基于粒子群算法的机器人路径规划.docxVIP

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 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 碍物的工作环境屮，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：一类是坏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。 0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⑵，将粒子群算法直接运用到栅格法屮，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 统一社会系统。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)o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)o 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。 在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(Fitness 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。第，个微粒表示为乙=(心,￡2，???，兀，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仇宀 记为PRpm，…曲;另一个极值是群体所有微粒经历过的最好位置(有最 好的适应度)，这个极值就是全局极值细，记为代=(仇1，“2,…，几J。另外也 可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。微粒i的速度用匕=(心$2,…皿d)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，粒子的第d维(