[发明专利]一种基于自适应混沌粒子群算法的机器人路径规划方法

权利要求书

1.一种基于自适应混沌粒子群算法的机器人路径规划方法，其特征在于，包括如下步骤：

步骤1：创建机器人移动环境地图，确定机器人的起始位置S和目标位置G；

步骤2：根据机器人移动环境地图中的坐标变换得到一组相互平行的直线簇{L₁,L₂,L₃,···L_d}，由直线簇与地图的交点求出和根据和求出粒子在每个维度上飞行的最大速度其中，

步骤3：设置粒子种群数目n、最大迭代次数itermax、圆形机器人半径r、自适应Logistic映射的最大混沌寻优次数Chaosmax，障碍物产生危害影响的最大作用距离l^max、最小作用距离l^min以及路径对周边障碍物的搜索范围l_o，初始化群粒子算法中的参数，包括路径长度、障碍物危险程度和路径平滑度；由如下公式初始化每个粒子在坐标系S-X'Y'下的初始速度和初始位置；

其中r为(0,1)上的随机数，i＝1,2,···,n为种群粒子个数，j＝1,2,···,d为粒子维数；

步骤4：由移动机器人路径规划的适应度函数f计算各粒子的初始适应度函数值f_i⁰，根据f_i⁰的值更新和并求出每个粒子的初始惯性权重再由求出每个粒子的初始加速系数；

步骤5：更新每个粒子的速度和位置，如果粒子的速度和位置超出最大值和边界值，则按最值计算；

步骤6：求出每个粒子在当前迭代次数下的适应度函数值f_i^t，根据f_i^t的值，首先求出用于下一次迭代的惯性权重并由求出下一次迭代时的加速系数，然后用f_i^t的值更新粒子个体最佳位置和粒子全局最佳位置

步骤7：计算当前迭代时刻粒子种群密度的大小β_t，将β_t与预先设定的阀值进行比较，如果β_t小于预先设定的阀值，则说明粒子陷入局部极值，执行步骤8，否则执行步骤9；所述粒子种群密度的大小β_t如下式所示：

其中x_i,j为当前第i个粒子在第j维坐标值，x_g,j为全局最佳粒子在第j维坐标值；

步骤8：采用改进的自适应搜索策略，利用自适应Logistic混沌映射对全局最优粒子进行混沌优化，引导种群跳出局部极值点；

步骤9：判断是否达到最大迭代次数itermax，如果没有，则返回步骤5。

2.根据权利要求1所述的一种基于自适应混沌粒子群算法的机器人路径规划方法，其特征在于，所述步骤4中，移动机器人路径规划的适应度函数f定义为路径长度、障碍物危险程度和路径平滑度的加权组合，适应度函数f的值越小，路径解的质量越高。

3.根据权利要求1所述的一种基于自适应混沌粒子群算法的机器人路径规划方法，其特征在于，所述步骤5中，更新每个粒子的速度和位置的方法为：假设有n个粒子存在于d维搜索空间中，则第i个粒子在第t次迭代时的位置和飞行速度分别表示为向量和向量第i个粒子在第t+1次迭代时速度和位置更新方法采用如下公式表达：

其中ω为惯性权重因子，r₁和r₂为服从均匀分布U(0,1)的随机变量，c₁和c₂是加速系数。

4.根据权利要求1所述的一种基于自适应混沌粒子群算法的机器人路径规划方法，其特征在于，所述步骤8中，所述改进的自适应搜索策略为：在混沌优化前，首先将当前迭代次数中所有粒子的适应度函数值按从大到小排列；然后取前面80％的粒子，求得每个粒子在第j维的最小值a(j,t)和最大值b(j,t)；最后把每一维上的最小值和最大值作为逆映射到原解空间时粒子的搜索范围。