[发明专利]一种基于改进蜉蝣算法的移动机器人全局路径规划方法

说明书

本发明公开了一种基于改进蜉蝣算法的移动机器人全局路径规划方法，包括以下步骤：对地图环境建模；初始化蜉蝣种群参数，随机生成蜉蝣种群的位置，设置初始速度，生成初始路径，并计算适应度值；更新雄雌蜉蝣的速度和位置；计算更新后的蜉蝣的适应度值并排序；生成蜉蝣子代，并对子代蜉蝣进行变异操作；将子代蜉蝣分为雌雄，计算子代蜉蝣的适应度值，更新个体最优、全局最优和相关参数；更新舞蹈系数和随机飞行系数，更新权重系数；判断是否达到最大迭代次数，若是则输出最优解。本发明引入离子运动交叉搜索规则和自适应惯性权重来提高算法的收敛效率和全局搜索能力，同时引入F分布随机变异增加算法搜索结果的多样性，收敛过程更加快速稳定。

技术领域

本发明涉及机器人路径规划领域，特别涉及一种基于改进蜉蝣算法的移动机器人全局路径规划方法。

背景技术

自主移动机器人是一种可编程的多任务机械设备，能够在包含障碍物的环境中自由移动，执行各种功能并通过传感器获取环境信息，其中路径规划是移动机器人在完成任务前必须要解决的最基本问题之一。路径规划技术是为机器人在规范的空间中移动而制定的行为准则，遵循特定的性能指标和算法，其目的是为机器人从当前位置到空间中的目标点搜索可行的预期动作路径。早期研究人员提出了很多种算法为机器人规划路径，但这些方法都存在一些缺点，如方法过于复杂、不适用于复杂环境等。为了克服这些缺点，元启发式方法在近年来吸引了大量的研究人员进行研究，例如蚁群算法、粒子群优化算法、细菌觅食优化算法等。

Konstantions Zervoudakis在2020年提出了一种新型的群智能算法——蜉蝣算法(Mayfly Algorithm，MA)，其结合了粒子群算法、萤火虫算法和遗传算法的优点。与大多数生物启发优化算法相比，蜉蝣算法具有更快的收敛速度和收敛精度。然而，蜉蝣算法的全局搜索能力较弱，也存在局部最优等低多样性和停滞问题，这也导致了算法后期难以达到理想的精度和算法稳定性。

发明内容

为了解决上述技术问题，本发明提供一种算法简单、搜索能力好、收敛快速稳定的基于改进蜉蝣算法的移动机器人全局路径规划方法。

本发明解决上述问题的技术方案是：一种基于改进蜉蝣算法的移动机器人全局路径规划方法，包括以下步骤：

步骤1：获取地图信息，对地图环境进行建模；

步骤2：初始化蜉蝣种群参数，随机生成蜉蝣种群的位置x，设置初始速度v为零，生成初始路径，并计算适应度值；

步骤3：更新雄雌蜉蝣的速度和位置；

步骤4：计算更新后的蜉蝣的适应度值，然后根据适应度值对蜉蝣的位置由小到大进行排序；

步骤5：生成蜉蝣子代，并对子代蜉蝣进行变异操作；

步骤6：将子代蜉蝣分为雌雄，计算子代蜉蝣的适应度值，更新个体最优、全局最优和相关参数；

步骤7：更新舞蹈系数和随机飞行系数，更新权重系数；

步骤8：判断是否达到最大迭代次数，若是则输出最优解，否则返回步骤3。

上述基于改进蜉蝣算法的移动机器人全局路径规划方法，所述步骤1中，为了方便建立机器人路径规划的几何模型，首先做下面几点假设:

(1)假设机器人运动在一个二维的空间，即在环境中不需要考虑机器人和障碍物的高度问题；

(2)假设在环境中不存在动态的障碍物，并且移动机器人已经掌握了环境中全部静态障碍物的信息；

(3)假设移动机器人被当做一个质点，它的大小和形状不需要考虑；