基于改进人工蜂群算法的移动机器人路径规划研究
发布时间：2021-09-06 23:57
为了进一步提升基于人工蜂群（artificial bee colony,ABC）算法机器人路径规划的科学性,文章在建立路径规划实验模型基础上在ABC算法中引入了混沌映射产生初始解和反轮盘赌机制进行并行选择,提出等距分布式并行搜索,同时在全局更新机制中引入势场作用,进而得到了一种改进人工蜂群的（improved artificial bee colony,IABC）算法。将IABC算法应用于路径规划,并利用Taguchi正交试验选取实验参数值与目标函数参数值进行基于ABC算法与IABC算法的路径规划对比实验,实验结果表明,IABC算法规划出的路径质量较佳,能够提升规划效率。
【文章来源】：合肥工业大学学报(自然科学版). 2019,42(11)北大核心
【文章页数】：7 页
【部分图文】：
图１栅格序列号示意图
获取来自引领蜂的路径信息，依据ＩＡＢＣ算法并行选择机制选定路径。（５）跟随蜂选定路径后，按照与引领蜂相同的搜索规则对选定路径进行路径更新。（６）按以上步骤进行迭代，若路径Ｘｉ连续ε次未更新，则舍弃路径Ｘｉ，侦查蜂按（１６）式生成新路径代替Ｘｉ，并重新开始迭代。（７）判断迭代次数是否达到Ｇ，若达到则输出最优路径节点，依次连接节点，得到最优路径，否则返回步骤（３）继续执行。３．２实验环境设置仿真实验采用Ｍａｔｌａｂ编写代码，初始化机器人运动环境如图２所示。将环境划分为１５×１５个栅格；机器人的起始点为栅格１，用符号○表示；目标点为栅格２１１，用符号△表示；黑色部分为障碍物，白色部分为自由空间。图２工作环境图３．３Ｔａｇｕｃｈｉ参数设置将ＩＡＢＣ算法应用到机器人路径规划，所涉及的参数较多，这些因素都对寻优能力、收敛速度等有所影响。本节对基于ＩＡＢＣ算法的路径规划中的３个主要参数为：更新阈值ε、适应度函数权值ｋ和路径节点数Ｄ，运用Ｔａｇｕｃｈｉ三因素三水平正交试验法进行试验分析，以获取最优的因素水平组合来指导参数的设置。３．３．１Ｔａｇｕｃｈｉ方案正交表是正交试验设计的基本工具，是在运用组合数学理论的正交拉丁方基础上构造的一种规格化的表格，其符号为Ｌｎ（ｊｉ），其中，Ｌ为正交表的代号；ｎ为正交表的行数，即试验次数；ｊ为正交表中的数码，即各因素的水平数；ｉ为正交表的列数，即试验因素的个数。对基于ＩＡＢＣ算法路径规划中的３个主要参数为：更新阈值ε、适应度函数权值ｋ以及路径节点数Ｄ，本文将运用Ｔａｇｕｃｈｉ正
，对指标最短路径来说，Ａ是较次要因素，对指标迭代次数来说，Ａ是主要因素，故将Ａ３改为Ａ１，因此综合平衡得出最优因素水平组合为Ａ１Ｂ２Ｃ２。由此可知，在本文的仿真实验中设置更新阈值ε＝５、权值ｋ＝０．５以及路径节点数Ｄ＝１０时寻优效果最优。３．４路径规划及其结果分析运用前文设置实验环境和Ｔａｇｕｃｈｉ试验分析和经验所设置的参数水平值分别使用ＡＢＣ算法和ＩＡＢＣ算法对移动机器人的路径进行优化，分别独立运行１０次得到２种算法搜索到的最优路径如图３所示。为了更直观地分析，本文实验得到的数据见表３所列。由表３可知，相同的环境和参数下，ＩＡＢＣ算法规划的路径比ＡＢＣ算法规划得短，即路径质量更优。ＩＡＢＣ算法运行路径的迭代结果方差远小于ＡＢＣ算法，说明改进算法更稳定。ＩＡＢＣ算法达到稳定时的迭代次数远少于ＡＢＣ算法，说明ＩＡＢＣ算法具有较优的全局寻优能力，能够提高寻优的效率。因此，ＩＡＢＣ算法能够更有效地解决移动机器人路径规划问题。（ａ）ＡＢＣ算法（ｂ）ＩＡＢＣ算法图３２种算法搜索的最优路径表３实验结果对比指标ＡＢＣ算法ＩＡＢＣ算法最短路径长度２２．９５１９．０４最长路径长度３１．８３２２．１１平均路径长度２７．９４１９．３３标准差４．４１０．８９达到稳定时的迭代次数２８１４７４结论为了进一步提升算法的寻优效率和寻优质量，本文提出了一种ＩＡＢＣ算法，并将ＩＡＢＣ算法应用于移动机器人路径规划中，利用Ｔａｇｕｃｈｉ正交试验设计法选取实验参数值，进行基于ＡＢＣ算法与ＩＡＢＣ算法的路径规划对比实验。实验结果表明
本文编号：3388438
【文章来源】：合肥工业大学学报(自然科学版). 2019,42(11)北大核心
【文章页数】：7 页
【部分图文】：
图１栅格序列号示意图
获取来自引领蜂的路径信息，依据ＩＡＢＣ算法并行选择机制选定路径。（５）跟随蜂选定路径后，按照与引领蜂相同的搜索规则对选定路径进行路径更新。（６）按以上步骤进行迭代，若路径Ｘｉ连续ε次未更新，则舍弃路径Ｘｉ，侦查蜂按（１６）式生成新路径代替Ｘｉ，并重新开始迭代。（７）判断迭代次数是否达到Ｇ，若达到则输出最优路径节点，依次连接节点，得到最优路径，否则返回步骤（３）继续执行。３．２实验环境设置仿真实验采用Ｍａｔｌａｂ编写代码，初始化机器人运动环境如图２所示。将环境划分为１５×１５个栅格；机器人的起始点为栅格１，用符号○表示；目标点为栅格２１１，用符号△表示；黑色部分为障碍物，白色部分为自由空间。图２工作环境图３．３Ｔａｇｕｃｈｉ参数设置将ＩＡＢＣ算法应用到机器人路径规划，所涉及的参数较多，这些因素都对寻优能力、收敛速度等有所影响。本节对基于ＩＡＢＣ算法的路径规划中的３个主要参数为：更新阈值ε、适应度函数权值ｋ和路径节点数Ｄ，运用Ｔａｇｕｃｈｉ三因素三水平正交试验法进行试验分析，以获取最优的因素水平组合来指导参数的设置。３．３．１Ｔａｇｕｃｈｉ方案正交表是正交试验设计的基本工具，是在运用组合数学理论的正交拉丁方基础上构造的一种规格化的表格，其符号为Ｌｎ（ｊｉ），其中，Ｌ为正交表的代号；ｎ为正交表的行数，即试验次数；ｊ为正交表中的数码，即各因素的水平数；ｉ为正交表的列数，即试验因素的个数。对基于ＩＡＢＣ算法路径规划中的３个主要参数为：更新阈值ε、适应度函数权值ｋ以及路径节点数Ｄ，本文将运用Ｔａｇｕｃｈｉ正
，对指标最短路径来说，Ａ是较次要因素，对指标迭代次数来说，Ａ是主要因素，故将Ａ３改为Ａ１，因此综合平衡得出最优因素水平组合为Ａ１Ｂ２Ｃ２。由此可知，在本文的仿真实验中设置更新阈值ε＝５、权值ｋ＝０．５以及路径节点数Ｄ＝１０时寻优效果最优。３．４路径规划及其结果分析运用前文设置实验环境和Ｔａｇｕｃｈｉ试验分析和经验所设置的参数水平值分别使用ＡＢＣ算法和ＩＡＢＣ算法对移动机器人的路径进行优化，分别独立运行１０次得到２种算法搜索到的最优路径如图３所示。为了更直观地分析，本文实验得到的数据见表３所列。由表３可知，相同的环境和参数下，ＩＡＢＣ算法规划的路径比ＡＢＣ算法规划得短，即路径质量更优。ＩＡＢＣ算法运行路径的迭代结果方差远小于ＡＢＣ算法，说明改进算法更稳定。ＩＡＢＣ算法达到稳定时的迭代次数远少于ＡＢＣ算法，说明ＩＡＢＣ算法具有较优的全局寻优能力，能够提高寻优的效率。因此，ＩＡＢＣ算法能够更有效地解决移动机器人路径规划问题。（ａ）ＡＢＣ算法（ｂ）ＩＡＢＣ算法图３２种算法搜索的最优路径表３实验结果对比指标ＡＢＣ算法ＩＡＢＣ算法最短路径长度２２．９５１９．０４最长路径长度３１．８３２２．１１平均路径长度２７．９４１９．３３标准差４．４１０．８９达到稳定时的迭代次数２８１４７４结论为了进一步提升算法的寻优效率和寻优质量，本文提出了一种ＩＡＢＣ算法，并将ＩＡＢＣ算法应用于移动机器人路径规划中，利用Ｔａｇｕｃｈｉ正交试验设计法选取实验参数值，进行基于ＡＢＣ算法与ＩＡＢＣ算法的路径规划对比实验。实验结果表明
本文编号：3388438
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3388438.html
