function
drawpath(chrom,x)
%%
画路径函数
%输入
%
chrom
待画路径
%
x
各城市坐标位置
r=[chrom(1,:)
chrom(1,1)]
%一个随机解(个体)
figure
hold
on
plot(x(:,1),x(:,2),'o','color',[0.5,0.5,0.5])
plot(x(chrom(1,1),1),x(chrom(1,1),2),'rv','markersize',20)
for
i=1:size(x,1)
text(x(i,1)+0.05,x(i,2)+0.05,num2str(i),'color',[1,0,0])
end
a=x(r,:)
row=size(a,1)
for
i=2:row
[arrowx,arrowy]
=
dsxy2figxy(gca,a(i-1:i,1),a(i-1:i,2))%坐标转换
annotation('textarrow',arrowx,arrowy,'headwidth',8,'color',[0,0,1])
end
hold
off
xlabel('横坐标')
ylabel('纵坐标')
title('轨迹图')
box
on
function [ROUTES,PL,Tau]=ACASP(G,Tau,K,M,S,E,Alpha,Beta,Rho,Q)%% ---------------------------------------------------------------
% ACASP.m
% 蚁群算法动态寻路算法
% ChengAihua,PLA Information Engineering University,ZhengZhou,China
% Email:aihuacheng@gmail.com
% All rights reserved
%% ---------------------------------------------------------------
% 输入参数列表
% G地形图为01矩阵，如果为1表示障碍物
% Tau 初始信息素矩阵（认为前面的觅食活动中有残留的信息素）
% K迭代次数（指蚂蚁出动多少波）
% M蚂蚁个数（每一波蚂蚁有多少个）
% S起始点（最短路径的起始点）
% E终止点（最短路径的目的点）
% Alpha表征信息素重要程度的参数
% Beta 表征启发式因子重要程度的参数
% Rho 信息素蒸发系数
% Q信息素增加强度系数
%
% 输出参数列表
% ROUTES 每一代的每一只蚂蚁的爬行路线
% PL 每一代的每一只蚂蚁的爬行路线长度
% Tau 输出动态修正过的信息素
%% --------------------变量初始化----------------------------------
%load
D=G2D(G)
N=size(D,1)%N表示问题的规模（象素个数）
MM=size(G,1)
a=1%小方格象素的边长
Ex=a*(mod(E,MM)-0.5)%终止点横坐标
if Ex==-0.5
Ex=MM-0.5
end
Ey=a*(MM+0.5-ceil(E/MM))%终止点纵坐标
Eta=zeros(1,N)%启发式信息，取为至目标点的直线距离的倒数
%下面构造启发式信息矩阵
for i=1:N
if ix==-0.5
ix=MM-0.5
end
iy=a*(MM+0.5-ceil(i/MM))
if i~=E
Eta(1,i)=1/((ix-Ex)^2+(iy-Ey)^2)^0.5
else
Eta(1,i)=100
end
end
ROUTES=cell(K,M)%用细胞结构存储每一代的每一只蚂蚁的爬行路线
PL=zeros(K,M)%用矩阵存储每一代的每一只蚂蚁的爬行路线长度
%% -----------启动K轮蚂蚁觅食活动，每轮派出M只蚂蚁--------------------
for k=1:K
disp(k)
for m=1:M
%% 第一步：状态初始化
W=S%当前节点初始化为起始点
Path=S%爬行路线初始化
PLkm=0%爬行路线长度初始化
TABUkm=ones(1,N)%禁忌表初始化
TABUkm(S)=0%已经在初始点了，因此要排除
DD=D%邻接矩阵初始化
%% 第二步：下一步可以前往的节点
DW=DD(W,:)
DW1=find(DW
for j=1:length(DW1)
if TABUkm(DW1(j))==0
DW(j)=inf
end
end
LJD=find(DW
Len_LJD=length(LJD)%可选节点的个数
%% 觅食停止条件：蚂蚁未遇到食物或者陷入死胡同
while W~=E&&Len_LJD>=1
%% 第三步：转轮赌法选择下一步怎么走
PP=zeros(1,Len_LJD)
for i=1:Len_LJD
PP(i)=(Tau(W,LJD(i))^Alpha)*(Eta(LJD(i))^Beta)
end
PP=PP/(sum(PP))%建立概率分布
Pcum=cumsum(PP)
Select=find(Pcum>=rand)
%% 第四步：状态更新和记录
Path=[Path,to_visit]%路径增加
PLkm=PLkm+DD(W,to_visit)%路径长度增加
W=to_visit%蚂蚁移到下一个节点
for kk=1:N
if TABUkm(kk)==0
DD(W,kk)=inf
DD(kk,W)=inf
end
end
TABUkm(W)=0%已访问过的节点从禁忌表中删除
for j=1:length(DW1)
if TABUkm(DW1(j))==0
DW(j)=inf
end
end
LJD=find(DW
Len_LJD=length(LJD)%可选节点的个数
end
%% 第五步：记下每一代每一只蚂蚁的觅食路线和路线长度
ROUTES{k,m}=Path
if Path(end)==E
PL(k,m)=PLkm
else
PL(k,m)=inf
end
end
%% 第六步：更新信息素
Delta_Tau=zeros(N,N)%更新量初始化
for m=1:M
if PL(k,m)ROUT=ROUTES{k,m}
TS=length(ROUT)-1%跳数
PL_km=PL(k,m)
for s=1:TS
x=ROUT(s)
Delta_Tau(x,y)=Delta_Tau(x,y)+Q/PL_km
Delta_Tau(y,x)=Delta_Tau(y,x)+Q/PL_km
end
end
end
Tau=(1-Rho).*Tau+Delta_Tau%信息素挥发一部分，新增加一部分
end
%% ---------------------------绘图--------------------------------
plotif=1%是否绘图的控制参数
if plotif==1
%绘收敛曲线
meanPL=zeros(1,K)
minPL=zeros(1,K)
for i=1:K
PLK=PL(i,:)
Nonzero=find(PLK
PLKPLK=PLK(Nonzero)
meanPL(i)=mean(PLKPLK)
minPL(i)=min(PLKPLK)
end
figure(1)
plot(minPL)
hold on
plot(meanPL)
grid on
title('收敛曲线（平均路径长度和最小路径长度）')
xlabel('迭代次数')
ylabel('路径长度')
%绘爬行图
figure(2)
axis([0,MM,0,MM])
for i=1:MM
for j=1:MM
if G(i,j)==1
x1=j-1y1=MM-i
x2=jy2=MM-i
x3=jy3=MM-i+1
x4=j-1y4=MM-i+1
fill([x1,x2,x3,x4],[y1,y2,y3,y4],[0.2,0.2,0.2])
hold on
else
x1=j-1y1=MM-i
x2=jy2=MM-i
x3=jy3=MM-i+1
x4=j-1y4=MM-i+1
fill([x1,x2,x3,x4],[y1,y2,y3,y4],[1,1,1])
hold on
end
end
end
hold on
ROUT=ROUTES{K,M}
LENROUT=length(ROUT)
Rx=ROUT
Ry=ROUT
for ii=1:LENROUT
Rx(ii)=a*(mod(ROUT(ii),MM)-0.5)
if Rx(ii)==-0.5
Rx(ii)=MM-0.5
end
Ry(ii)=a*(MM+0.5-ceil(ROUT(ii)/MM))
end
plot(Rx,Ry)
end
plotif2=1%绘各代蚂蚁爬行图
if plotif2==1
figure(3)
axis([0,MM,0,MM])
for i=1:MM
for j=1:MM
if G(i,j)==1
x1=j-1y1=MM-i
x2=jy2=MM-i
x3=jy3=MM-i+1
x4=j-1y4=MM-i+1
fill([x1,x2,x3,x4],[y1,y2,y3,y4],[0.2,0.2,0.2])
hold on
else
x1=j-1y1=MM-i
x2=jy2=MM-i
x3=jy3=MM-i+1
x4=j-1y4=MM-i+1
fill([x1,x2,x3,x4],[y1,y2,y3,y4],[1,1,1])
hold on
end
end
end
for k=1:K
PLK=PL(k,:)
minPLK=min(PLK)
pos=find(PLK==minPLK)
m=pos(1)
ROUT=ROUTES{k,m}
LENROUT=length(ROUT)
Rx=ROUT
Ry=ROUT
for ii=1:LENROUT
Rx(ii)=a*(mod(ROUT(ii),MM)-0.5)
if Rx(ii)==-0.5
Rx(ii)=MM-0.5
end
Ry(ii)=a*(MM+0.5-ceil(ROUT(ii)/MM))
end
plot(Rx,Ry)
hold on
end
end
将上述算法应用于机器人路径规划，优化效果如下图所示
MATLAB是一种解释性语言，从运行效率来说肯定远不如其他基本语言。但还是有些方法可以提高运行速度的：1，MATLAB擅长于矩阵运算，但并不适用于循环，能不用循环的地方尽量用矩阵运算代替；
2，对于大维度的矩阵，要预先确定它的维度，比如用zeros(a,b,c)预先定义好，这样每次给矩阵赋值的时候就不用改变维度了，对运算速度的提高很明显，这点你可以用MATLAB自带的tic和toc命令测试。
3.对于多重循环的将长的循环放在内循环。还有对有相似功能的命令的选择也对速度有影响。
如果对于计算量特别大的程序，用MATLAB是不怎么合适的哦，你可以把计算部分用其他语言，比如FORTRAN来实现。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）