基于改进遗传算法的移动机器人路径规划.docxVIP

基于改进遗传算法的移动机器人路径规划 　　摘要：将遗传算法用于路径规划时，传统算法虽然简单，但不适用转弯情况较多的复杂地图。针对这一问题，首先将rrt算法用于栅格环境下产生初始路径，其次提出一种新的插入算子，最后进行路径优化。根据不同地图与其他文献中的改进遗传算法，进行对比研究与分析，制定路径长度与算法用时2个指标来评判算法的优劣。仿真结果表明，改进算法得到的路径长度缩短了70%，路径长度达到最优的用时减少了8%。 　　关键词：移动机器人;遗传算法;路径规划;算法评判;插入算子;路径优化 　　中图分类号：tn820.4-34;tp301.6 　　文献标识码：a 　　文章编号：1004-373x（2019）24-0172-04 　　遗传算法是一种模拟自然界选择进化的全局优化算法，利用遗传算法求解最优问题是通过选择交叉变异算子不断迭代来实现的。采用遗传算法路径规划的文献并不少见[1-5]。文献[1]提出了人工势场法与遗传算法相结合的方法，使得算法得到的路径平滑度较高;文献[2]采用了dijstar算法初始化种群，用遗传算法得到了安全度较高的路径;文献[5]提出了根据种群的适应度方差自适应选择的选择策略;文献[6]在遗传算法得到的路径上重新排列基因优化了路径长度与路径平滑度;文献[7]采用了在当前点附近产生个体的方法，以距离为适应度函数，用遗传算法进行了路径规划。 　　1基于改进遗传算法的路径规划 　　在传统遗传算法栅格路径规划的基础上提出了新的初始化方式、变异方式以及插入方式，改善了全局寻优效果。 　　1.1栅格模型 　　首先将给定地图栅格化，将障碍物所占的栅格用黑色栅格表示，自由空间用白色栅格表示，图1中黑色曲线表示一条典型的栅格环境路径，该路径是由从起点到终点的一系列路径点组成的路径规划算法的任务，即寻找从起点到终点的一系列连续路径点，使得连接路径点的路径长度或安全度最优。路径点的位置可以用直角坐标或栅格序号表示，给定栅格中心点的栅格序号p（i，j）与直角坐标[x（i，j），y（i，j）]的转换关系如下： 　　x（i，j）=mod（p（i，j），10）-0.5 　　y（i，j）=floor（p（i，j），10）+0.5 　　（1） 　　p（i，j）=x（i，j）+0.5+10（1，（i，j）一0.5） 　　图1中的路径点组成的路径点集合为{1，12，23，24，25，26，36，46，56，67，68，69，80，90，1001，移动机器人的起点序号为1，终点序号为100。遗传算法中的个体用路径序号组成的向量表示，1个个体代表一条无碰撞路径。 　　1.2遗传算法初始化 　　传统遗传算法用于栅格路径规划时，在初始化中采用较多的是中点插值法，即随机产生一定数量的路径点，在每两个路径点之间采用中点插值的方式进行路径插补。文中将rrt算法用于遗传算法种群的初始化，给定起点与终点，从起点开始产生随机树并不断生长，直到此随机树到达终点。 　　文中算法产生一条路径的具体步骤如下： 　　1）将起点坐标（如图1中的[1，1]）加入随机树中; 　　2）在地图范围内以50%的概率产生1个随机点作为目标点，其余50%的概率以终点为目标点，计算得到距离此目标点最近的树节点p（x，y）; 　　3）在p（x，y）所在栅格的邻居栅格中选出所有非障碍物栅格，若p（x，y）的所有邻居栅格都在障碍物中，则跳到步骤2）; 　　4）在步骤3）产生的满足条件的邻居栅格中，选择距离步骤2）产生的随机点最近的栅格中心点，若此点已经在树中，跳到步骤2），若此点不在树中，将此点作为树节点，即将此距离最近的点加入树中。 　　5）檢查步骤4）新加入树中的点的所有邻居栅格，若终点在这些邻居栅格内，算法结束。若终点不在栅格内，跳到步骤2）。 　　按照上述算法产生种群数量的路径，初始化结束。 　　1.3适应度函数 　　文中适应度函数选择为路径长度。 　　1.4选择算子 　　文中采用文献[5]提出的自适应选择算法，个体被选择的概率为： 　　p=α（1-a）i-l（2）式中：i为按个体距离长度排序后的个体序号值;α为： 　　产生个体概率后，使用随机遍及取样（sus）算法选择个体。 　　1.5交叉算子 　　文中采用单点交叉算法，即在种群内随机选择2个待交叉个体，找到这两个个体的除起点与终点外的公共点，随机选择公共点中的一个点，交换这两个个体选择到的点的后半部分路径点产生两个新的个体。个体交叉示意图如图2所示，图中前两个地图中的个体在序号为56