[发明专利]基于改进量子粒子群优化算法的全局路径规划方法

说明书

本发明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。

技术领域

本发明属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。

背景技术

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优、运算时间长、收敛速度慢等缺陷。如基于粒子群优化(PSO)算法的路径规划方法，PSO是一种具有全局寻优能力的群体算法，具有运算速度快、局部搜索能力强的优点，但由于粒子的速度受到限制使得无法在整个可行解空间进行搜索，容易陷入局部最优。量子粒子群优化(QPSO)算法是从量子力学角度提出的解决PSO算法不能保证全局收敛问题的智能算法，它是一种在经典PSO算法的进化搜索策略中加入量子物理思想的改进算法，通过建立势阱模型和具有量子行为的粒子群并引入平均最好位置对粒子位置进行更新，传统QPSO算法存在的“早熟”现象以及陷入局部最优的不足。

发明内容

本发明实施例提供一种基于改进量子粒子群优化算法的全局路径规划方法，传统QPSO算法存在的“早熟”现象以及陷入局部最优的不足。

本发明是这样实现的，一种基于改进量子粒子群优化算法的全局路径规划方法，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P_i(0)，全局最好位置P_g(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P_i(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、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。

进一步的，粒子在下次迭代位置的计算公式具体如下：