MATLAB实现三种群智能算法在路径规划中的对比

1. 项目概述

今天咱们来点硬核的——用MATLAB实现三种群智能算法在栅格地图路径规划中的实战对比。作为一名在路径规划领域摸爬滚打多年的老司机，我发现很多初学者在面对各种优化算法时常常一头雾水。本文将用最接地气的方式，带大家手把手实现灰狼优化(GWO)、蜣螂优化(DBO)和麻雀搜索(SSA)算法，并在同一张地图上PK它们的表现。

提示：本文所有代码都已添加详细中文注释，即使是MATLAB新手也能轻松上手。文末还提供了五种预设地图和完整代码仓库。

2. 环境准备与地图生成

2.1 创建栅格地图

首先我们需要一个测试场地——这里用20×20的栅格地图，障碍物密度设为30%。打开MATLAB创建一个CreateMap.m文件：

matlab复制function CreateMap(version)
    mapSize = 20;
    obstacleProb = 0.3; % 障碍物出现概率
    rng('shuffle'); % 随机种子
    
    % 生成随机地图（1可通行，-1障碍物）
    map = randi([0,1], mapSize, mapSize); 
    map(map==0) = -1;
    
    % 确保起点和终点不被障碍物阻挡
    map(1,1) = 1;   % 起点(1,1)
    map(end,end) = 1; % 终点(20,20)
    
    save(['mapData_v' num2str(version) '.mat'], 'map');
    disp(['地图v' num2str(version) '生成完毕']);
end

避坑指南：每次生成新地图后，务必修改保存的文件名版本号，否则会覆盖旧地图。我曾在调试时因为忘记改版本号，导致反复加载错误地图排查了半天。

2.2 地图可视化

添加以下代码可以直观查看生成的地图：

matlab复制load('mapData_v1.mat');
imagesc(map);
colormap([1 0 0; 0 1 0]); % 红色障碍物，绿色可通行区域
hold on;
plot(1,1,'bo',20,20,'bx','MarkerSize',10); % 标记起点终点

图：障碍物密度从20%到40%的地图对比，密度越高算法挑战越大

3. 路径代价函数设计

3.1 代价函数组成

路径质量评估是算法的核心，我们的代价函数包含三个关键指标：

matlab复制function cost = pathCost(path, map)
    % 输入：路径坐标序列、地图矩阵
    % 输出：综合代价（值越小路径越优）
    
    % 1. 碰撞惩罚（碰到障碍物直接死刑）
    onObstacle = arrayfun(@(x,y) map(y,x)==-1, path(:,1), path(:,2));
    collisionPenalty = sum(onObstacle) * 1000;
    
    % 2. 路径长度（自然越短越好）
    pathLength = size(path,1);
    
    % 3. 转向惩罚（减少蛇皮走位）
    directionChanges = 0;
    for i = 2:length(path)-1
        prev = path(i-1,:);
        curr = path(i,:);
        next = path(i+1,:);
        angle = atan2(next(2)-curr(2),next(1)-curr(1)) - ...
                atan2(curr(2)-prev(2),curr(1)-prev(1));
        directionChanges = directionChanges + abs(angle);
    end
    
    cost = pathLength + directionChanges*0.3 + collisio