基于粒子群算法的機(jī)器人路徑規(guī)劃

《基于粒子群算法的機(jī)器人路徑規(guī)劃》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。

1、基于改進(jìn)粒子群算法的智能機(jī)器人路徑規(guī)劃摘要:針對(duì)機(jī)器人路徑規(guī)劃問題，為了使機(jī)器人能在較短的時(shí)間里，經(jīng)過最短的路徑，且較平滑的從起始位置運(yùn)動(dòng)到目標(biāo)位置。本文采用粒子群群智能算法，首先，用柵格法建模，然后用粒子群算法尋優(yōu)。針對(duì)粒子群算法局部尋優(yōu)能力差的缺點(diǎn)，提出一種非線性動(dòng)態(tài)調(diào)整慣性權(quán)重的改進(jìn)粒子群路徑規(guī)劃算法。該算法將柵格法與粒子群算法進(jìn)行有效結(jié)合，在路徑長(zhǎng)度的基礎(chǔ)上引入安全度和平滑度概念，建立動(dòng)態(tài)調(diào)整路徑長(zhǎng)度的適應(yīng)度函數(shù)。與傳統(tǒng)的粒子群算法相比，實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法具有較強(qiáng)的安性實(shí)時(shí)性及尋優(yōu)能力。關(guān)鍵詞：智能

2、機(jī)器人；路徑規(guī)劃；柵格法；粒子群算法0引言路徑規(guī)劃是智能機(jī)器人導(dǎo)航的最基本環(huán)節(jié)之一，它是指智能機(jī)器人在具有障礙物的工作環(huán)境屮，按照某一性能指標(biāo)(如距離、時(shí)間、能量等)，不間斷地利用所攜帶的傳感器去認(rèn)知周圍的環(huán)境，讀取障礙物的大小、位置和距離，不斷地感知環(huán)境信息和周圍障礙物的變化，搜索一條從起始狀態(tài)到目標(biāo)狀態(tài)的最優(yōu)或近似最優(yōu)的安全、無(wú)碰撞路徑。根據(jù)智能機(jī)器人對(duì)環(huán)境信息的已知程度，路徑規(guī)劃可分為兩類：一類是壞境信息已知的全局路徑規(guī)劃，另一類是環(huán)境信息未知或部分已知的局部路徑規(guī)劃。0前，常用的路徑規(guī)劃方法主要有粒子群

3、(ParticleSwarmOptimization,PSO)算法、人工勢(shì)場(chǎng)法、柵格法、神經(jīng)網(wǎng)絡(luò)法和蟻群算法等。相比其他算法而言，粒子群算法具有收斂速度快、設(shè)置參數(shù)少、實(shí)現(xiàn)簡(jiǎn)單等特點(diǎn)，近年來(lái)受到很多學(xué)者的重視，并成功應(yīng)用于許多領(lǐng)域。但粒子群算法本身還存在著一些缺陷，如局部尋優(yōu)能力差、速度和位置更新公式不夠完善等問題，嚴(yán)重影響了路徑規(guī)劃的計(jì)算效率和可靠性。在對(duì)粒子群算法的深入研究中，國(guó)內(nèi)外學(xué)者對(duì)其固有缺陷提出了各種改進(jìn)方法，主要通過引入固定的慣性權(quán)重和學(xué)習(xí)因子等方法對(duì)速度更新公式進(jìn)行修改，有所改觀但并不完美。針對(duì)

4、上述問題，本文采用柵格法建立環(huán)境模型,以粒子群算法為基本演化算法，引入非線性動(dòng)態(tài)調(diào)整慣性權(quán)重和改進(jìn)適應(yīng)度函數(shù)的方法對(duì)粒子群算法加以改進(jìn)⑵，將粒子群算法直接運(yùn)用到柵格法屮，得到智能機(jī)器人全局最優(yōu)路徑。1粒子群算法基本思想粒子群算法的背景是“人工生命”，“人工生命”是來(lái)研究具有某些生命基本特征的人工系統(tǒng)。人工生命包括兩方面的內(nèi)容。其一是研究如何利用計(jì)算技術(shù)研究生物現(xiàn)象；其二研究如何利用生物技術(shù)研究計(jì)算問題。我們現(xiàn)在關(guān)注的是第二部分的內(nèi)容?，F(xiàn)在已經(jīng)有很多源于生物現(xiàn)象的計(jì)算技巧。例如，人工神經(jīng)網(wǎng)絡(luò)是簡(jiǎn)化的大腦模型；遺傳

5、算法是模擬基因進(jìn)化過程的?，F(xiàn)在我們討論另一種生物系統(tǒng)一社會(huì)系統(tǒng)。更確切的是，在由簡(jiǎn)單個(gè)體組成的群落與環(huán)境以及個(gè)體之間的互動(dòng)行為。也可稱做"群智能”(SwarmIntelligence)o這些模擬系統(tǒng)利用局部信息從而可能產(chǎn)生不可預(yù)測(cè)的群體行為，它們都用來(lái)模擬魚群和鳥群的運(yùn)動(dòng)規(guī)律，主要用于計(jì)算機(jī)視覺和計(jì)算機(jī)輔助設(shè)計(jì)。在計(jì)算智能(ComputationalIntelligence)領(lǐng)域有兩種基于群智能的算法。蟻群算法(AntColonyOptimization)和粒子群算法(ParticleSwarmOptimiza

6、tion)o前者是對(duì)螞蟻群落食物采集過程的模擬。已經(jīng)成功運(yùn)用在很多離散優(yōu)化問題上。粒子群優(yōu)化算法(PSO)也是起源對(duì)簡(jiǎn)單社會(huì)系統(tǒng)的模擬。最初設(shè)想是模擬鳥群覓食的過程，但后來(lái)發(fā)現(xiàn)PSO是一種很好的優(yōu)化工具。如前所述，PSO模擬鳥群的捕食行為。設(shè)想這樣一個(gè)場(chǎng)景：一群鳥在隨機(jī)搜索食物。在這個(gè)區(qū)域里只有一塊食物。所有的鳥都不知道食物在那里。但是他們知道當(dāng)前的位置離食物還有多遠(yuǎn)。那么找到食物的最優(yōu)策略是什么呢？最簡(jiǎn)單有效的就是搜尋目前離食物最近的鳥的周圍區(qū)域。PSO從這種模型中得到啟示并用于解決優(yōu)化問題。在PSO中，每個(gè)

7、優(yōu)化問題的解都是搜索空間中的一只鳥。我們稱之為“粒子”。所有的粒子都有一個(gè)由被優(yōu)化的函數(shù)決定的適應(yīng)值(Fitnessvalue),每個(gè)粒子還有一個(gè)速度決定他們飛翔的方向和距離。然后粒子們就追隨當(dāng)前的最優(yōu)粒子在解空間中搜索。PSO初始化為一群隨機(jī)粒子(隨機(jī)解)。然后通過迭代找到最優(yōu)解。第，個(gè)微粒表示為乙=(心,￡2，???，兀"，然后粒子們就跟蹤兩個(gè)“極值”在解空間中搜索。第一個(gè)就是粒子本身所找到的最優(yōu)解，這個(gè)解叫做個(gè)體極值仇宀記為PRpm，…曲;另一個(gè)極值是群體所有微粒經(jīng)歷過的最好位置(有最好的適應(yīng)度)，這個(gè)極

8、值就是全局極值&細(xì)，記為代=(仇1，“2,…，幾J。另外也可以不用整個(gè)種群而只是用其中一部分作為粒子的鄰居，那么在所有鄰居中的極值就是局部極值。微粒i的速度用匕=(心$2,…皿d)表示，而每一個(gè)粒子的位置就是一個(gè)潛在的解。在每一次迭代計(jì)算中，粒子的第d維(15d5D)根據(jù)如下公式來(lái)更新自己的速度和位置：n+idK-71=wK；；+clrancid(肖-X：；)+c2randQ起-X；