[发明专利]基于改进PSO算法的移动机器人路径规划方法、系统及应用

权利要求书

1.一种基于改进PSO算法的移动机器人路径规划方法，其特征在于，包括以下步骤：

步骤1：根据路径长度代价L、机器人躲避障碍物代价Ls构建路径规划优化模型f；

步骤2：初始化粒子群算法相关参数；

步骤3：评估路径规划优化模型f；

步骤4：将f由优到差排序，每个个体从群体中随机选取一个较优个体作为学习对象xk，更新全局最优个体gbesti和全局最差个体gworsti；

步骤5：通过所述相关参数自适应更新学习因子c、惯性权重w和抉择因子F；

步骤6：若R＜F采用双向学习策略，更新粒子的位置xi、速度vi；反之采用吸引排斥策略，更新粒子位置xi；

步骤7：更新适应度函数值f；

步骤8：判断迭代次数，如果迭代次数t达到最大次数T，则输出最优结果，停止运算；否则，t＝t+1，返回步骤4。

2.根据权利要求1所述的基于改进PSO算法的移动机器人路径规划方法，其特征在于，所述路径长度L的具体计算公式为：

其中，(xi,yi)是路径节点，总共有n个路径节点，L是时间t时相邻路径节点的长度之和，表示时间t时路径的长度；

第m条路径的障碍威胁代价Ls定义为：

其中，假设其为圆形障碍，rk为圆形障碍物的半径，k为第k(k＝1,2,…, g)个障碍物；lk为圆心到各段路径的距离，则为路径到障碍物的最短距离；

根据公式(1)、公式(2)计算移动机器人路径规划优化模型f：

f＝u₁L+u₂L_s (3)

其中u₁、u₂为[0,1]内的惯重因子；

所述步骤2中，初始化的相关参数包括：种群规模M，粒子维数D，最大迭代次数T，自适应学习因子c，学习因子最大值c_max、最小值c_min；惯性权重w，惯性权重最大值w_max、最小值w_min；粒子初始位置xi和速度参数vi；自适应抉择因子F。

3.根据权利要求2所述的基于改进PSO算法的移动机器人路径规划方法，其特征在于，通过所述相关参数更新自适应学习因子c的具体公式为：

其中，fit为当前粒子个体的适应度值，fit_max为当代粒子中最大的适应度值。

4.根据权利要求3所述的基于改进PSO算法的移动机器人路径规划方法，其特征在于，通过所述相关参数更新自适应惯性权重w的具体公式为：

其中，A为控制曲线曲率的参数，t为当前迭代次数；T为最大迭代次数。

5.根据权利要求2所述的基于改进PSO算法的移动机器人路径规划方法，其特征在于，通过所述相关参数更新自适抉择因子F的具体公式为：

其中，d₁、d₂为抉择因子上下限，a为控制曲线曲率的参数，t为当前迭代次数；T为最大迭代次数。