j-0.95,i-0.5,s,'fontsize',6)
  • 1.
end
  • 1.
end
  • 1.
axis([0 num_shange 0 num_shange])%限制图的边界
  • 1.
plot(S_coo(2),S_coo(1), 'p','markersize', 10,'markerfacecolor','b','MarkerEdgeColor', 'm')%画起点
  • 1.
plot(E_coo(2),E_coo(1),'o','markersize', 10,'markerfacecolor','g','MarkerEdgeColor', 'c')%画终点
  • 1.
set(gca,'YDir','reverse');%图像翻转
  • 1.
for i=1:num_shange
  • 1.
plot([0 num_shange],[i-1 i-1],'k-');
  • 1.
plot([i i],[0 num_shange],'k-');%画网格线
  • 1.
end
  • 1.
for i=2:index1
  • 1.
Q1=[mod(route_lin(i-1)-1,num_shange)+1-0.5,ceil(route_lin(i-1)/num_shange)-0.5];
  • 1.
Q2=[mod(route_lin(i)-1,num_shange)+1-0.5,ceil(route_lin(i)/num_shange)-0.5];
  • 1.
plot([Q1(1),Q2(1)],[Q1(2),Q2(2)],'r','LineWidth',3)
  • 1.
end
  • 1.
title('基础狼群算法-最优路线');
  • 1.
%进化曲线
  • 1.
figure(2);
  • 1.
plot(BestFitness);
  • 1.
xlabel('迭代次数')
  • 1.
ylabel('适应度值')
  • 1.
grid on;
  • 1.
title('进化曲线');
  • 1.
disp('基础狼群算法-最优路线方案：')
  • 1.
disp(num2str(route_lin))
  • 1.
disp(['起点到终点的距离:',num2str(BestFitness(end))]);
  • 1.

3 仿真结果

点击并拖拽以移动

【路径规划】基于灰狼算法实现机器人栅格地图路径规划matlab源码_路径规划_08点击并拖拽以移动

【路径规划】基于灰狼算法实现机器人栅格地图路径规划matlab源码_路径规划_10点击并拖拽以移动

4 参考文献

[1]李延柯, 原慧琳. 一种基于灰狼算法的路径规划方法:, CN110675004A[P]. 2020.

​

【路径规划】基于灰狼算法实现机器人栅格地图路径规划matlab源码_路径规划_12