[发明专利]一种基于人工大猩猩部队优化算法的路径规划方法

说明书

本发明公开了一种基于人工大猩猩部队优化算法的路径规划方法，包括构建全局栅格环境地图模型，初始化人工大猩猩部队优化算法的相关参数，相关参数包括种群规模，当前迭代次数和最大迭代次数subgt;；/subgt;在全局栅格环境地图模型中，初始化大猩猩种群中第i个大猩猩个体的当前位置，评估大猩猩适应度函数的适应度值；判断当前迭代次数是否小于或等于最大迭代次数，若否，则输出最优的大猩猩位置，即全局最优路径；根据全局最优路径，对移动机器人进行路径规划。本发明解决了传统机器人路径规划算法中局部搜索能力较弱以及容易陷入局部最优解的问题。

技术领域

本发明涉及移动机器人路径规划技术领域，特别是一种基于人工大猩猩部队优化算法的路径规划方法。

背景技术

机器人路径规划是智能导航的重要组成部分，具体是指在一个含有一定障碍物的空间内，从起始点找到前往目标点的一条无碰撞最优路径或者是较优路径，实现移动机器人避障并快速到达目标点主要在于对相关算法的改进优化或者开发一种由于前任算法的新的路径规划算法。

随着科技的发展，机器人路径规划相关的技术越来越成熟，近年来，仿生群智能算法异军突起，在机器人路径规划中应用并取得显著的效果，诸如遗传算法、蚁群算法、粒子群算法、鲸鱼优化算法等。遗传算法是最早提出的仿生群智能算法，在机器人路径规划中有良好效果，但其局部搜索能力较弱，往往得到的只是次优解而非最优解，且运算时占用较大的内部储存空间。蚁群算法在路径规划中有很强的鲁棒性，但其参数设置复杂，易出现早熟停滞行为，粒子群算法在路径规划中也具有良好的效果，但其搜索也容易发生早起收敛且容易陷入局部最优解。

发明内容

针对上述缺陷，本发明提出了一种基于人工大猩猩部队优化算法的路径规划方法，其目的在于解决了传统机器人路径规划算法中局部搜索能力较弱以及容易陷入局部最优解的问题。

为达此目的，本发明采用以下技术方案：

一种基于人工大猩猩部队优化算法的路径规划方法，包括以下步骤：

步骤S1：构建全局栅格环境地图模型，初始化人工大猩猩部队优化算法的相关参数，相关参数包括种群规模N，当前迭代次数t和最大迭代次数Itermax；

步骤S2：在全局栅格环境地图模型中，初始化大猩猩种群中第i个大猩猩个体的当前位置X_i(i＝1,2，…，N)，评估大猩猩适应度函数的适应度值；

步骤S3：判断当前迭代次数t是否小于或等于最大迭代次数Itermax，若否，则输出最优的大猩猩位置，即全局最优路径；

若是，则更新寻优能力因子C和银背大猩猩的领导能力因子L，大猩猩个体进入探索阶段，并判断探索阶段的大猩猩个体数是否小于或等于种群规模N，若是，则根据探索阶段更新公式更新大猩猩的当前位置；若否，则计算探索阶段更新位置上大猩猩的适应度值，并与原位置上大猩猩的适应度值作比较，将适应度值较大的大猩猩所在位置作为第一最优位置；

大猩猩个体进入开发阶段，并判断开发阶段的大猩猩个体数是否小于或等于种群规模N，若是，则通过跟随银背大猩猩和争夺成年雌性两个机制的判断进行位置更新；若否，则计算开发阶段更新位置上大猩猩的适应度值，并与第一最优位置上大猩猩的适应度值作比较，将适应度值较大的大猩猩所在位置作为第二最优位置，即全局最优路径；

步骤S4：根据全局最优路径，对移动机器人进行路径规划。

优选地，在步骤S3中，寻优能力因子C的具体计算公式如下：

其中，C为寻优能力因子；F为寻优能力的相关系数，由F＝cos(2×r₄)+1计算得出，r₄为每次迭代更新的随机数，范围在0～1；t为当前迭代次数，Itermax为最大迭代次数；

银背大猩猩的领导能力因子L的具体计算公式如下：