群智能路径规划粒子群算法 python源程序

下面是一个简单的群智能路径规划粒子群算法的 Python 源程序，仅供参考：

import numpy as np

class Particle:
    def __init__(self, start, end, velocity=None):
        self.position = start
        self.velocity = velocity or np.zeros_like(start)
        self.best_position = self.position.copy()
        self.best_fitness = float('inf')
        self.end = end
        
    def fitness(self, obstacles):
        # 计算粒子的适应度
        fitness = 0
        for i in range(len(self.position)-1):
            path = [self.position[i], self.position[i+1]]
            for obs in obstacles:
                if is_intersect(path, obs):
                    fitness += 1
        fitness += distance(self.position[-1], self.end)
        return fitness
    
    def update(self, w, c1, c2, global_best):
        # 更新粒子的位置和速度
        r1, r2 = np.random.rand(2)
        self.velocity = w*self.velocity + c1*r1*(self.best_position - self.position) + c2*r2*(global_best - self.position)
        self.position += self.velocity
        self.check_bounds()
        self.update_best()
        
    def check_bounds(self):
        # 确保粒子的位置在边界内
        self.position = np.clip(self.position, 0, 100)
    
    def update_best(self):
        # 更新粒子的最佳位置和最佳适应度
        if self.fitness < self.best_fitness:
            self.best_fitness = self.fitness
            self.best_position = self.position.copy()

def is_intersect(path, obs):
    # 判断路径和障碍物是否相交
    p1, p2 = path
    q1, q2 = obs
    v1 = np.cross(q1-p1, p2-p1)
    v2 = np.cross(q2-p1, p2-p1)
    u1 = np.cross(p1-q1, q2-q1)
    u2 = np.cross(p2-q1, q2-q1)
    if np.sign(v1) != np.sign(v2) and np.sign(u1) != np.sign(u2):
        return True
    return False

def distance(p1, p2):
    # 计算两点之间的距离
    return np.sqrt(np.sum((p1-p2)**2))

def PSO(start, end, obstacles, num_particles, max_iter, w=0.8, c1=2, c2=2):
    # 群智能路径规划粒子群算法
    particles = [Particle(start, end) for _ in range(num_particles)]
    global_best = particles[0].best_position.copy()
    global_fitness = float('inf')
    for i in range(max_iter):
        for p in particles:
            fitness = p.fitness(obstacles)
            if fitness < global_fitness:
                global_fitness = fitness
                global_best = p.position.copy()
            p.update(w, c1, c2, global_best)
    return global_best

其中，`Particle` 类表示一个粒子，包含粒子的位置、速度、最佳位置、最佳适应度等属性，以及更新位置和速度的方法。

`is_intersect` 函数判断路径和障碍物是否相交，`distance` 函数计算两点之间的距离。

`PSO` 函数实现群智能路径规划粒子群算法，包括初始化粒子、更新全局最佳位置、更新每个粒子的位置和速度等过程。其中，`start` 和 `end` 分别表示起点和终点的位置，`obstacles` 是一个列表，表示障碍物的位置，`num_particles` 表示粒子数量，`max_iter` 表示最大迭代次数，`w`、`c1` 和 `c2` 分别是惯性权重、个体和全局学习因子。

注意，这只是一个简单的实现，实际应用中需要根据具体问题进行调整和优化。