[发明专利]融合A*与改进灰狼算法的巡检机器人路径规划方法

权利要求书

1.一种融合A*与改进灰狼算法的巡检机器人路径规划方法，该方法包括以下内容：

创建环境地图，运行A*算法，确定可行栅格节点的评价函数F(n)值；单独设置一个矩阵存放F(n)的数据，直到进行灰狼初始化之前，该矩阵的地址不能释放；

比较起始点周围所有可行栅格的评价函数F(n)值，将评价函数F(n)值自大到小排列，并且将F(n)值前三位可行栅格初始化为狼群的α狼、β狼、γ狼，其余可行栅格作为ω狼；

运行改进灰狼算法，更新位置向量及拓展节点，遍历至终止点后，输出最优路径；

所述改进灰狼算法中距离计算和位置向量计算公式分别为公式(1)和公式(6)：

其中，

上述中，t为当前进行的迭代次数，X为当前灰狼的位置向量；A_i为成员i与相应最优狼之间的位置调节系数；N_i为成员i与相应最优狼之间的距离权重系数，N₁、N₂、N₃为排名前三的距离权重系数，d_i为成员i与相应最优狼之间的距离；D代表的是将d_i排序后选出的三个最优的距离，即候选狼与最优三头狼之间的距离，C₁、C₂、C₃为排名前三的距离调节系数，X₁、X₂、X₃为距离权重系数靠前的前三成员的位置向量；分别为α狼、β狼、γ狼的位置向量；i为ω狼的某个个体；为更新之后的灰狼位置向量；

将A*算法中的寻找扩展节点的步骤作为灰狼算法的初始化种群步骤，在对F(n)的值进行排序处理后，要单独设置一个矩阵存放F(n)的数据，直到进行灰狼初始化之前，该矩阵的地址不能释放，不对每次A*算法所得到的F(n)的数据地址进行处理，以保证灰狼初始化时能够得到最优的初值，解决了由于A*是一种离散型算法，不能连续求取OPEN1IST中的启发函数值而且每次求得F(n)的值后，马上会将其内存释放，而灰狼算法属于群智能算法，初值的选择会很大程度上影响算法的计算结果，而导致地算法会出现陷入局部极值的问题；

该规划方法的具体步骤是：

步骤一、首先使用栅格法创建环境地图，黑色栅格代表障碍物，白色栅格代表可通行区域，设置机器人运动的起始点与终止点；

步骤二、创建一个列表Openlist，存放当前位置栅格在搜索路径时所需要考虑的位置栅格；

步骤三、创建一个列表Closelist，存放已经搜索过的栅格及障碍物栅格；

步骤四、将起始点放入Openlist，初始化G(n)、H(n)准备开始第一次搜索，其中，G(n)为机器人运动起始点到节点n的实际距离，H(n)为节点n到终止点的估计距离；

步骤五、判断起始点周围的可行路径，即判断起始点周围的节点是障碍物栅格还是可行栅格，如为障碍物栅格，则将节点直接放入Closelist列表中，若为可行栅格则判断节点是否在Openlist列表中，如不在则将节点加入Openlist列表，并计算该节点的评价函数F(n)值，并将起始点放入Closelist中；若节点在在Openlist列表中，则执行步骤六；

步骤六、单独设置一个矩阵存放F(n)的数据，直到进行灰狼初始化之前，该矩阵的地址不能释放，以保证灰狼初始化时能够得到最优的初值，比较起始点周围所有可行栅格的评价函数F(n)值，将评价函数F(n)值自大到小排列，并且将F(n)值前三位可行栅格初始化为狼群的α狼、β狼、γ狼，其余可行栅格作为ω狼；

步骤七、计算其余个体与α狼、β狼、γ狼之间的距离，更新位置向量及拓展节点；

步骤八、判断拓展节点是否在Closelist列表中，如不在，则从步骤五开始循环直到将终止点加入Closelist列表中；否则，搜索结束，得到最优路径；

步骤九、输出得到的最优路径；

该规划方法适用于大地图复杂环境，也适用于小地图简单环境，仿真中的地图复杂程度以障碍物占总栅格数量的百分比及地图边长决定，实验中的地图复杂程度通过障碍物的数量决定，长短距离为机器人实际走过的路径；大地图复杂环境下障碍物占总栅格数量的百分比不小于40％，栅格地图大小不小于50m×50m；

所规划的路径更短，转角更小。

2.根据权利要求1所述的路径规划方法，其特征在于，所述的评价函数为：

F(n)＝G(n)+H(n)

其中，G(n)为机器人运动起始点到节点n的实际距离，H(n)为节点n到终止点的估计距离，也称作启发函数，

其中，所述的启发函数即欧几里得距离为：

其中，x_s为目标点的横坐标；y_s为目标点的纵坐标；x_n为节点n的横坐标；y_n为节点n的纵坐标。