[发明专利]基于改进生物地理学的路径规划方法

说明书

本发明公开一种基于改进生物地理学的路径规划方法，在迁移过程中采用基于更新代数设置的自适应迁移算子优化，增强了算法的全局搜索能力并提高收敛速度和收敛精度；在变异过程中采用差分进化模型，提高算法多样性，避免陷入局部最优；全局采用余弦迁移模型，使系统更加趋向于自然界中真实情况，提高算法性能。将坐标降维和障碍物数量确定路径点的方法应用于路径规划的场景中，实验结果表明了该算法的有效性。

技术领域

本发明涉及计算机图形学技术领域，具体涉及一种基于改进生物地理学的路径规划方法。

背景技术

路径规划技术是移动机器人导航的核心技术之一，其重要性在近年的研究中不断增加。机器人路径规划问题可定义为机器人在一个存在障碍物的环境中寻找到一条适当的从起点到终点的路径，且在过程之中需满足安全无碰撞、时间或路程代价最小等标准。在传统的解决方案中，例如：人工势场法、可视图法以及栅格法等，这些方法虽然可处理简单的路径问题，但对于复杂非线性的路径规划问题，其优化表现缺乏足够的鲁棒性。随着人工智能的飞速发展，也涌现出一批基于智能仿生学的算法，例如：遗传算法、粒子群算法以及蚁群算法等，这些算法在路径规划的优化上展示出良好的性能，也取得了一系列研究成果。

美国学者Dan Simon于2008年提出了一种新型群体智能算法，即生物地理学优化算法(Biogeography-Based Optimization，BBO)，算法中的每个个体具有各自的迁移算子，通过概率选择信息进行迁移操作以及变异操作，使算法在搜索全局最优解的过程中具有较好的收敛性和稳定性，在作业调度、交通运输、图像处理等问题中都有良好的应用。然而，BBO算法在运行过程中，随着更新代数的增加，其迁移操作的随机性会影响种群间的共享效率，种群的多样性也只能依靠简单的随机变异来实现，所以在算法的后期阶段，物种多样性将会降低，这会导致收敛速度下降、易陷入局部最优解和收敛精度较差等问题。

发明内容

本发明所要解决的是现有生物地理学优化算法易陷入局部最优解和收敛精度较差的问题，提供一种基于改进生物地理学的路径规划方法。

为解决上述问题，本发明是通过以下技术方案实现的：

基于改进生物地理学的路径规划方法，包括步骤如下：

步骤1、初始化参数，并随机生成N个初始栖息地以及对应的适应指数，并根据每个栖息地的适应指数，并按照栖息地的适应度指数从大到小的顺序排列栖息地；其中N为所需规划路径的条数；

步骤2、根据每个栖息地的物种数量，计算每个栖息地的迁入率和迁出率；

步骤3、根据迁入率和迁出率，对所有栖息地进行迁移操作，并保留每代最优的两个栖息地为精英栖息地，该精英栖息地在下一代中不进行迁移操作；

步骤4、选择适应指数较差一半的栖息地作为变异栖息地，并根据变异栖息地的物种概率，计算变异栖息地的变异率；

步骤5、根据变异率，对选中的变异栖息地进行变异操作；

步骤6、判断当前代数是否达到预先设定好的最大代数G_max：如果满足，则将当前所有N个栖息地的适应指数作为路径规划结果输出；否则，当前代数加1，并跳转至步骤2。

上述步骤1中，初始化的参数包括最大迁入率I，最大迁出率E，最大种群数量S_max，最大物种概率P_max、最大变异率π_max、以及最大代数G_max。

上述步骤2中，栖息地的迁入率λ_i为：

λ_i＝I/2×[cos(πS_i/S_max)+1]