[发明专利]基于混合粒子群的移动机器人全局路径规划算法

说明书

技术领域

本发明属于机器人技术领域，涉及机器人全局路径规划算法，尤其涉及一种基于混合粒子群的移动机器人全局路径规划算法。

背景技术

在过去几十年中，移动机器人已经成功地用于工业和军事领域去执行一些关键且重要的无人任务，例如地面探测，监视和搜救。在机器人执行这些无人任务时，为机器人规划出一条可行的安全路径是机器人技术领域中一个重要的研究课题。机器人路径规划的目的是在一个相对复杂的工作环境中为机器人从起始位置到终点位置规划出一条最优或者次优的避障路径。由于其在不同领域的广泛应用，自20世纪60年代中期以来，路径规划问题引起了广大学者的研究兴趣。

自路径规划这个问题被提出开始，已经有许多路径规划方法。然而，在复杂环境下的路径规划问题，是一个非确定性时间多项式困难(non-deterministic polynomial-time hard,NP-hard)问题。该问题的NP-hard特性给其求解带来了巨大的挑战。所以，为了有效地求解这类问题，提出不同形式的高效能优化算法是十分必要的。

由于进化算法(Evolutionary Algorithms,EAS)基于种群的特性以及对复杂 NP-hard问题良好的搜索能力，近年来，许多学者提出了不同的进化算法例如遗传算法(Genetic Algorithm,GA)，模拟退火法(Simulation Annealing Algorithm SAA) 和人工神经网络算法(Artificial Neural Network,ANN)等来求解路径规划问题。

作为最强大的进化算法之一，由于其简单性和快速收敛的特性，粒子群优化(Particle Swarm Optimization,PSO)算法已被广泛应用于解决路径规划问题。然而，基本粒子群算法的性能有两个典型的缺陷：第一个缺陷是不能很好地平衡粒子的全局和局部搜索能力，从而容易导致算法过早陷入局部最优；此外，在一定迭代次数之后，当粒子不能搜索到比历史最优位置更好的位置时，基本粒子群算法就会陷入迭代停滞。为了提高PSO的性能，需要对这两个典型缺点进行弥补或克服。

作为另外一个广受欢迎的进化算法，差分进化(Differential Evolution,DE)算法由于其简单性，搜索可靠性以及易于实现等优点，已经被广泛应用于求解各种不同类型的优化问题。然而，对于不同的优化问题，DE算法的进化策略和控制参数的设置不尽相同，这需要用户根据自己的先验知识进行设定。所以，DE算法的进化策略和控制参数的设定是和具体问题息息相关的，这给设计有效的DE 算法带来了挑战。

对移动机器人进行全局路径规划，采用基本粒子算法求解时，面临以下两个问题：不能很好地平衡粒子的全局和局部搜索能力导致算法过早陷入局部最优，不能达到全局最优；在一定迭代次数之后就会陷入迭代停滞，从而影响粒子群算法在路径规划中的性能。

因为PSO和DE都属于处理群体演化计算的进化算法，自然而然，可以考虑到将这两种算法混合在一起，从而保证混合之后的算法可以借用两个算法的优点来提高算法的优化性能。

参考文献

[1][1]Zexuan Zhu,Fangxiao Wang,Shan He,and Yiwen Sun.Global Path Planning of Mobile Robots Using a Memetic Algorithm.International Journal of Systems Science,46(11):1982–1993,2015.

[2][2]Yong Zhang,Dun‐wei Gong,and Jian‐hua Zhang.Robot path planning in uncertain environment using multi‐objective particle swarm optimization.Neurocomputing,103:172–185,2013.

[3][3]N Geng,D W Gong,and Y Zhang.PSO‐Based Robot Path Planning for Multisurvivor Rescue in Limited Survival Time.Mathematical Problems in Engineering,2014(2014),2014.