粒子群算法描述求解路径规划1.1路径规划问题给出的环境信息，该环境中有障碍物时，应求得起点到目标点的最短路径，且路径不得与障碍物交叉，如图1.1.1所示。
1.2粒子群算法求解1.2.1求解创意粒子群优化算法(PSO )。 粒子群中的每个粒子代表一个问题的可能解，通过粒子个体的简单行为，集团内部的信息交互实现解决问题的智能性。
在路径规划中，将各路径规划为一个粒子。 每个粒子群有n个粒子，即n条路径。 同时，每个粒子又有m个染色体，即中间转移点的个数，每个点(染色体)又有两个维度(x，y )。 代码中用posx和posy表示一个种群。 通过各代进化，对粒子群进行进化操作，选择合适的个体(最佳路径)。
(1)代码)浮点数代码，实际位置和速度值。
(2)适应度)为了能够保存适应度高的个体，将适应度定义如下。
ftvalue=1/dIstanecolIsIon(1.1 ) fit value=1/distance * collision (tag ) 1.1 ) fitvalue=1/distancecollision ) )
在此，距离是各个体(路径)的距离，collision是碰撞系数，路径与障碍物碰撞时取0，未碰撞时取0.1。
)3)碰撞检测)为了检测路径是否与障碍物碰撞，首先定义函数iscoll ) )，检测各路径是否与障碍物交叉。 原理如下。 传递到障碍物边界的匿名函数和线段两端在线段上等分取n个点，对各点判断是否落入障碍物内，至少有一点落入障碍物内表示路径与障碍物发生了碰撞。 定义另一个iscollison ()。 确定每个路径是否与障碍物冲突，并调用iscoll函数。
(4)速度更新：
v i d=w
v i d + c 1 r 1 ( p i d − x i d ) + c 2 r 2 ( p g d − x i d ) (1.2) v_{id}=wv_{id}+c_{1}r_1( p_{id} -x_{id} ) +c_2r_2 ( p_{gd}-x_{id} ) tag{1.2} vid=wvid+c1r1(pid−xid)+c2r2(pgd−xid)(1.2) 其中 w 为权重系数， v i d v_{id} vid 为速度， c 1 c_1 c1、 c 2 c_2 c2为学习因子， p i d p_{id} pid、 p g d p_{gd} pgd为个体最优位置和全局最优位置， x i d x_{id} xid 为当前位置， r 1 r_1 r1、 r 2 r_2 r2为随机数。
（5）位置更新： x i d = x i d + v i d x_{id}=x_{id}+v_{id} xid=xid+vid ，其中 v i d v_{id} vid为速度， x i d x_{id} xid为位置。
从粒子群算法得出的规划路径可以看出，最优路径都在 11 点多（这里直接 用绘图单位长度），跟之前的遗传算法比较，最优路径都差不多。但是，比起运 行效率，粒子群算法优于遗传算法。
1.5 源码GitHub传送门！！！