一种基于改进QPSO的机器人路径规划算法

发布时间：2021-07-30 01:18

　　针对量子行为粒子群优化（QPSO）算法在移动机器人路径规划中出现早熟收敛的问题,提出一种基于聚集度因子和阶段变异策略的改进QPSO算法。根据目标函数计算粒子的适应度值,在压缩扩张因子中引入改进聚集度因子划分搜索阶段,利用分阶段变异策略更新个体位置,并对算法进行性能测试。实验结果表明,与FE-PSO算法相比,该算法具有较高的收敛精度与较好的稳定性。 

【文章来源】：计算机工程. 2019,45(04)北大核心CSCD

【文章页数】：7 页

【部分图文】：

可以看出，在地图1中，改进QPSO算法、SeL-QPSO算

计算机工程2019年4月15日这3张栅格地图对FE-PSO算法、SeL-QPSO算法、QPSO-DE算法与改进QPSO算法进行实验，将10m×10m、15m×15m、20m×20m这3张地图分别称为地图1、地图2与地图3。每种算法在每种地图独立运行50次，考察50次实验迭代结束时所得到的平均路径长度、标准差、最短路径长度、最长路径长度与程序运行时间，结果如图1～图6所示。图14种算法在地图1中的最短路径路线图24种算法在地图1中的平均路径长度图34种算法在地图2中的最短路径路线图44种算法在地图2中的平均路径长度图54种算法在地图3中的最短路径路线图64种算法在地图3中的平均路径长度表7给出4种算法的性能比较结果。从表7可以看出，在地图1中，改进QPSO算法、SeL-QPSO算法与QPSO-DE算法所得到的最短路径长度相同，但是在平均路径长度与路径长度标准差上，改进QPSO算法要优于其他3种算法。在地图2中，改进QPSO算法所算得到的路径标准差逊于SeL-QPSO算法和QPSO-DE算法，最长路径长度要长于SeL-QPSO算法和QPSO-DE算法，这是因为改进QPSO算法在搜索后期有可能没有收敛或者收敛速度较慢，其收敛性能要差于QPSO-DE算法，而在其他指标上，改进QPSO算法均优于其他对比算法。综合考虑平均长度、标准差与平均时间这3个指标，改进QPSO算法在地图2上稳定性不如QPSO-DE算法和SeL-QPSO算682


本文编号：3310389