一种基于多策略改进的黏菌算法的机器人路径规划方法技术

本发明专利技术提供一种基于多策略改进的黏菌算法的机器人路径规划方法，包括以下步骤：获取机器人移动区域地图；根据机器人移动区域地图，建立移动区域地图路径规划的目标函数；基于黏菌算法，并基于量子位Bloch编码初始化黏菌种群位置，并根据目标函数，计算适应度值，确定最优黏菌位置；引入适应度相关优化算法中的位置搜索方式，进行位置更新；对最优黏菌位置进行柯西变异，获取变异后的最优适应度值和最优黏菌位置，利用贪婪原则，将变异前后适应度值最优的黏菌位置，作为更新后的最优黏菌位置；根据预设的最大迭代次数依次更新的最优黏菌位置，确定最优路径规划结果。本方法克服了黏菌算法存在的几点不足，能够显著提升路径规划的效果。划的效果。划的效果。

【技术实现步骤摘要】
一种基于多策略改进的黏菌算法的机器人路径规划方法


[0001]本专利技术涉及机器人学
，具体涉及一种基于多策略改进的黏菌算法的机器人路径规划方法。

技术介绍

[0002]移动机器人的路径规划是移动机器人技术中的一个关键技术。路径规划技术是使移动机器人根据周围环境信息，自动寻找一条从起始点到目标点的无碰撞的轨迹。其中移动机器人的路径规划算法是移动机器人路径规划的核心。移动机器人的路径规划是指其在对周围环境进行感知后，能够自行规划出一条从出发点至终点的最优移动路径，这条最优路径可以是满足移动路径最短，可以是满足耗时最短，还可以满足能量消耗最少等。
[0003]根据目前的研究成果来看，黏菌算法是一种模拟黏菌觅食行为的新型智能优化算法，同样可以应用于路径规划问题。然而，黏菌算法存在以下不足：（1）在确定种群位置时，黏菌个体的位置是随机确定的，这就使得算法具有一定的盲目性和随机性；（2）黏菌算法的位置更新是根据选择概率进行不同的位置更新，其中一种位置更新是随机扩散，在边界范围内随机选择位置，该种方法具有满目性。（3）黏菌算法陷入局部最优解时，没有任何措施能帮助其跳出局部最优解。因此，上述缺陷使得算法容易陷入局部最优和收敛精度不高，在进行移动机器人路径规划时，往往达不到理想的路径规划效果。
[0004]为此，本专利技术提出了一种新的基于多策略改进的黏菌算法的机器人路径规划方法。

技术实现思路

[0005]为解决上述问题，本专利技术提供一种基于多策略改进的黏菌算法的机器人路径规划方法，克服了黏菌算法存在的几点不足，能够显著提升路径规划的效果。
[0006]为实现上述目的，本专利技术提供了如下的技术方案。
[0007]一种基于多策略改进的黏菌算法的机器人路径规划方法，包括以下步骤：获取机器人移动区域地图；根据机器人移动区域地图，建立移动区域地图路径规划的目标函数；基于黏菌算法，基于量子位Bloch编码初始化黏菌种群位置，并根据目标函数，计算适应度值，确定最优黏菌位置；引入适应度相关优化算法中的位置搜索方式，对黏菌位置进行位置更新，并确定更新后的最优适应度值和最优黏菌位置；对最优黏菌位置进行柯西变异，获取变异后的最优适应度值和最优黏菌位置，利用贪婪原则，将变异前后适应度值最优的黏菌位置，作为更新后的最优黏菌位置；根据预设的最大迭代次数依次更新的最优黏菌位置，确定最优路径规划结果。
[0008]优选地，所述获取机器人移动区域地图，包括以下步骤：对移动机器人的环境进行建模，得到移动区域地图并对地图进行格栅化处理。
[0009]优选地，所述目标函数为移动路径最短、耗时最短或消耗能量最少，并根据目标函数确定相应的约束条件以及路径的关键节点数。
[0010]优选地，所述基于量子位Bloch编码初始化黏菌种群位置，包括以下步骤：确定种群的大小Popsize，迭代次数Miter，黏菌寻优下边界LB和黏菌寻优上边界UB；采用量子位的Bloch坐标作为编码，设P
i
为群体中第i个候选解，其编码方案如下：每个候选解同时占据空间的3个位置，即同时代表以下3个优化解，分别为x解、y解和z解：候选解P
i
上的第j个量子位的Bloch坐标记为[x
ij
,y
ij
,z
ij
]T
，优化问题中每个解空间第j维的取值范围为[a
j
,b
j
]，则由单位空间I
n
=[
‑
1,1]n
映射到优化问题解空间的变换公式为：每个候选解对应优化问题的3个解，在所有的候选解中选择Popsize个适应度值最小的个体作为初始群体。
[0011]优选地，所述引入适应度相关优化算法中的位置搜索方式，对黏菌位置进行位置更新，包括以下步骤：引入适应度相关优化算法中的位置搜索方式，获得改进后的黏菌位置更新公式：式中，z为位置更新概率；vb的参数取值范围是[
‑
a,a]；vc从1线性减少至0；t表示当前迭代，X
b
表示当前发现食物气味浓度最高位置, X表示黏菌当前位置；X
A
和X
B
表示随机选取的两个黏菌位置；S(i)表示X的适应度；DF表示所有迭代中的最佳适应度；其中，参数a的函数表达为：式中，maxT表示最大迭代次数；
W表示黏菌重量；W的表达式为:其中，condition表示S(i)排在前一半的种群；r表示[0,1]区间内的随机值；bF表示在当前迭代过程中获得的最优适应度；wF表示当前迭代过程中得到的最差适应度值；SmellIndex表示适应度序列，其中，最小值问题中为递增序列；pace的定义如下：式中，GbestF为迄今为止发现的最佳全局解的适应度函数值，Xfit为当前解的适应度函数值；wf是权重因子，其值为0或1；R为[
‑
1,1]之间的随机数；将X
new
为第t+1代时的黏菌位置X(t+1)；通过目标函数计算适应度值：fitness(t+1)=Fitnessfunc(X(t+1))根据最优适应度值对应的黏菌的位置X(t+1)，作为当次迭代中的最优黏菌位置X
gs
(t+1)。
[0012]优选地，所述对最优黏菌位置进行柯西变异，获取变异后的最优适应度值和最优黏菌位置，包括以下步骤：式中，cauchy(0,1)为标准柯西分布。
[0013]优选地，所述利用贪婪原则，将变异前后适应度值最优的黏菌位置，作为更新后的最优黏菌位置，包括以下步骤：判断变异前后的适应度值，即：确定更新后的最优黏菌位置为X
gs
(t+1)。
[0014]本专利技术提出一种基于多策略改进的黏菌算法的机器人路径规划方法，包括以下有益效果：（1）通过引入量子位Bloch编码进行黏菌种群位置的初始化，可以提升种群位置分布的均匀性和多样性，进而算法的稳定性得以增强。
[0015]（2）对黏菌的位置更新方式，引入适应度相关算法中的位置搜索方式对位置更新方式进行改进。综合考虑当前位置的适应度值的变换，有针对性的做出位置更新的不同方式，促进算法的收敛。
[0016]（3）对最优黏菌利用柯西变异进行更新，实现了算法在后期跳出局部最优解的能
力。
附图说明
[0017]图1是本专利技术实施例的多策略改进的黏菌算法的机器人路径规划流程图；图2是本专利技术实施例的路径规划结果图；图3是本专利技术实施例的迭代过程曲线图。
具体实施方式
[0018]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。
[0019]实施例1本专利技术的一种基于多策略改进的黏菌算法的机器人路径规划方法，如图1所示，具体包括以下步骤：S1：对移动机器人的环境进行建模，得到移动区域地图并对地图进行格栅化处理。
[0020本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多策略改进的黏菌算法的机器人路径规划方法，其特征在于，包括以下步骤：获取机器人移动区域地图；根据机器人移动区域地图，建立移动区域地图路径规划的目标函数；基于黏菌算法，并基于量子位Bloch编码初始化黏菌种群位置，并根据目标函数，计算适应度值，确定最优黏菌位置；引入适应度相关优化算法中的位置搜索方式，对黏菌位置进行位置更新，并确定更新后的最优适应度值和最优黏菌位置；对最优黏菌位置进行柯西变异，获取变异后的最优适应度值和最优黏菌位置，利用贪婪原则，将变异前后适应度值最优的黏菌位置，作为更新后的最优黏菌位置；根据预设的最大迭代次数依次更新的最优黏菌位置，确定最优路径规划结果。2.根据权利要求1所述的基于多策略改进的黏菌算法的机器人路径规划方法，其特征在于，所述获取机器人移动区域地图，包括以下步骤：对移动机器人的环境进行建模，得到移动区域地图并对地图进行格栅化处理。3.根据权利要求1所述的基于多策略改进的黏菌算法的机器人路径规划方法，其特征在于，所述目标函数为移动路径最短、耗时最短或消耗能量最少，并根据目标函数确定相应的约束条件以及路径的关键节点数。4.根据权利要求1所述的基于多策略改进的黏菌算法的机器人路径规划方法，其特征在于，所述基于量子位Bloch编码初始化黏菌种群位置，包括以下步骤：确定种群的大小Popsize，迭代次数Miter，黏菌寻优下边界LB和黏菌寻优上边界UB；采用量子位的Bloch坐标作为编码，设P
i
为群体中第i个候选解，其编码方案如下：每个候选解同时占据空间的3个位置，即同时代表以下3个优化解，分别为x解、y解和z解：候选解P
i
上的第j个量子位的Bloch坐标记为[x
ij
,y
ij
,z
ij
]
T
，优化问题中每个解空间第j维的取值范围为[a
j
,b
j
]，则由单位空间I
n
=[
‑
1,1]
n
映射到优化问题解空间的变换公式为：每个候选解对应优化问题的3个解，在所有的候选解中选择Popsize个适应度值最小的...

【专利技术属性】
技术研发人员：陈克伟，胡雪松，唐伟，谭玉彬，姜北樵，杨坤，金东阳，范旭，廖自力，尚颖辉，
申请(专利权)人：中国人民解放军陆军装甲兵学院，
类型：发明
国别省市：