![](https://csdnimg.cn/release/download_crawler_static/87225241/bg1.jpg)
1. 引言
路径规划
[1]
是当前移动机器人研究领域中的重要问题之一,具体指机器人找到一条从
指定的起始位置到达目标位置且移动期间和障碍物不发生碰撞的最短路径.目前,已有许多
学者提出求解路径规划问题的群智能优化算法,如粒子群算法
[2]
,蚁群算法
[3]
,灰狼优化算
法
[4]
等.张子然等人
[5]
提出利用 K-means 算法对地图进行预处理,使机器人在有较小复杂性
的区域寻找最佳路径,减少路径拐点; 之后采用双向搜索策略,以减少机器人的移动时
间,提高路径搜索效率.倪昌浩和邹海
[6]
引入黄金正弦算法和种群平均位置来提高种群的多
样性,然后通过删除节点减少了机器人运动中不必要的路径.胡章芳等人
[7]
结合遗传算法和
细菌觅食算法改进粒子群优化算法,采用分治策略更新粒子信息,既节省了时间,又增强
了机器人的局部搜索能力,从而得到更快的路径轨迹和较短的路径距离.这些算法如今已被
成功应用到机器人的路径规划中.
樽海鞘群算法(SSA)
[8]
是由 Mirjalili 提出的一种优化算法, 算法的提出受到了广泛关
注,并在工程上得到了应用,但算法也存在自身的一些不足.为此,本文提出一种基于扰动
因子和自适应惯性权重的改进樽海鞘群算法(DISSA).主要从以下三个方面解决:(1)通过在
领导者位置更新阶段添加扰动因子,增加算法局部搜索能力和种群的多样性;(2)为解决跟
随者盲目跟从,易陷入局部最优解的问题,改进跟随者位置更新公式;(3)在改进的跟随者
位置更新阶段加入由负双曲正切函数控制的惯性权重,以达到算法开发和探索的平衡.通过
12 个测试函数检验算法的有效性,结果表明改进算法拥有良好的稳定性和寻优性能.将改进
算法应用于机器人的路径规划,结果显示改进算法寻优能力较好.
2. 基本樽海鞘群算法
2.1 种群的初始化
定义矩阵空间为 N×D 维,其中 N 是种群的数量,D 是空间维度.X
d
i
=[X
d
1
、X
d
2
、X
d
3
、
X
d
4
,…,X
d
n
],(i=1,2,3 …,N)代表个体 i 在第 d 维空间所处位置;定义各维度的搜索空
间上界为 ub=(ub
1
, ub
2
, ub
3
, …, ub
D
), 下界为 lb=(lb
1
, lb
2
, lb
3
, …, lb
D
),最后,根据生成随机数
的方法进行种群的初始化.公式如式(1)所示:
Xid=lb+rand(N,D)×(ub−lb)Xdi=lb+rand(N,D)×(ub−lb)
2.2 领导者更新阶段
领导者位置更新公式为
X1d={Fd+c1((ubd−lbd)c2+lbd)c3⩾0.5Fd−c1((ubd−lbd)c2+lbd)c3<0.5Xd1={Fd+c1((ubd−lbd)c2+lbd)c3⩾0.5Fd−c1((ubd−lbd)c2+lbd)c3<0.5
评论0
最新资源