[发明专利]基于粒子群和差分进化算法的移动机器人路径规划方法

说明书

本发明公开了一种基于粒子群和差分进化算法的移动机器人路径规划方法，包括以下步骤：输入地图模型；初始化路径参数和粒子群参数；设计路径规划目标函数，由路径长度函数和惩罚函数组成；通过引入企业治理思想、加入自适应调整权重和加速度系数来改进传统粒子群算法，优化并更新速度V和位置X，生成更优的精英种群作为改进差分进化算法的初始种群，结合自适应参数的缩放因子F和交叉概率因子CR，进行变异操作、交叉操作、选择操作，实现粒子群的迭代优化，并更新粒子群的Adm，输出优化路径并进行平滑处理。本发明可以有效的提高移动机器人在静态复杂环境模型中的路径规划能力，提高规划效率，生成路径长度最短且平滑的抵达目标点的无碰撞路径。

技术领域

本发明涉及机器人运动规划领域，具体涉及一种基于粒子群和差分进化算法的移动机器人路径规划方法。

背景技术

路径规划是移动机器人技术中的重要研究方向之一。移动机器人的路径规划是指在静态环境或动态环境中规划出一条满足某种条件(通常是指最优的)的抵达目标点的无碰撞路径。良好的移动机器人路径规划技术可以应用于机器人探索人类无法到达的恶劣环境；代替人类进行火灾抢救等高危救援；帮助视障人士进行路径指引；也可应用于智能仓储领域，提高物料运输效率，减小人力物力。

现有技术中，利用启发式算法来优化路径规划问题，包括粒子群算法(PSO)，人工蜂群算法(ABC)，遗传算法(GA)，灰狼算法(GWO)，蚁群算法(ACO)，差分进化算法(DE)等。其中，JianfangLian等人利用混沌自适应粒子来优化粒子群算法，并对参数进行自适应调整。FaizaGul等人利用灰狼算法-粒子群算法混合优化算法来解决寻找最小路径问题。Chang-FengChen等人则提出基于ABC算法和PSO算法的混合算法，即PSO-ABC算法。但是改进的算法仍然具有收敛精度低，易早熟等局限性，导致路径规划效率差。

发明内容

本发明的目的在于克服上述缺点而提出了一种基于粒子群和差分进化算法的移动机器人路径规划方法，可以有效的提高移动机器人在静态复杂环境模型中的路径规划能力，提高规划效率，生成路径长度最短且平滑的抵达目标点的无碰撞路径。

本发明的基于粒子群和差分进化算法的移动机器人路径规划方法，其中：该方法包括以下步骤:

步骤一、地图构建：获取移动机器人自身所在位置信息以及目标点坐标信息，同时获取障碍物信息进行地图构建，形成地图模型，获取环境信息；

步骤二、初始化路径参数：包括移动机器人起始点Start、终点坐标Goal，路径节点、最大迭代次数T、加速度因子c_i(i＝1,2,3,4)；

步骤三、随机初始化粒子群参数：包括维度D、种群粒子数N、位置X、速度V；

步骤四、设计路径规划目标函数：根据路径规划的需求，设计评价指标，构建目标函数，进行路径适应度值fit计算，并确定最大适应度值fit_max和最小适应度值fit_min；

步骤五、改进传统粒子群算法：通过引入企业治理思想、加入自适应调整权重和加速度系数来改进传统粒子群算法；基于计算的路径适应度值，计算个体最佳位置，局部最佳位置，全局最佳位置，选举管理者粒子Adm，从而优化并更新速度V和位置X，生成更优的精英种群；

所述优化并更新速度和位置的公式如下：

2)惯性因素：ω^*·V_i^t

速度更新公式(1)的第一项为惯性因素，为自适应惯性权重ω^*和第t代的第i个粒子的速度V_i^t的乘积，其中惯性权重的概念与传统粒子群原理相同；