路径规划算法：基于非洲秃鹫优化的机器人路径规划算法- 附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

⛄ 内容介绍

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。

非洲秃鹫算法

AVOA是受非洲秃鹫觅食和导航行为启发提出的一种元启发式优化算法。AVOA数学描述如下。

a avoa通过通过所有适应度适应度适应度适应度炙鹤移动。

式中Ri(t) —除最优、次优蒸鹇外的其他蒸鹱位置； BestV1 、 BestV2 —最优蒸鹛和次优蒸鹛位置； L1 、 L2 —于0和1之间待测量为1 ； pi —选择最佳蒸鹇的概率； fi —其他蒸鹛合适度； t —当前代次数；其他参数含义相同。

b）秃鹫秃鹫觅食，若经常觅食状态状态状态状态状态状态状态状态状态状态能量能量能量能量能量能量能量能量能量能量能量能量能量能量能量能量能量更强壮的猎鹰附近察觉食物。食物率数据描述为：

式中F —秭兔饲料食用率； T —最大延迟次数； z — 1和1之间的随机数； h — 2和2之间的随机数； rand1 — 0和1之间的随机数； w —控制探索过程序参数，随着w值增加，计算进入研究阶段的概率增加大，反知概率减少。

c)探索阶段。炙鹤工具具有很高的视觉能力和很好的嗅觉能力。在AVOA中，炙鹤通式(5)随机搜索不同域。

式中Pi(t＋1)—第t＋1次迭代秃鹫位置；Pi(t)—第t次迭代秃鹫位置；X—秃鹫随机移动的地方，以保护食物免受其他秃鹫夺取，X＝2×rand，rand表示0和1之间的随机数；P1—探索阶段选择参数；rand2、rand3、randP1—0和1之间的随机数；ub、lb—搜索空间上、下限值；其他参数意义同上。

d)开发阶段。AVOA中，开发阶段分为开发一阶段和开发二阶段2种策略，并通过开发阶段选择参数P2、P3决定采用何种策略进行位置更新。开发第一阶段秃鹫位置更新描述如下：

式中rand4、rand5、rand6、randP2—0和1之间的随机数；P2—开发第一阶段更新策略选择参数；其他参数意义同上。

开发第二阶段秃鹫位置更新描述如下：

式中BestV1(t)、BestV2(t)—第t次迭代最优、次优秃鹫位置；randP3—0和1之间的随机数；P3—开发第二阶段更新策略选择参数；Levy(d)—随即游走，其每一步方向完全随机而各向同性，步长为重尾分布；其他参数意义同上。

⛄ 部分代码

function [current_vulture_X] = exploration(current_vulture_X, random_vulture_X, F, p1, upper_bound, lower_bound)    if rand<p1        current_vulture_X=random_vulture_X-(abs((2*rand)*random_vulture_X-current_vulture_X))*F;    else        current_vulture_X=(random_vulture_X-(F)+rand()*((upper_bound-lower_bound)*rand+lower_bound));    end    end

function [ X ] = BoundaryCheck(X, lb, ub)    for i=1:size(X,1)            FU=X(i,:)>ub;            FL=X(i,:)<lb;            X(i,:)=(X(i,:).*(~(FU+FL)))+ub.*FU+lb.*FL;    endend

function [random_vulture_X]=random_select(Best_vulture1_X,Best_vulture2_X,alpha,betha)    probabilities=[alpha, betha ];        if (rouletteWheelSelection( probabilities ) == 1)            random_vulture_X=Best_vulture1_X;    else            random_vulture_X=Best_vulture2_X;    endend

⛄ 运行结果

⛄ 参考文献

[1] 张毅,刘杰.一种基于优化混合蚁群算法的机器人路径规划算法:CN201711121774.X[P].CN107917711A[2023-07-10].

[2] 吴宪祥,郭宝龙,王娟.基于粒子群三次样条优化的移动机器人路径规划算法[J].机器人, 2009, 31(6):5.DOI:10.3321/j.issn:1002-0446.2009.06.013.

[3] 崔鼎,郝南海,郭阳宽.基于RRT*改进的路径规划算法[J].机床与液压, 2020(9).

⛳️ 代码获取关注我

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料

🍅 仿真咨询

1.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

2.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

3.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

4.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

5.传感器部署优化、通信协议优化、路由优化、目标定位

6.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

7.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

8.微电网优化、无功优化、配电网重构、储能配置

9.元胞自动机交通流 人群疏散 病毒扩散 晶体生长