一种基于改进灰狼算法的巡检机器人路径规划方法技术

本发明专利技术属于巡检机器人路径规划技术领域，尤其涉及一种基于改进灰狼算法的巡检机器人路径规划方法，步骤1、利用交叉变异思想和轮盘赌思想形成初始化种群；步骤2、将转弯次数和转弯角度作为惩罚值加入到适应度函数中，计算灰狼个体的适应度并保存适应度最好的三匹头狼；步骤3、根据公式更新灰狼位置、系数向量值，采用反正切函数和对数函数对收敛因子的递减曲线进行改进，更新收敛因子步骤4、计算灰狼个体的适应度，并更新三匹头狼的适应度及位置；步骤5、判断是否达到最大迭代次数，达到后输出头狼α狼位置为最优解。本发明专利技术通过种群初始化、收敛因子函数、适应度函数三方面对灰狼算法进行改进，能输出最优的巡检路径。能输出最优的巡检路径。能输出最优的巡检路径。

【技术实现步骤摘要】
一种基于改进灰狼算法的巡检机器人路径规划方法


[0001]本专利技术属于巡检机器人路径规划
，尤其涉及一种基于改进灰狼算法的巡检机器人路径规划方法。

技术介绍

[0002]巡检机器人的路径规划是使巡检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轨迹。其中巡检机器人的路径规划算法是巡检机器人路径规划核心。巡检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到终点的最优移动路径，这条最优移动路径可以是满足移动路径最短、耗时最短、能量消耗最少等。
[0003]根据目前研究成果来看，灰狼算法是一种模拟灰狼捕猎行为的新型智能优化算法，同样可以应用于路径规划领域。然而，灰狼算法存在以下不足：(1)、在确定种群位置时，灰狼个体位置是随机确定的，使算法具有一定的盲目性、随机性。(2)灰狼算法位置更新根据前三头首领狼与目标物形成包围圈进行捕猎，利用每头狼距离目标位置的距离平均值更新，但是该种方式的目标不一定刚好在其距离的平均点上。(3)灰狼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，灰狼算法在路径规划应用中仍然存在易陷入局部最优、后期收敛性慢、选择精度差和稳定性差等缺陷，在进行巡检机器人路径规划时，往往达不到理想的路径规划效果。

技术实现思路

[0004]本专利技术的主要目的在于解决现有技术中存在的问题，提供一种基于改进灰狼算法的巡检机器人路径规划方法，该方法通过种群初始化、收敛因子函数、适应度函数三方面对灰狼算法进行改进，并将改进后灰狼算法应用到巡检机器人的路径规划中，输出最优的巡检路径。
[0005]本专利技术所解决的技术问题采用以下技术方案来实现：一种基于改进灰狼算法的巡检机器人路径规划方法，
[0006]步骤1、改进灰狼算法应用于路径规划中的初始化种群N1是在栅格地图中随机生成的路径节点，每条路径由相同数量节点连接构成一个灰狼个体，初始化种群N1交叉得到种群N2，再利用轮盘赌思想在种群N1、N2中计算出适应度最好的种群N作为迭代更新的初始化种群N，设定收敛因子系数向量值；
[0007]步骤2、改进灰狼算法应用于路径规划中的适应度函数为欧氏距离计算所得路径各节点的距离之和，并将所得路径的转弯次数和转弯角度作为惩罚值加入到适应度函数中，根据适应度函数公式计算灰狼个体的适应度，灰狼个体适应度越好表示路径优越性越强，保存适应度最好的三匹头狼为α狼、β狼和δ狼，其余狼群为ω狼；
[0008]步骤3、根据灰狼包围猎物的数学模型计算更新灰狼位置，根据系数向量公式计算更新系数向量值，采用反正切函数和对数函数对收敛因子的递减曲线进行改进，并
将障碍物数量和地图面积的比值大小应用到收敛因子曲线改进中，改进后收敛因子曲线形成收敛因子函数模型，根据收敛因子函数模型计算更新收敛因子
[0009]步骤4、根据适应度函数公式计算灰狼个体的适应度，并更新三匹头狼的适应度，根据灰狼进攻猎物的数学模型更新计算三匹头狼的位置；
[0010]步骤5、判断是否达到最大迭代次数，达到最大迭代次数后输出根据更新过程公式计算的头狼α狼位置为最优解，得到巡检机器人的巡检最优路径，否则返回步骤3继续循环计算。
[0011]进一步，所述灰狼包围猎物的数学模型为
[0012][0013][0014]其中，t为当前迭代次数，表示灰狼与猎物之间的长度向量，表示当前猎物的位置向量，表示当前灰狼的位置向量，表示灰狼个体更新后的位置向量，和是系数向量。
[0015]进一步，所述系数向量公式为
[0016][0017][0018]其中，和是系数向量，和为[0,1]之间的随机数，为收敛因子。
[0019]进一步，所述收敛因子函数模型为
[0020][0021][0022]其中，k为调节参数，p为对数函数的底数，T为最大迭代次数，t为当前迭代次数。
[0023]进一步，所述适应度函数公式为
[0024]L＝L(i)+fix(M)
[0025][0026][0027][0028]θ
i
＝|θ2‑
θ1|
[0029]其中，L(i)为路径各节点之和，fix()为向左取整函数，在栅格地图中(x,y)为当前节点坐标、(x1,y1)为上一节点坐标、(x2,y2)为下一节点坐标，θ1、θ2为当前节点与上一节点、当前节点与下一节点所产生的正切角，θ
i
为两正切角的角度差，即当前转弯所产生的角度。
[0030]进一步，将转弯次数和转弯角度利用圆弧半径M进行归一化处理，计算圆弧半径M可得到转弯次数和转弯角度的惩罚值fix(M)，归一化处理公式为
[0031][0032][0033][0034]其中，θ
i
为当前转弯所产生的角度，θ为转弯角度的总和，A为角度判定值，V为转弯次数。
[0035]进一步，所述灰狼进攻猎物的数学模型为
[0036][0037]其中，和分别表示头狼α、β和δ与灰狼个体ω的距离向量，和分别表示头狼α、β和δ当前的位置向量，和分别表示灰狼ω与头狼α、β和δ的系数向量，表示灰狼ω的位置向量。
[0038]进一步，所述更新过程公式
[0039][0040][0041]其中，分别表示灰狼个体ω与头狼α、β和δ之间更新后的位置向量，A1、A2、A3分别表示灰狼个体ω与头狼α、β和δ系数向量，和分别表示头狼α、β和δ与灰狼个体ω的距离向量，和分别表示头狼α、β和δ当前的位置向量，表示表示的矢量和，即灰狼个体ω最终的更新位置。
[0042]本专利技术的有益效果为：
[0043]本专利技术将灰狼算法(GWO)利用交叉变异思想和轮盘赌思想提升初始化种群的数量，并提出一种可调节转折点的非线性收敛因子函数，不仅可以扩大前期搜索范围，还可以加快后期收敛速度，同时将计算所得路径的转弯次数和转弯角度加到路径规划的适应度函数中提升路径选择精度，最后将改进灰狼算法(TPGWO)应用到巡检机器人的路径规划中，改进灰狼算法(TPGWO)在不同地图环境下的输出路径更优且路径规划时间更短，提高了输出路径的求解精度、稳定性、收敛性。
附图说明
[0044]图1为本专利技术一种基于改进灰狼算法的巡检机器人路径规划方法的流程图。
[0045]图2为本专利技术的改进灰狼算法的改进过程流程图。
[0046]图3为本专利技术的种群初始化改进示意图。
[0047]图4为本专利技术的对数函数以1/2为底时收敛因子的变化曲线示意图。
[0048]图5为本专利技术的对数函数以1/3为底时收敛因子的变化曲线示意图。
[0049]图6为本专利技术的对数函数以2/3为底时收敛因子的变化曲线示意图。
[0050]图7为本专利技术的不同收敛因子函数的变化曲线示意图。
[0051]图8为本专利技术的转弯次数和转弯角度归一化示意图。
[0052]图9(a)
‑
9(c)为本专利技术的PSO、GWO、TPGWO在1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进灰狼算法的巡检机器人路径规划方法，其特征在于：步骤1、改进灰狼算法应用于路径规划中的初始化种群N1是在栅格地图中随机生成的路径节点，每条路径由相同数量节点连接构成一个灰狼个体，初始化种群N1交叉得到种群N2，再利用轮盘赌思想在种群N1、N2中计算出适应度最好的种群N作为迭代更新的初始化种群N，设定收敛因子系数向量值；步骤2、改进灰狼算法应用于路径规划中的适应度函数为欧氏距离计算所得路径各节点的距离之和，并将所得路径的转弯次数和转弯角度作为惩罚值加入到适应度函数中，根据适应度函数公式计算灰狼个体的适应度，灰狼个体适应度越好表示路径优越性越强，保存适应度最好的三匹头狼为α狼、β狼和δ狼，其余狼群为ω狼；步骤3、根据灰狼包围猎物的数学模型计算更新灰狼位置，根据系数向量公式计算更新系数向量值，采用反正切函数和对数函数对收敛因子的递减曲线进行改进，并将障碍物数量和地图面积的比值大小应用到收敛因子曲线改进中，改进后收敛因子曲线形成收敛因子函数模型，根据收敛因子函数模型计算更新收敛因子步骤4、根据适应度函数公式计算灰狼个体的适应度，并更新三匹头狼的适应...

【专利技术属性】
技术研发人员：张倩，宁旭成，潘雷，赵坚，张志强，
申请(专利权)人：天津城建大学，
类型：发明
国别省市：