[发明专利]融合混沌和精英反向学习的机器人路径规划方法

摘要

本发明公开了一种融合混沌和精英反向学习的机器人路径规划方法。本发明使用关键节点表示机器人的路径，利用融合混沌和精英反向学习的花授粉算法优化机器人路径的关键节点。在该算法中，引入基于精英个体的反向学习策略，然后使用Kent混沌序列构造的混沌权重，将其与差分学习策略加权，作为花授粉算法的新算子。通过引入混沌和精英反向学习，增强了花授粉算法的全局搜索能力，提高解的质量。本发明能够提高机器人路径规划的效率。

主权项

融合混沌和精英反向学习的机器人路径规划方法，其特征在于，包括以下步骤：步骤1，根据机器人路径规划区域的环境，得到路径规划区域的地图，然后对地图进行栅格化；步骤2，用户初始化参数，所述初始化参数包括种群大小Popsize，交叉授粉率PCR，反向学习率OBC，缩放因子CF，机器人规划路径中的关键节点数量D，精英数量Num，最大评价次数MAX_FEs；步骤3，输入机器人路径规划的起始点坐标和终止点坐标；步骤4，令当前演化代数t＝0，及当前评价次数FEs＝0；步骤5，初始化Kent混沌映射变量KX为(0,1)区间内的随机实数；步骤6，随机产生初始种群其中个体下标i＝1,2,...,Popsize，为种群中第i个个体，存储了D个关键节点的横坐标和纵坐标，其中维度下标j＝1,2,...,2×D；步骤7，计算当前种群Pt中的每个个体的适应值；步骤8，令当前评价次数FEs＝FEs+Popsize；步骤9，保存当前种群Pt中的最优个体Bestt；步骤10，令计数器ki＝1，然后令候选种群PUt为空集；步骤11，如果计数器ki大于Popsize，则转到步骤17，否则转到步骤12；步骤12，执行精英反向学习搜索策略，产生候选个体具体操作如下：步骤12.1，在[1,Popsize]区间内随机产生两个不相等且都不等于ki的正整数Rx和Ry；步骤12.2，利用Kent混沌映射，按公式(1)计算反向学习混沌权重W；步骤12.3，更新Kent混沌映射变量KX＝W；步骤12.4，令计数器tj＝1；步骤12.5，如果计数器tj大于2×D，则转到步骤13，否则转到步骤12.6；步骤12.6，随机产生服从Levy分布的一个实数TL；步骤12.7，在[0,1]之间随机产生一个实数PCRT；步骤12.8，如果PCRT小于PCR，则转到步骤12.9，否则转到步骤12.11；步骤12.9，执行交叉授粉操作，计算步骤12.10，转到步骤12.18；步骤12.11，在[0,1]之间随机产生一个实数TOB；步骤12.12，如果TOB小于OBC，则转到步骤12.13，否则转到步骤12.17；步骤12.13，在当前种群Pt中选择Num个优秀的个体，组成精英种群其中个体下标ni＝1,2,...,Num；步骤12.14，在[1,Num]之间随机产生一个正整数NTR；步骤12.15，使用混沌权重融合精英反向学习与差分学习，按公式(2)计算候选个体的第tj维Uki,tjt=W×(2×BANTR,tjt-Aki,tjt)+(1-W)×[Aki,tjt+CF×(ARx,tjt-ARy,tjt)]---(2)]]>步骤12.16，转到步骤12.18；步骤12.17，执行自花授粉操作，按公式(3)计算候选个体的第tj维Uki,tjt=Aki,tjt+rand(0,1)×(ARx,tjt-ARy,tjt)---(3)]]>其中，rand(0,1)为在[0,1]之间服从均匀分布的随机实数产生函数；步骤12.18，将解码为对应的关键节点坐标Pot，若坐标Pot不在地图范围内或在地图中的位置标记有障碍，则随机产生的值，直到的值对应的关键节点坐标在地图中且未标记障碍；步骤12.19，令计数器tj＝tj+1，转到步骤12.5；步骤13，对个体进行局部搜索，具体操作如下：步骤13.1，将个体进行解码得到D个关键节点的坐标:TP1,TP2,...,TPD；步骤13.2，令TP0为机器人路径规划的起始点坐标，并令TPD+1为机器人路径规划的终止点坐标；步骤13.3，依次对规划路径上的每个关键节点TPbi，执行100次寻优操作,其中下标bi＝1,2,...,D；在寻优操作中，令RangeA为整个地图无障碍区域，并令RangeB为由TPbi‑1、TPbi+1的连线作为直径确定的圆形区域，然后从RangeA和RangeB中随机选择一个记为搜索区域RangeS；每次在搜索区域RangeS内，随机选取一点，坐标记为TPR，如果经过TPR的路径优于经过TPbi的路径，则令TPbi＝TPR，且更新个体步骤14，计算个体的适应值；步骤15，将个体加入到候选种群PUt中；步骤16，计数器ki＝ki+1，转到步骤11；步骤17，从当前种群Pt与候选种群PUt中选择出下一代种群Pt+1；步骤18，令当前评价次数FEs＝FEs+Popsize；步骤19，令当前演化代数t＝t+1；步骤20，保存当前种群Pt中的最优个体Bestt；步骤21，重复步骤10至步骤20，直至当前评价次数FEs大于或等于MAX_FEs后结束；步骤22，将最优个体Bestt解码为D个关键节点的坐标，即可得到机器人的规划路径。