[发明专利]基于混合粒子群的移动机器人全局路径规划算法

摘要

本发明公开了一种基于混合粒子群的移动机器人全局路径规划算法，粒子首先按照NTVPSO中定义的运动规则更新它们的速度和位置。然后，利用RBSADE在每一次迭代结束之后进化每个粒子的个体最优位置，从而避免算法过早陷入迭代停滞，提高其在机器人路径规划中的优化效率。

主权项

基于混合粒子群的移动机器人全局路径规划算法，其特征在于包括以下步骤：步骤一、建立混合粒子群算法粒子按照以下方式对其速度和位置进行更新：Vmk+1=ωVmk+c1r1(pbestmk-Xmk)+c2r2(gbestmk-Xmk)---(1)]]>Xmk+1=Vmk+1+Xmk---(2)]]>其中，ω表示粒子的惯性权重系数；c1表示粒子的认知加速度系数；c2表示粒子的社会认知加速度系数；和分别表示粒子m在第k和k+1次迭代时刻的速度；和分别表示粒子m在第k和k+1次迭代时刻的位置；和分别表示在第k次迭代时刻粒子m的个体最优位置和群体的全局最优位置；ω、c1、c2是影响算法性能的三个主要控制参数，采用以下自适应法则对这三个参数进行更新：ω=ωmax-ωminexp(δm·βm·k)+ωmin---(3)]]>c1=c1s-c1fexp(δc1·βm·k)+c1f---(4)]]>c2=c2s-c2fexp(-δc2·βm·k)+c2f---(5)]]>其中：δm=ωmax-ωminkmax---(6)]]>δc1=c1s-c1fkmax---(7)]]>δc2=c2s-c2fkmax---(8)]]>βm=||Vmk-1||+||Vmk||2||Vmk-1||+Δ---(9)]]>ωmax和ωmin表示ω的上限和下限；c1s和c1f表示c1的初始值和最终值；c2s和c2f表示c2的初始值和最终值；kmax表示最大迭代次数；和表示在第k‑1和第k迭代时刻粒子m速度矢量的二范数；Δ是为了防止βm的分母变为0而引入的一个极小的正常数，Δ＝1e‑25；算法中要求满足ωmax>ωmin，c1s>c1f和c2s<c2f；步骤二、建立差分演化算法变异操作通过随机改变三个不同父辈的基因信息，按照下列公式产生一个新的个体：vi(k)=xi3(k)+Fi(xi1(k)-xi2(k))---(10)]]>其中，和是从i≠i1≠i2≠i3的当前种群中随机选择的个体，Fi表示差分进化算法的缩放因子；采用基于群体多样性的新的自适应方法来更新缩放向量Fi，使得每个元素按照如下的公式进行更新：Fi,j＝1‑divi,j(k)   (11)divi,j(k)=Σi=1SPESP·max(E)---(12)]]>E=Σj=1D[xi,j(k)-x‾j(k)]2---(13)]]>x‾j(k)=1SPΣi=1SPx‾i,j(k)---(14)]]>其中，Fi,j是缩放向量Fi的第j个元素；SP表示种群的大小；divi,j(k)表示在第k次迭代时刻第i个父辈个体的归一化的多样性；表示第k次迭代时刻种群中所有父辈个体的第j维多样性的平均值；E表示当前群体中第i个父辈个体相对于群体中所有个体平均多样性的差异；在差分演化算法中按照公式(10)‑(14)给出的变异操作产生新个体后，采用标准差分进化算法中的交叉和变异操作对新个体进行更新；步骤三、移动机器人工作环境建模假设机器人在二维空间里进行工作，并且其工作的环境中包含一定数目的障碍物，首先建立一个全局坐标系o‑xy，其中st和ta分别表示机器人的起始和终点位置，在o‑xy中，线段st‑ta被n个导航点等分为n+1段，其中n是一个预定义的常数参数；通过这些导航点画出n条垂线，得到一系列线l1,l2,...,ln；机器人的任意一条待选路径ph＝[st,p1,...,pn,ta]在这些垂线上随机产生；步骤四、移动机器人路径规划问题数学建模假设用p0和pn+1分别表示步骤四中所描述的机器人的起点st和终点位置ta，则路径规划问题建立成如下的数学模型：finding:ph=[st=p0,p1,p2,...,pn,ta=pn+1]minimize:Jcost=w1·JL+w2·1Jss.t.pipi+1∈semi-freeworkspace,0≤i≤n---(15)]]>其中，JL和Js分别表示路径长度和路径安全性；w1和w2是两个加权参数，表示JL和Js的相对重要性；步骤五、基于混合粒子群和差分演化算法的移动机器人路径规划框架用来表示导航点p1,...pn的y坐标，作为使用混合粒子群和差分演化算法对待优化量进行优化的粒子编码；通过下面的饱和机制来调节每个待优化变量ypi=width2,ifypi>width2-width2,ifypi<width2ypi,otherwise---(18)]]>其中，width表示工作空间的宽度；假设在机器人的规划空间中给定Nob个障碍物，HNTVPSO‑RBSADE中粒子m1的违反约束度可以通过如下的公式计算得到：violationm1=1NobΣj=1Nobviolm1j]]>violm1j=1ifm1collideswithobstaclej0otherwise---(19)]]>假设用NP表示HNTVPSO‑RBSADE中群体所包含的粒子总数，并且用表示在第k次迭代过程中粒子的个体最优解位置集合，建立基于HNTVPSO‑RBSADE算法求解机器人路径规划问题的框架如下：Step1.在机器人的规划空间中随机产生一个初始种群,并且获得初始时刻算法的全局最优位置gbest和BP；Step2.判断当前迭代次数是否到达最大迭代次数，如果是，则跳转至Step14；否则，跳入Step3；Step3.为BP中的每个个体进行变异，交叉和选择操作；Step4.按照公式(11)‑(14)更新BP中每个个体的缩放因子；Step5.按照公式(1)更新HNTVPSO‑RBSADE中每个粒子的速度；Step6.按照公式(2)更新HNTVPSO‑RBSADE中每个粒子的位置；Step7.按照公式(18)给出的饱和机制修正HNTVPSO‑RBSADE中每个粒子的位置；Step8.按照公式(15)‑(17)计算HNTVPSO‑RBSADE中每个粒子的目标函数值；Step9.按照公式(19)计算HNTVPSO‑RBSADE中每个粒子的违反约束度；Step10.按照公式(3)‑(9)更新HNTVPSO‑RBSADE中每个粒子的三个控制参数；Step11.按照解的可行性原则更新HNTVPSO‑RBSADE中每个粒子的个体最优位置pbest；Step12.按照解的可行性原则将每个粒子的pbest存放在BP中；Step13.按照解的可行性原则更新HNTVPSO‑RBSADE中群体的全局最优位置gbest；Step14.结束循环，并且输出gbest。