[发明专利]基于改进火烈鸟搜索算法的机器人路径规划方法及装置

说明书

本发明提供一种基于改进火烈鸟搜索算法的机器人路径规划方法及装置。该方法包括：步骤1、利用栅格法将机器人运行环境建模为栅格地图；步骤2、设置算法参数；步骤3、初始化种群，包括：在所述栅格地图中随机生成路径节点，每条路径由相同数量的路径节点组成，每条路径作为一个火烈鸟个体，P个火烈鸟个体构成初始种群；步骤4、利用反向学习策略对当前种群进行更新；步骤5、根据种群中火烈鸟个体的适应度值确定觅食者和迁徙者；步骤6、更新觅食者和迁徙者的位置；步骤7、根据萤火虫算法进一步更新种群；步骤8、判断是否达到最大迭代次数，若达到则执行步骤9，否则返回执行步骤4进行下一次迭代；步骤9、输出机器人最优路径。

技术领域

本发明涉及机器人路径规划技术领域，尤其涉及一种基于改进火烈鸟搜索算法的机器人路径规划方法及装置。

背景技术

火烈鸟搜索算法(Flamingo Search Algorithm，FSA)是一种模拟火烈鸟群体觅食行为的新型智能优化算法，可以用于路径规划领域。根据FSA的寻优过程可知，FSA存在以下不足：(1)初始化种群位置是随机的，不能保证种群质量；(2)在个体的迭代更新过程中缺少变异机制，导致种群多样性减少，难以跳出当前局部空间，容易陷入局部最优停滞。因此，FSA在路径规划中存在易陷入局部最优、后期收敛性慢、稳定性差等缺陷，往往达不到理想的路径规划效果。

发明内容

针对基于FSA的路径规划方法存在收敛慢且路径规划效果较差的问题，本发明提供一种基于改进火烈鸟搜索算法(Improved Flamingo Search Algorithm，IFSA)的机器人路径规划方法及装置，通过对种群初始化以及引入变异机制两方面对火烈鸟算法进行改进，并将IFSA应用到机器人的路径规划中。

一方面，本发明提供一种基于改进火烈鸟搜索算法的机器人路径规划方法，包括：

步骤1、利用栅格法将机器人运行环境建模为栅格地图；

步骤2、初始化种群大小P，最大迭代次数Iter_Max和第一部分迁徙火烈鸟的比例MP_b；

步骤3、初始化种群，包括：在所述栅格地图中随机生成路径节点，每条路径由相同数量的路径节点组成，每条路径作为一个火烈鸟个体，P个火烈鸟个体构成初始种群X；

步骤4、利用反向学习策略对当前种群进行更新，包括：对种群的每个火烈鸟个体计算其反向解，各反向解组成反向种群Y，取X,Y中的前P个火烈鸟个体构成种群Z；

步骤5、根据种群Z中火烈鸟个体的适应度值确定觅食者和迁徙者；

步骤6、更新觅食者和迁徙者的位置；

步骤7、根据萤火虫算法进一步更新种群；

步骤8、判断是否达到最大迭代次数，若达到则执行步骤9，否则返回执行步骤4进行下一次迭代；

步骤9、输出机器人最优路径。

进一步地，步骤5具体包括：计算火烈鸟个体的适应度，并根据适应度对当前种群中的所有火烈鸟个体进行排序，适应度低的前MP₀只火烈鸟个体和适应度高的前MP_t只火烈鸟个体是迁徙者，其他火烈鸟个体则是觅食者。

进一步地，MP₀＝MP_b×P，MP_r＝rand[0,1]×P×(1-MP_b)，MP_t＝P-MP₀-MPr；其中，rand[0,1]表示生成一个位于[0,1]之间的随机数。

进一步地，步骤6中，按照公式(1)更新觅食者的位置：