1-BFO算法（细菌觅食算法）的栅格路径寻优计算

Halcom

1-BFO算法（细菌觅食算法）的栅格路径寻优计算
链接：https://pan.baidu.com/s/1LHSw6LmdT9moI6xY83EzOQ 密码：q954

具体链接在halcom.cn论坛，联系人QQ：3283892722
该论坛是一个学习交流平台，我会逐一的和大家分享学习。
欢迎大家录制视频，你可在论坛进行打赏分享。
视频专用播放器：http://halcom.cn/forum.php?mod=viewthread&tid=258&extra=page%3D1

主程序如下：

1. clc,clear,close all
   
2. warning off
   
3. %% MAP
   
4. load('data2.mat');
   
5. K = 4;             % 与节点自身相连的节点数
   
6. [x,y,A,dij, citynum,a,b] = init_map(data2,K);
   
7. %% 目标
   
8. startpoint=39;  % 起始节点
   
9. endpoint=18;    % 终止节点
   
10. %% BFO优化算法 参数
    
11. % maxiter = 100;             % 最大迭代次数
    
12. sizepop = 20;              % 种群数量
    
13. Nc = 20;                   % 趋化次数
    
14. Ns = 4;                    % 游动次数
    
15. C(:,1) = 1*ones(sizepop,1);            % 翻转选定方向后，单个细菌前进的步长
    
16. Nre = 2;                   % 复制次数
    
17. Ned = 2;                   % 驱散(迁移)次数
    
18. Sr = ceil( sizepop/2 );    % 复制（分裂）次数
    
19. Ped = 0.25;                % 细菌驱散(迁移)概率
    
20. d_attract = 0.05;          % 吸引剂的数量
    
21. w_attract = 0.05;          % 吸引剂的释放速度
    
22. h_repellant = 0.05;        % 排斥剂的数量
    
23. w_repellant = 0.05;        % 排斥剂的释放速度
    
24. ww = 0.0;                  % 适应度增量因子
    
25. 
    
26. nvar = 3;   % 3个未知量 --- 起始节点到目标节点之间找3个点出来
    
27. popmin1 = 1;  popmax1 = 51; % x1
    
28. popmin2 = 1;  popmax2 = 51; % x2
    
29. popmin3 = 1;  popmax3 = 51; % x3
    
30. Cmin = -5;  % 最小步长
    
31. Cmax = 5;   % 最大步长
    
32. %% 初始化种群
    
33. for i=1:sizepop
    
34.     x1 = round(popmin1 + (popmax1-popmin1)*rand);
    
35.     x2 = round(popmin2 + (popmax2-popmin2)*rand);
    
36.     x3 = round(popmin3 + (popmax3-popmin3)*rand);
    
37.    
    
38.     pop(i,1) = x1;                     % 初始化个体
    
39.     pop(i,2) = x2;                     % 初始化个体
    
40.     pop(i,3) = x3;                     % 初始化个体
    
41.    
    
42.     [path{i}, fitness(i)] = fun_dijstra([startpoint, x1,x2, x3, endpoint], A, dij );     % 适应度值
    
43.     C(i,1) = Cmin + (Cmax-Cmin)*rand;  % 步长
    
44. end
    
45. clear x1 x2 x3
    
46. %% 记录一组最优值
    
47. [bestfitness,bestindex]=min(fitness);
    
48. zbest=pop(bestindex,:);   % 全局最佳
    
49. fitnesszbest=bestfitness; % 全局最佳适应度值
    
50. NcSizepop = 0;            % 记录最优适应度值（函数值）
    
51. zbestpath = path{bestindex};   % 最优路径
    
52. %% 迭代寻优
    
53. for i = 1:Ned                   % 驱散(迁移)次数
    
54.     for k = 1:Nre               % 复制次数
    
55.         
    
56.         for m = 1:Nc            % 趋化次数
    
57.             for j=1:sizepop     % 种群
    
58.                 % Jcc计算
    
59.                 Jcc = sum( -d_attract*exp( w_attract*sum(pop(j,1)-pop(:,1).^2) ) + ...
    
60.                     h_repellant*exp( w_repellant*sum(pop(j,2)-pop(:,2).^2) ));
    
61.                
    
62.                 poplast = pop(j,:);  % 当前的种群个体
    
63.                 fitness(j) = fitness(j) + ww*Jcc;
    
64.                 Jlast = fitness(j);  % 当前适应度值
    
65.       
    
66.                 % 翻转
    
67.                 delta = 15*rand(1,nvar)-0.5;
    
68.                 pop(j,:) = round( pop(j,:) + C(j,:).*delta./(sqrt( delta*delta' )) );
    
69.                
    
70.                 % x1
    
71.                 if pop(j,1)>popmax1
    
72.                     pop(j,1)=popmax1;
    
73.                 end
    
74.                 if pop(j,1)<popmin1
    
75.                     pop(j,1)=popmin1;
    
76.                 end
    
77.                 % x2
    
78.                 if pop(j,2)>popmax2
    
79.                     pop(j,2)=popmax2;
    
80.                 end
    
81.                 if pop(j,2)<popmin2
    
82.                     pop(j,2)=popmin2;
    
83.                 end
    
84.                 % x3
    
85.                 if pop(j,3)>popmax3
    
86.                     pop(j,3)=popmax3;
    
87.                 end
    
88.                 if pop(j,3)<popmin3
    
89.                     pop(j,3)=popmin3;
    
90.                 end
    
91.                
    
92.                 % 更新当前适应度值？
    
93.                 [path{j}, fitness(j)] = fun_dijstra([startpoint, pop(j,:), endpoint], A, dij );     % 适应度值
    
94.                
    
95.                 % 游动
    
96.                 n=0;
    
97.                 while(n<Ns)     % 游动次数
    
98.                     if fitness(j)<Jlast
    
99.                         Jlast = fitness(j);
    
100.                         poplast = pop(j,:);
     
101.                     else       % 不更新适应度值
     
102.                         n=Ns;
     
103.                     end
     
104.                 end
     
105. 
     
106.                 % 适应度更新
     
107.                 % 比较 个体间比较
     
108.                 if Jlast<bestfitness
     
109.                     bestfitness = Jlast;
     
110. %                     zbest =  pop(j,:);
     
111.                     zbest = poplast;
     
112.                     zbestpath = path{j};   % 最优解对应的最优路径
     
113.                 end
     
114.             end   % sizepop  种群数量
     
115.             
     
116.             % 记录最优适应度值
     
117.             NcSizepop = NcSizepop+1;
     
118.             fitness_iter(NcSizepop) = bestfitness;
     
119.         end       % Nc       趋化次数
     
120.         
     
121.         % 复制操作
     
122.         [maxF, index] = sort(fitness,'descend');  % 降序排列
     
123.         for Nre2 = 1:Sr   % 将最大适应度值的Sr个种群，进行更新
     
124.             pop(index(Nre2),1) = round(popmin1 + (popmax1-popmin1)*rand);
     
125.             pop(index(Nre2),2) = round(popmin2 + (popmax2-popmin2)*rand);
     
126.             pop(index(Nre2),3) = round(popmin3 + (popmax2-popmin3)*rand);
     
127.             [path{index(Nre2)}, fitness(index(Nre2))] = fun_dijstra([startpoint, pop(index(Nre2),:), endpoint], A, dij );
     
128.             C(index(Nre2),1) = Cmin + (Cmax-Cmin)*rand;  % 步长
     
129.             % 比较 个体间比较
     
130.             if fitness(index(Nre2))<bestfitness
     
131.                 bestfitness = fitness(index(Nre2));
     
132.                 zbest =  pop(index(Nre2),:);
     
133.                 zbestpath =  path{index(Nre2)};   % 最优解对应的最优路径
     
134.             end
     
135.         end
     
136.     end   % Nre  复制操作
     
137.    
     
138.     for j=1:sizepop     % 种群
     
139.         if Ped>rand
     
140.             pop(j,1) = round(popmin1 + (popmax1-popmin1)*rand);
     
141.             pop(j,2) = round(popmin2 + (popmax2-popmin2)*rand);
     
142.             pop(j,3) = round(popmin3 + (popmax2-popmin3)*rand);
     
143.              [path{j}, fitness(j)] = fun_dijstra([startpoint, pop(j,:), endpoint], A, dij );
     
144.             % 比较 个体间比较
     
145.             if fitness(j)<bestfitness
     
146.                 bestfitness = fitness(j);
     
147.                 zbest =  pop(j,:);
     
148.                 zbestpath =  path{j};   % 最优解对应的最优路径
     
149.             end
     
150.         end
     
151.     end
     
152.    
     
153. end       % Ned   驱散(迁移)次数
     
154. 
     
155. disp('最优解')
     
156. disp(zbest)
     
157. fprintf('\n')
     
158. 
     
159. disp('最优解对应的最优路径')
     
160. disp(zbestpath)
     
161. fprintf('\n')
     
162. 
     
163. figure('color',[1,1,1])
     
164. plot(fitness_iter,'ro-','linewidth',2)
     
165. % loglog(fitness_iter,'ro-','linewidth',2)
     
166. axis tight
     
167. grid on
     
168. 
     
169. %% 绘图
     
170. zbest1 = zbest;
     
171. zbest.pop = zbest1;
     
172. zbest.path = zbestpath;
     
173. figure(3)
     
174. colormap([0 0 0;1 1 1]),pcolor(0.5:size(a,2)+0.5,0.5:size(a,1)+0.5,b)
     
175. hold on
     
176. % 节点网络结构初始化
     
177. for i=1:citynum
     
178.     plot(x(i)+0.5,y(i)+0.5,'ro','MarkerEdgeColor','r','MarkerFaceColor','g','markersize',8);
     
179.     hold on;
     
180.     text(x(i)+0.5,y(i)+0.5+0.2,num2str(i),'Color',[1 0 0]);
     
181. end
     
182. % 连线
     
183. for i=1:length(zbest.path)-1
     
184.     plot([x(zbest.path(i))+0.5,x(zbest.path(i+1))+0.5],[y(zbest.path(i))+0.5,y(zbest.path(i+1))+0.5],'b-','MarkerEdgeColor','r','MarkerFaceColor','g','markersize',8,'linewidth',2);
     
185. end
     
186. axis tight;
     
187. axis off;
     
188. hold off

复制代码

参考：
【1】基于穷举法的机器人避障路径寻优（免费）
【2】智能车辆局部避障路径规划及横向运动控制研究_陈东
【3】3-PSO算法（粒子群算法）的栅格路径寻优计算

wdd123456

新手学习路径优化，感谢分享

曾经的你

感谢楼主分享

mingleQ

感谢分享

summer9931

感谢分享，学习了，谢谢

654321

新手学习规划，感谢哒楼主分享

654321

BFO算法（细菌觅食算法）的栅格路径，感谢楼主

Wilson

感谢分享，学习了，谢谢