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