[发明专利]基于鲸鱼优化算法的移动机器人路径规划方法

说明书

本发明公开了一种基于鲸鱼优化算法的移动机器人路径规划方法，该方法包括步骤：S1、对鲸鱼优化算法初始化，设置算法的参数，利用适应度函数，获得鲸鱼在所有位置上的适应度值，并确定鲸鱼种群初始个体最优位置与全局最优位置；S2、利用新的收敛因子，重新计算系数向量，并更新鲸鱼个体的新位置；S3、计算新位置上鲸鱼个体的适应度值，并将其与原位置的适应度值进行比较；S4、若新位置的适应度值优于原位置适应度值，则更新鲸鱼种群的个体最好位置，并且更新全局最优位置；S5、到达迭代次数后，选择一条适应度值最小的鲸鱼路径作为移动机器人路径规划的最优路径，否则执行步骤S2‑S4。本发明收敛精度高，收敛速度快，并能避免在算法迭代后期易陷入局部最优。

技术领域

本发明属于机器人路径规划技术领域，特别是一种基于鲸鱼优化算法的移动机器人路径规划方法。

背景技术

移动机器人路径规划是机器人自主导航系统的重要组成部分，它主要解决机器人在获取环境先验地图的基础上，完成“去哪里”和“如何去”的问题。其目的是在给定的有障碍物的环境地图上，按照最短距离、最小时间或最小代价的评价标准，从起点到终点寻找到一条无碰撞的安全路径。2016年，澳大利亚学者Mirjalili等人根据鲸鱼捕食猎物的行为，抽象出鲸鱼在捕食时搜索、包围和攻击的3种行为的数学模型，提出一种新型基于群体智能的优化算法，即鲸鱼优化算法(Whale Optimization Algorithm,WOA)。鲸鱼算法是一种元启发式算法，与蚁群算法，人工鱼群和粒子群等算法相比，它具有原理和参数设置简单，函数寻优能力强等特点。然而同其他群体智能算法相同，在实际的工程运用中，算法的全局搜索和局部开发难以协调平衡，并且在算法的迭代后期，存在易陷入局部最优和过早收敛等问题。龙文等人通过提出一种非线性收敛因子和对最优个体进行多样性变异的方法使鲸鱼算法能都应用于大规模场景寻优。王坚浩等人提出一种基于混沌搜索策略的鲸鱼优化算法，改善算法后期易陷入局部最优的不足。Emary等人提出一种自适应随机步长的鲸鱼搜索方法避免算法过早收敛。针对WOA算法本身的缺陷，本方法利用高斯分布函数的特点，重新构造鲸鱼算法系数向量中收敛因子的更新公式，以此平衡鲸鱼算法的全局探索和局部开发的能力，另外，通过动态控制系数向量，有效避免了算法迭代后期易陷入局部最优。将本方法应用在移动机器人路径规划中，能够很好地解决移动机器人室内路径规划问题。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种收敛精度高，收敛速度快，并能避免在算法迭代后期易陷入局部最优的基于鲸鱼优化算法的移动机器人路径规划方法。本发明的技术方案如下：

一种基于鲸鱼优化算法的移动机器人路径规划方法，其包括以下步骤：

S1：对鲸鱼优化算法初始化，设置算法的参数，利用适应度函数，获得鲸鱼在所有位置上的适应度值，并确定鲸鱼种群初始个体最优位置与全局最优位置。随着算法迭代进行，根据鲸鱼个体位置更新公式，更新鲸鱼个体位置；S2：在鲸鱼优化算法中，利用新的收敛因子a'，重新计算系数向量A，并更新鲸鱼个体的新位置。利用二维栅格地图模型，获取移动机器人起始点到目标点可行路径的参数，得到每只鲸鱼所有可行的初始路径。

S3：根据鲸鱼个体位置更新公式，更新鲸鱼个体位置，利用二维栅格地图模型，获取移动机器人起始点到目标点可行路径的参数，得到每只鲸鱼所有可行的初始路径；

S4：计算新位置上鲸鱼个体的适应度值，将其与原位置的适应度值进行比较，若新位置的适应度值优于原位置适应度值，则更新鲸鱼种群的个体最好位置，并且更新全局最优位置；

S5、算法到达迭代次数后执行步骤S6，否则执行步骤S2-S4。

S6、通过鲸鱼优化算法得到的全局最优位置，选择一条适应度值最小的鲸鱼路径作为移动机器人路径规划的最优路径。

进一步的，初始化算法，将鲸鱼种群数设为N，最大迭代次数设为t_max，选取的适应度函数为：