基于改进量子粒子群优化算法的全局路径规划方法技术

本发明专利技术适用于路径规划技术领域，提供了一种基于改进量子粒子群优化算法的全局路径规划方法，包括如下步骤：S1、创建栅格地图；S2、设置参数；S3、初始化粒子群；S4、迭代次数加一，更新当前各粒子的个体最好位置及适应度值；S5、更新全局最好位置及适应度值；S6、计算出本次迭代中所有粒子的个体最好位置的平均值；S7、预测各粒子在下次迭代中的位置；S8、进行多点交叉操作，组合新的粒子群，检测是否全局收敛或者是迭代次数是否达到最大迭代次数，若检测结果为否，执行步骤S4，若检测结果为是，输出各维度上的最优位置，获取全局规划路径。解决传统QPSO算法存在的“早熟”现象以及陷入局部最优的不足。

Global path planning method based on improved quantum particle swarm optimization

【技术实现步骤摘要】
基于改进量子粒子群优化算法的全局路径规划方法
本专利技术属于路径规划
，提供了一种基于改进量子粒子群优化算法的全局路径规划方法。
技术介绍
路径规划是移动机器人实现自主导航的核心技术之一，已成为移动机器人领域众多专家学者研究的热点问题。移动机器人路径规划方法大致分为三类，分别是全局路径规划方法、局部路径规划方法及混合路径规划方法。全局路径规划是针对在全局静态环境信息完全已知的情况下，为移动机器人寻求一条从起始位置到目标位置的无碰撞最优路径。全局路径规划包含环境建模和路径搜索算法两部分。常见的环境模型有栅格图法、可视图法、Voronoi图法等；路径搜索算法有遗传算法、蚁群算法、粒子群优化(PSO)算法、量子粒子群优化(QPSO)算法等。在现有的路径规划技术方案中，大多都是基于智能算法实现。如基于遗传算法(GA)的路径规划方法，在由多个染色体组成的种群中，通过选择、交叉、变异等操作，按照生物进化的原则，逐渐获得问题的最优解。该方法算法使用方便，具有较好的全局搜索能力，其最大的优势是易于与其他智能算法相融合，提高算法性能。但也存在容易陷入局部最优、运算时间长、收敛速度慢等缺陷。如基于粒子群优化(PSO)算法的路径规划方法，PSO是一种具有全局寻优能力的群体算法，具有运算速度快、局部搜索能力强的优点，但由于粒子的速度受到限制使得无法在整个可行解空间进行搜索，容易陷入局部最优。量子粒子群优化(QPSO)算法是从量子力学角度提出的解决PSO算法不能保证全局收敛问题的智能算法，它是一种在经典PSO算法的进化搜索策略中加入量子物理思想的改进算法，通过建立势阱模型和具有量子行为的粒子群并引入平均最好位置对粒子位置进行更新，传统QPSO算法存在的“早熟”现象以及陷入局部最优的不足。
技术实现思路
本专利技术实施例提供一种基于改进量子粒子群优化算法的全局路径规划方法，传统QPSO算法存在的“早熟”现象以及陷入局部最优的不足。本专利技术是这样实现的，一种基于改进量子粒子群优化算法的全局路径规划方法，所述方法具体包括如下步骤：S1、创建栅格地图，建立环境模型；S2、设定粒子数N，粒子维度D，最大迭代次数M，扩张-收缩系数α以及参与交叉操作粒子比例λ；S3、初始化粒子群，设置初始个体最好位置Pi(0)，全局最好位置Pg(0)，计算得出初始平均最好位置；S4、迭代次数加一，更新当前粒子的个体最好位置Pi(t)及其对应的适应度值；S5、更新当前迭代中的全局最好位置及其对应的适应度值，S6、计算出本次迭代中所有粒子的个体最好位置的平均值，即为平均最好位置；S7、预测各粒子在下次迭代中的位置；S8、基于设定比例λ选择部分粒子进行多点交叉操作，将多点交叉操作后的粒子与剩余粒子组合新的粒子群，检测是否全局收敛或者是迭代次数是否达到最大迭代次数，若检测结果为否，则执行步骤S4，若检测结果为是，输出各维度上的最优位置，基于各维度上的最优位置组成全局规划路径。进一步的，粒子在下次迭代位置的计算公式具体如下：pi,j＝fj(t)·Pi,j(t)+|1-fj(t)|·Pg,j(t)，fj(t)～U(0,1)其中，α为收缩-扩张系数，Xi,j(t+1)代表第j维度第i个粒子在第t+1迭代中的位置，pi,j(t)代表第j维度第i个粒子在第t迭代中的个体最好位置，Xi,j(t)代表第j维度第i个粒子在第t迭代中的位置，mbestj代表第t迭代中第j维度的平均最好位置，ui,j(t)、fj(t)均表示服从区间U(0,1)的均匀分布函数，Pg,j(t)代表第j维度第i个粒子在第t迭代中的全局最好位置，pi,j代表第j维度的局部吸引因子。进一步的，全局最佳位置及对应适应度值的更新方法具体如下：将适应度值最小的个体最好位置作为本次迭代的全局最好位置Pg(t)，将本次迭代的全局最好位置Pg(t)对应的适应度值F[Pg(t)]与上一次迭代的全局最好位置G(t-1)对应的适应度值F[G(t-1)]进行比较，将当前的全局最好位置Pg(t)更新为较小适应度值对应的全局最好位置。进一步的，个体最佳位置及对应适应度值的更新方法具体如下：计算每个粒子在本次迭代后的适应度值F[Xi(t)]，将本次迭代后的适应度值F[Xi(t)]与上一次迭代后的适应度值F[Pi(t-1)]进行比较，将当前的适应度更新为较小的适应度值，将较小适应度值对应的位置更新为当前各粒子的个体最好位置Pi(t)。本专利技术提供的基于改进量子粒子群优化算法的全局路径规划方法，解决传统QPSO算法存在的“早熟”现象以及陷入局部最优的不足，有效规划出全局最优路径。附图说明图1为本专利技术实施例提供的基于改进量子粒子群优化算法的全局路径规划方法流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。图1为本专利技术实施例提供的基于改进量子粒子群优化算法的全局路径规划方法流程图，该方法具体包括如下步骤：S1、创建栅格地图，建立环境模型；S2、设定粒子数N，粒子维度D，最大迭代次数M，扩张-收缩系数α以及参与交叉操作粒子比例λ；S3、初始化粒子群，设置初始个体最好位置Pi(0)，全局最好位置Pg(0)，计算得出初始平均最好位置。S4、迭代次数加一，计算每个粒子在本次迭代后的适应度值F[Xi(t)]，将本次迭代后的适应度值F[Xi(t)]与上一次迭代后的适应度值F[Pi(t-1)]进行比较，将当前的适应度更新为较小的适应度值，将较小适应度值对应的位置更新为当前各粒子的最好位置Pi(t)，其计算公式具体如下：其中，Fi(x)表示第i个粒子适应度；Pi(t)表示第t次迭代时第i个粒子的个体最好位置，(xj,yj)表示第i个粒子在第j个维度上的坐标，(xj-1,yj-1)表示第i个粒子在第j-1个维度上的坐标，Xi(t)第t次迭代时第i个粒子的当前位置，Pi(t-1)表示第t-1次迭代时第i个粒子的个体最好位置。S5、在N个粒子的适应度值中选择最小值，将最小适应度值对应的位置作为本次迭代的全局最好位置Pg(t)，将本次迭代的全局最好位置Pg(t)对应的适应度值F[Pg(t)]与上一次迭代的全局最好位置G(t-1)对应的适应度值F[G(t-1)]进行比较，将当前的全局最好位置Pg(t)更新为较小适应度值对应的全局最好位置，其计算公式具体如下：其中，Pg(t)表示第t次迭代时所有粒子中的全局最好位置。S6、计算出本次迭代中所有粒子的个体最好位置的平均值，即为平均最好位置；其中，mbestj(t)表示第j维度在第t次迭代时的所有粒子当前个体最佳位置的平均值，pi,j(t)代表第j维度第i个粒子在第t迭代中的个体最好位置。S7、预测各粒子在下次迭代本文档来自技高网...

【技术保护点】
1.一种基于改进量子粒子群优化算法的全局路径规划方法，其特征在于，所述方法具体包括如下步骤：/nS1、创建栅格地图，建立环境模型；/nS2、设定粒子数N，粒子维度D，最大迭代次数M，扩张-收缩系数α以及参与交叉操作粒子比例λ；/nS3、初始化粒子群，设置初始个体最好位置P

【技术特征摘要】
1.一种基于改进量子粒子群优化算法的全局路径规划方法，其特征在于，所述方法具体包括如下步骤：
S1、创建栅格地图，建立环境模型；
S2、设定粒子数N，粒子维度D，最大迭代次数M，扩张-收缩系数α以及参与交叉操作粒子比例λ；
S3、初始化粒子群，设置初始个体最好位置Pi(0)，全局最好位置Pg(0)，计算得出初始平均最好位置；
S4、迭代次数加一，更新当前粒子的个体最好位置Pi(t)及其对应的适应度值；
S5、更新当前迭代中的全局最好位置及其对应的适应度值；
S6、计算出本次迭代中所有粒子的个体最好位置的平均值，即为平均最好位置；
S7、则预测各粒子在下次迭代中的位置；
S8、基于设定比例λ选择部分粒子进行多点交叉操作，将多点交叉操作后的粒子与剩余粒子组合新的粒子群，检测是否全局收敛或者是迭代次数是否达到最大迭代次数，若检测结果为否，则执行步骤S4，若检测结果为是，输出各维度上的最优位置，基于各维度上的最优位置组成全局规划路径。


2.如权利要求1所述基于改进量子粒子群优化算法的全局路径规划方法，其特征在于，粒子在下次迭代位置的计算公式具体如下：



pi,j＝fj(t)·Pi,j(t)+|1-fj(t)|·Pg,j(t)，fj(t)～U(0,1)
其中，α为收缩-扩张系数，Xi,j(t+1)代表第...

【专利技术属性】
技术研发人员：伍永健，陈智君，郝奇，高云峰，曹雏清，
申请(专利权)人：芜湖哈特机器人产业技术研究院有限公司，
类型：发明
国别省市：安徽;34