《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 人工智能 > 设计应用 > 基于改进PSO算法的机器人路径规划研究
基于改进PSO算法的机器人路径规划研究
电子技术应用
王友运1，徐坚磊2，胡燕海1，陈海辉2，张行2
1.宁波大学 机械工程与力学学院；2.宁波航工智能装备有限公司
摘要： 传统粒子群算法（PSO）容易早熟收敛，陷入局部最优，为此提出混沌动态多种群粒子群算法（CDMPSO），并将其应用在机器人三维路径规划中。通过引入混沌映射理论来提高粒子种群初始解的质量和分布均匀性，同时引入分组并行优化策略，依据适应度值采用中位数聚类的方法，将种群分为3个子种群并迭代进行实时动态调整，根据不同子种群的特点采用不同的方法来进行种群更新。在MATLAB软件中与传统PSO算法和自适应粒子群（APSO）算法进行对比实验，发现改进后的CDMPSO算法全局搜索范围更大，陷入局部最优次数更少，最终路径更短，从而验证了该改进算法是切实可行的。
中圖分類號：TP242 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.234609
中文引用格式： 王友運，徐堅磊，胡燕海，等. 基于改進PSO算法的機器人路徑規(guī)劃研究[J]. 電子技術(shù)應(yīng)用，2024，50(4)：75-80.
英文引用格式： Wang Youyun，Xu Jianlei，Hu Yanhai，et al. Research on robot path planning based on improved PSO algorithm[J]. Application of Electronic Technique，2024，50(4)：75-80.
Research on robot path planning based on improved PSO algorithm
Wang Youyun1，Xu Jianlei2，Hu Yanhai1，Chen Haihui2，Zhang Xing2
1.School of Mechanical Engineering and Mechanics， Ningbo University； 2.Ningbo Hanggong Intelligent Equipment Co.， Ltd.
Abstract： Traditional particle swarm optimization (PSO) is easy to premature convergence and fall into local optimum. Therefore, chaotic dynamic multi swarm particle swarm optimization (CDMPSO) is proposed and applied to robot three-dimensional path planning. The chaotic mapping theory is introduced to improve the quality and distribution uniformity of the initial solution of the particle population. At the same time, the grouping parallel optimization strategy is introduced to divide the population into three sub populations by using the median clustering method according to the fitness value and iterate for real-time dynamic adjustment. Different methods are used to update the population according to the characteristics of different sub populations. Compared with traditional PSO algorithm and adaptive particle swarm optimization (APSO) algorithm in MATLAB software, the improved CDMPSO algorithm has larger global search range, fewer times of falling into local optimum and shorter final path, which verifies that the improved algorithm is feasible.
Key words : path planning；chaotic mapping；Levy flight；Gaussian variation；dynamic multigroup parallelism

引言

機器人路徑規(guī)劃即機器人依據(jù)某些指標在運動空間中從起點到終點找到一條最優(yōu)的路徑[1]。目前，現(xiàn)實生活中常見的可用于路徑規(guī)劃的算法包括A-star算法[2]、D-star算法[3]、粒子群（Particle Swarm Optimization，PSO）算法[4]、蟻群優(yōu)化（Ant Colony Optimization，ACO）算法[5]等。其中粒子群算法用個體和社會兩種屬性疊加進行搜索，以其參數(shù)簡潔、收斂速度快、搜索效率高等優(yōu)點被廣泛應(yīng)用于機器人路徑規(guī)劃及優(yōu)化過程中。

雖然粒子群算法在機器人領(lǐng)域的應(yīng)用很廣泛，但傳統(tǒng)粒子群算法主要是通過跟蹤粒子個體極值和全局極值進行搜索，這樣粒子就容易在某一極值點上聚集，從而使算法早熟收斂，陷入局部最優(yōu)[6]。針對這一問題，徐福強等人[7]提出引入Circle映射和正弦余弦因子的改進粒子群算法，使用Circle映射來豐富種群多樣性，采用正余弦因子來平衡全局探索與局部開發(fā)能力；汪雅文等人[8]提出了融合吸引排斥和雙向?qū)W習的改進粒子群算法，通過雙向?qū)W習策略擴大粒子搜索范圍，利用吸引排斥策略提高算法的局部尋優(yōu)和收斂性能；Yuan等人[9]提出了一種基于差分進化的改進粒子群算法，研究出了一種“高強度訓練”模式，利用改進的差分進化算法對粒子群算法的全局最優(yōu)位置進行密集訓練，提高了算法的搜索精度；陳天培等人[10]提出基于模糊邏輯的改進粒子群算法，通過模糊處理控制路徑規(guī)劃的輸入量，防止系統(tǒng)陷入局部最優(yōu)；封建湖等人[11]提出了一種聚類融合交叉粒子群算法，通過K均值聚類來保存良性群體的極值位置，利用交叉和變異算子來增加粒子多樣性，避免算法在早期就陷入早熟收斂。

基于以上研究，本文提出在粒子種群初始化階段引入混沌映射理論，同時采用動態(tài)多種群并行策略來進行改進，從而得到混沌動態(tài)多種群粒子群（Chaotic Dynamic Multi population Particle Swarm Optimization，CDMPSO）算法，最后通過進行大量的仿真實驗來驗證改進算法的可行性。


本文詳細內(nèi)容請下載：

http://m.ihrv.cn/resource/share/2000005952


作者信息：

王友運1，徐堅磊2，胡燕海1，陳海輝2，張行2

（1.寧波大學 機械工程與力學學院，浙江 寧波 315211；2.寧波航工智能裝備有限公司，浙江 寧波 315311）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。

相關(guān)內(nèi)容