基于粒子群算法的机器人路径规划讲义.docVIP

基于改进粒子群算法的智能机器人路径规划 摘 要:针对机器人路径规划问题，为了使机器人能在较短的时间里，经过最短的路径，且较平滑的从起始位置运动到目标位置。本文采用粒子群群智能算法，首先，用栅格法建模，然后用粒子群算法寻优。针对粒子群算法局部寻优能力差的缺点，提出一种非线性动态调整惯性权重的改进粒子群路径规划算法。该算法将栅格法与粒子群算法进行有效结合，在路径长度的基础上引入安全度和平滑度概念，建立动态调整路径长度的适应度函数。与传统的粒子群算法相比，实验结果表明，改进算法具有较强的安性实时性及寻优能力。 关键词:智能机器人; 路径规划; 栅格法; 粒子群算法 中图分类号：TQ 028.8 文献标志码：A 粒子群算法的背景是人工生命，人工生命是来研究具有某些生命基本特征的人工系统。人工生命包括两方面的内容。其一是研究如何利用计算技术研究生物现象；其二研究如何利用生物技术研究计算问题。我们现在关注的是第二部分的内容。现在已经有很多源于生物现象的计算技巧。例如，人工神经网络是简化的大脑模型；遗传算法是模拟基因进化过程的。现在我们讨论另一种生物系统—社会系统。更确切的是，在由简单个体组成的群落与环境以及个体之间的互动行为。也可称做群智能(Swarm Intelligence)。这些模拟系统利用局部信息从而可能产生不可预测的群体行为，它们都用来模拟鱼群和鸟群的运动规律，主要用于计算机视觉和计算机辅助设计。 在计算智能(Computational Intelligence)领域有两种基于群智能的算法。蚁群算法(Ant Colony Optimization)和粒子群算法(Particle Swarm Optimization)。前者是对蚂蚁群落食物采集过程的模拟。已经成功运用在很多离散优化问题上。粒子群优化算法(PSO) 也是起源对简单社会系统的模拟。最初设想是模拟鸟群觅食的过程，但后来发现PSO是一种很好的优化工具。如前所述，PSO模拟鸟群的捕食行为。设想这样一个场景：一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢？最简单有效的就是搜寻目前离食物最近的鸟的周围区域。PSO从这种模型中得到启示并用于解决优化问题。 PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为粒子。所有的粒子都有一个由被优化的函数决定的适应值(itness value)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解个微粒表示为，然后粒子们就跟踪两个极值在解空间中搜索第一个就是粒子本身所找到的最优解这个解叫做个体极值；另一个极值是这个极值是全局极值。另外也可以不用整个种群而只是用其中一部分粒子的邻居，那么在所有邻居中的极值就是局部极值。的速度用表示，而每一个粒子的位置就是一个潜在的解。在每一次迭代计算中, 粒子维()根据如下公式来更新自己的速度和 （） （） 其中，是[0，1]范围内变化的随机函数；和是正实数，称作学习因子(Learning Factors)，用来调节每次迭代的步长；为惯性权重(Inertia Weight)；为迭代次数；此外，微粒的速度被一个最大速度所限制。如果当前对微粒的加速导致它在某维的速度超过该维的最大速度，则该维的速度被限制为该维最大速度。 公式()的第1部分为动量项，该项系数随着迭代逐步减小可渐进地加强局部搜索能力；第2部分为认知(Cognition)部分，表示微粒自身的思考；第3部分为社会(Social)部分，表示微粒间的信息共享与相互合作。 （a) 处理前障碍物形状 （b) 处理后障碍物的形状 图1 障碍物形状处理图 3 改进粒子群算法的路径规划 在建立的空间模型中，利用粒子群算法直接找出一条最优路径。粒子群算法中的每一个粒子都有一个解，也就是一条路径，粒子群算法从众多的解中寻找一个最优解形成最优路径。每个粒子的优化函数是粒子所代表的路径长度，在这里具体指的是每一个粒子所跨过的格数。 3.1 粒子的有效性 粒子的有效性是指粒子中任意两个相邻的元素之间的矩形区域能自由连通，中间不能有障碍物。即满足约束条件且所经过的栅格为自由栅格的粒子为有效粒子，只要粒子中任意两个相邻的元素不能自由连通或栅格中同一行( 同一列)迂回出现两次路径，该粒子就无效。图 2 中三幅图表示的是粒子从第次迭代到第次有效路径的实例，图 3 中三幅图表示的是粒子从第次迭代到第 次无效路径的实例。 （