基于改进粒子群算法的智能机器人路径规划.docVIP

基于改进粒子群算法的智能机器人路径规划 摘 要： 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全性、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： TP301.6 文献标志码：A Path planning for intelligent robots based on improved particle swarm optimization algorithm Abstract： As regards the poor local optimization ability of Particle Swarm Optimization （PSO）， a nonlinear dynamic adjusting inertia weight was put forward to improve the particle swarm path planning algorithm. This algorithm combined the grid method and particle swarm algorithm， introduced the two concepts of safety and smoothness based on path length， and established dynamic adjustment path length of the fitness function. Compared with the traditional PSO. The experimental results show that the improved algorithm has stronger security， real-time and optimization ability. Key words： intelligent robot； path planning； grid method； Particle Swarm Optimization （PSO） algorithm 0 引言 路径规划是智能机器人导航的最基本环节之一，它是指智能机器人在具有障碍物的工作环境中，按照某一性能指标（如距离、时间、能量等），不间断地利用所携带的传感器去认知周围的环境，读取障碍物的大小、位置和距离，不断地感知环境信息和周围障碍物的变化，搜索一条从起始状态到目标状态的最优或近似最优的安全、无碰撞路径。根据智能机器人对环境信息的已知程度，路径规划可分为两类：一类是环境信息已知的全局路径规划，另一类是环境信息未知或部分已知的局部路径规划[1]。目前，常用的路径规划方法主要有粒子群（Particle Swarm Optimization，PSO）算法、人工势场法、栅格法、神经网络法和蚁群算法等。相比其他算法而言，粒子群算法具有收敛速度快、设置参数少、实现简单等特点，近年来受到很多学者的重视，并成功应用于许多领域。但粒子群算法本身还存在着一些缺陷，如局部寻优能力差、速度和位置更新公式不够完善等问题，严重影响了路径规划的计算效率和可靠性。在对粒子群算法的深入研究中，国内外学者对其固有缺陷提出了各种改进方法，主要通过引入固定的惯性权重和学习因子等方法对速度更新公式进行修改，有所改观但并不完美。针对上述问题，本文采用栅格法建立环境模型，以粒子群算法为基本演化算法，引入非线性动态调整惯性权重和改进适应度函数的方法对粒子群算法加以改进[2]，将粒子群算法直接运用到栅格法中，得到智能机器人全局最优路径。 1 粒子群算法基本思想 粒子群（PSO）算法是一种群智能算法，由Eberhart博士和Kennedy博士于1995年提出[3]，其基本思想源于对鸟群的行为模拟，通过群体中粒子间的合作与竞争而产生的群体智能来指导优化搜索。PSO算法用随机解初始化一群随机粒子，通过迭代找到最优解，在每一次迭代中，每个粒子通过跟踪个体极值（pbest）和全局极值（gbest）来更新自己。同时，每个粒子不断改变其在解空间中的速度，以决定个体的走向及飞行距离，并尽可能朝个体极值（pbest）和全局极值（gbest）所指向的区域“飞”去。 PSO算法常规的数学描述为：设在一个N维的目标搜索空间中，有m个粒子组成一个群落，其中第i个粒子在N维空间里第d维分量（1≤d≤N）的速度和位置变化公式为： 其中：vkid表示迭代第k次时粒子i飞行速度矢量的第d维分量；xkid表示迭代第k次时粒子i位置矢量的第d维分量；pkid