1 简介
为了提高复杂环境下移动机器人的精准导航作用,提出了移动机器人路径规划的改进粒子群优化(PSO)算法,即利用麻雀算法改进粒子群算法，建立了移动机器人工作环境的栅格模型,利用Matlab软件进行移动机器人路径规划仿真分析.仿真结果表明:改进后的粒子群算法容易使粒子移动到最佳位置,加强了全局寻优能力,在复杂环境中搜索路径性能优于传统算法.
麻雀搜索算法( sparrow search algorithm，SSA) 是新群智能优化算法，具有良好的全局搜索能力和 快速收敛性。与其他群智能算法一样来源于对生物体觅食情况的观察，麻雀种群在觅食过程中分为 两个部分: 发现者和加入者。发现者负责搜索食物 并为种群中的其他个体提供觅食区域和方向，通常 是具有高能源储备的个体，其所对应的适应度函数 值更优。加入者对应为适应度函数值较差的个体， 它们通过发现者留下的信息获得食物。适应度值 最差的部分麻雀找不到食物，为了寻找到食物它们 可能跳出当前的搜索区域，到其他的地方觅食。种 群中的每只麻雀都会监视其他同伴的行为，并且部 分麻雀会攻击摄取量较高的同伴争夺资源。当种 群中个别麻雀发现捕食者后发出报警信号，一旦报 警值大于安全值时发现者会把加入者带到其他安 全的区域觅食。种群中发现者和加入者的总数和比例不变，但 是两者的身份是动态变化的。寻找到更好的食物 来源的任何一只麻雀都可能变成发现者，此时其所 对应的适应度值变优，与此同时必然会有一只麻雀变成加入者，其适应度值变差。加入者的能量值越 低，在搜索范围内的位置对自己越不利越不容易找 到食物，这些极其渴望得到食物的麻雀可能飞到别的领域觅食，从而使自己获得能量。在整个觅食的过程中，加入者能搜索到能量更高的发现者，从而 获得食物或者伺机夺取食物。当意识到可能有危险时，为了获得更安全的位 置，种群边缘的麻雀快速向安全范围内移动，而在 种群中间的麻雀随机走动靠近其他的同伴。
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
clear all
close all
%% 粒子群算法求解栅格地图
load('data4.mat')
maxgen =50;%最大迭代次数
PopSize=10;%种群大小
c1=0.5;%认知系数
c2=0.7;%社会学习系数
w=0.5;%惯性系数
%%
%初始化路径
w_min=0.5;
w_max=1;
S=(S_coo(2)-0.5)*num_shange+(S_coo(1)+0.5);%起点对应的编号
E=(E_coo(2)-0.5)*num_shange+(E_coo(1)+0.5);%终点对应的编号
OldBestFitness=0;%旧的最优适应度值
gen=0;%迭代次数
Group=ones(num_point,PopSize); %种群初始化
for i=1:PopSize
p_lin=randperm(num_point)';%随机生成1*400不重复的行向量
%% 将起点编号放在首位
index=find(p_lin==S);
lin=p_lin(1);
p_lin(1)=p_lin(index);
p_lin(index)=lin;
Group(:,i)=p_lin;
%%将每个个体进行合理化处理
[Group(:,i),flag]=deal_fun(Group(:,i),num_point,liantong_point,E,num_shange);
while flag==1%如处理不成功，则初始化个体，重新处理
p_lin=randperm(num_point)';
index=find(p_lin==S);
lin=p_lin(1);
p_lin(1)=p_lin(index);
p_lin(index)=lin;
Group(:,i)=p_lin;
[Group(:,i),flag]=deal_fun(Group(:,i),num_point,liantong_point,E,num_shange);
end
end
[BestFitness,route_lin,index1]=pso(S,E,Group,num_point,liantong_point,num_shange,PopSize,maxgen,c1,c2,w,w_min,w_max);
%% 麻雀算法优化粒子群算法求解栅格地图路径规划
dim=2;%维度
lb=[0.1;0.1];%下限
ub=[0.9;0.9];%上限
N=10;%麻雀数量
Max_iter=50;%麻雀算法迭代次数
% [BestFitness_ssa,route_lin_ssa,index1_ssa]=ssa1(S,E,Group,num_point,liantong_point,num_shange,PopSize,maxgen,c1,c2,w,w_min,w_max);
[BestFitness_ssa,route_lin_ssa,index1_ssa]=ssa(dim,lb,ub,N,Max_iter,S,E,Group,num_point,liantong_point,num_shange,PopSize,maxgen,w,w_min,w_max);
figure(3)
hold on
for i=1:num_shange
for j=1:num_shange
if sign(i,j)==1
y=[i-1,i-1,i,i];
x=[j-1,j,j,j-1];
h=fill(x,y,'k');
set(h,'facealpha',0.5)
end
s=(num2str((i-1)*num_shange+j));
text(j-0.95,i-0.5,s,'fontsize',6)
end
end
axis([0 num_shange 0 num_shange])%限制图的边界
plot(S_coo(2),S_coo(1), 'p','markersize', 10,'markerfacecolor','b','MarkerEdgeColor', 'm')%画起点
plot(E_coo(2),E_coo(1),'o','markersize', 10,'markerfacecolor','g','MarkerEdgeColor', 'c')%画终点
set(gca,'YDir','reverse');%图像翻转
for i=1:num_shange
plot([0 num_shange],[i-1 i-1],'k-');
plot([i i],[0 num_shange],'k-');%画网格线
end
for i=2:index1
Q1=[mod(route_lin(i-1)-1,num_shange)+1-0.5,ceil(route_lin(i-1)/num_shange)-0.5];
Q2=[mod(route_lin(i)-1,num_shange)+1-0.5,ceil(route_lin(i)/num_shange)-0.5];
h1= plot([Q1(1),Q2(1)],[Q1(2),Q2(2)],'r','LineWidth',3);
end
for i=2:index1_ssa
Q1_ssa=[mod(route_lin_ssa(i-1)-1,num_shange)+1-0.5,ceil(route_lin_ssa(i-1)/num_shange)-0.5];
Q2_ssa=[mod(route_lin_ssa(i)-1,num_shange)+1-0.5,ceil(route_lin_ssa(i)/num_shange)-0.5];
h2=plot([Q1_ssa(1),Q2_ssa(1)],[Q1_ssa(2),Q2_ssa(2)],'m','LineWidth',3)
end
% legend('粒子群算法','麻雀算法优化粒子群算法')
title('最优路线，品红色是麻雀算法优化粒子群算法，红色是粒子群算法');
%进化曲线
figure(4);
plot(BestFitness,'b-');hold on
plot(BestFitness_ssa,'r-');
xlabel('迭代次数')
ylabel('适应度值')
grid on;
legend('粒子群算法','麻雀算法优化粒子群算法')
title('进化曲线');
disp('粒子群算法-最优路线方案：')
disp(num2str(route_lin))
disp(['起点到终点的距离:',num2str(BestFitness(end))]);
disp('麻雀算法优化粒子群算法-最优路线方案：')
disp(num2str(route_lin_ssa))
disp(['起点到终点的距离:',num2str(BestFitness_ssa(end))]);
3 仿真结果
4 参考文献
[1]王慧, 王光宇, 潘德文. 基于改进粒子群算法的移动机器人路径规划[J]. 传感器与微系统, 2017, 036(005):77-79.
部分理论引用网络文献，若有侵权联系博主删除。
