[发明专利]一种基于聚集-置换策略的机器人路径规划方法

说明书

本发明公开了一种基于聚集‑置换策略的机器人路径规划方法，包括如下步骤：1)初始化种群及各变量；2)基于路径长度、角度与能耗设计适应度函数，对个体适应度进行排序，选出最优个体；3)保留适应度排序后的前j个个体，利用聚集策略更新剩余n‑j个个体；4)利用置换策略更新随机选中的m个个体；5)判断是否达到终止条件，若未达到，利用遗传算法交叉算子和变异算子增加种群多样性；6)根据步骤2)‑5)进行迭代直到停止，对迭代停止后生成的路径进行冗余路径点删除，输出最优路径。本发明通过新的适应度函数平衡路径长度、角度和能耗代价，结合聚集策略，加强对解空间的搜索能力；提出置换策略，实现算法快速逃离局部极值，并加快收敛速度。

技术领域

本发明涉及路径规划方法，尤其涉及一种基于聚集-置换策略的机器人路径规划方法。

背景技术

随着控制技术和人工智能的不断发展，机器人被广泛用于生产、军事及生活等各个领域。路径规划关键在路径搜索算法的选取上。随着各个领域对机器人自主性需求的增加，传统的路径规划算法不足以满足各领域的要求。作为机器人执行各种任务的必要条件，路径规划算法对于机器人的行进起着不可替代的作用。

提升算法性能的一种方法是针对算法本身存在的问题，设计相应的策略增强相应的算法能力；或者引入相关数学模型，解决缺陷问题。而另一种方法，则是和其他算法进行融合实现优势互补。

针对这两种方式，国内的研究学者都进行了相关的研究。对于算法本身的改进，更多的是对于算法收敛速度、种群多样性等自身特性的稍许加强，适用性较低；另外，对于算法融合，融合后的算法能实现优势互补，能力得到大幅度加强，国内算法融合重点关注性能的提升，较少考虑路径长度、角度和机器人能耗等综合因素对路径规划的影响；注重种群多样性的改进，对于强化算法搜索能力关注较少。

发明内容

发明目的：针对现有技术存在的问题，本发明提出了一种基于聚集-置换策略的路径规划方法，将该方法应用到移动机器人路径规划中，能够有效增强路径搜索能力，所采用的路径搜索算法兼顾收敛速度和跳出局部最优的能力，极大的缩短了传统遗传算法的最终规划路径长度和收敛时间，同时避免路径搜索搜索算法陷入局部最优。

技术方案：本发明提出了一种基于聚集-置换策略的机器人路径规划方法，其特征在于，包括如下步骤：

1)初始化种群及各变量，所述初始化种群中个体总数为n；

2)基于路径长度、路径角度与机器人能耗，设计适应度函数，计算n个个体的适应度值；对个体的适应度值由小到大进行排序，选择排序前n个个体，并选出最优个体gb；所述最优个体gb为适应度值最小的个体；

3)保留适应度排序后的前j个个体，利用适应度聚集策略更新剩余n-j个个体；根据n-j个个体的适应度值，通过阈值比较或者百分比划分的方式将n-j个个体划分为适应度较差个体和适应度中等个体；通过聚集策略引导剩余n-j个个体中适应度中等的个体向最优个体(即适应度值最小的个体)gb靠近，并让适应度较差的个体随机探索解空间；

优选的，将n-j个个体中适应度值在整个种群中的排序位置小于n/2的个体定义为适应度中等个体，否则为适应度较差个体；

4)利用置换策略更新随机选中的m(种群个体总数的10％-20％)个个体，通过置换策略探索解空间未搜寻的区域，同时增强种群多样性；

5)判断是否达到终止条件，若达到，迭代结束；否则，利用先后遗传算法交叉算子和变异算子生成新的n个体，此时种群中个体总数为2n，计算2n个个体的适应度，保留适应度好(即适应度值小)的前n个个体进入下次迭代；

6)根据步骤(2)-(5)进行迭代直到迭代结束，对迭代结束后生成的路径进行冗余路径点删除，输出最优路径。

进一步的，步骤2)具体包括如下内容：

2-1)定义初始适应度