[发明专利]基于自适应策略的粒子群算法在机器人路径规划中的应用

摘要

本发明基于自适应策略的粒子群算法在机器人路径规划中的应用。按照以下步骤进行步骤一使用自适应原理来改变粒子群算法中速度权重的计算方式，以此来改变算法，达到算法改进的目的，使算法能够更快的收敛和拥有更好的收敛平稳性；步骤二在对算法进行改进后，利用测试函数对其进行测试研究；步骤三在机器人路径规划中使用以改变的粒子群算法。本发明的方法在目标函数较多和测试函数比较复杂时，算法的改进对于算法收敛的快速性和收敛的平稳性非常有效。

主权项

基于自适应策略的粒子群算法在机器人路径规划中的应用，其特征在于，按照以下步骤进行：步骤一：使用自适应原理来改变粒子群算法中速度权重的计算方式；步骤二：在对算法进行改进后，利用测试函数对其进行测试研究；步骤三：在机器人路径规划中使用以改变的粒子群算法；具体步骤如下：首先对于每个粒子的个体历史最优位置的选择，将本代迭代种群与上一代种群合并，计算出每个粒子前一代和后一代在大的种群中的适应度值，如果前后两代之间存在支配关系，就将其中的非支配个体当作下一代迭代的个体历史最优位置，如果不存在支配关系就选择适应度值低的个体作为个体历史最优位置；其次，对于全局最优位置，将迭代产生的新种群的非支配解集和上一代的外部种群，合并为一个大的种群，计算每个粒子适应度值，将适应度值小于1的个体保留在的外部种群中，从外部种群中根据适应度值的大小，利用轮盘赌的方法为每个个体选择对于全局最优位置；最后，对于速度权重w，根据自适应思想提出了根据当前个体的适应度值利用自适应思想产生新的速度权重w计算方法；在标准多目标粒子群优化算法中引入强度帕累托进化算法的环境选择策略和配对选择策略，并在此基础上改变速度权重的计算方式，其中表示每个粒子的当前速度和位置,分别代表每个粒子的历史最优位置和种群全局最优位置，c1，c2是学习因子，是当前每个粒子的适应度值，当前种群所有粒子的适应度值的平均值， rand是0到1之间的随机数，是速度权重的最小最大值，Wi为第i个粒子的速度权重，fmin为粒子的最小适应度值。