CN105988468A - 一种基于改进遗传算法的移动机器人路径规划方法 - Google Patents

Abstract

一种基于改进遗传算法的移动机器人路径规划方法。该方法将栅格法与遗传算法相结合，首先对个体进行编码，得到一条一维染色体串，然后根据适应值函数f＝A+B(A部分保证机器人所走路径较短，B部分保证机器人所走路径安全)计算每条路径的适应值，最后经过选择、交叉、变异，得到一条安全平滑的路径。

Description

一种基于改进遗传算法的移动机器人路径规划方法

技术领域

本发明涉及一种路径规划方法，尤其是一种基于改进遗传算法的移动机器人路径规划方法。

背景技术

目前，路径规划方法有人工势场法、栅格法、神经网络算法和遗传算法等。人工势场法简单、方便、规划路径比较平滑、便于实时控制，但在全局路径规划上存在局限性，会出现震荡、停滞的现象；栅格法简单、灵活，但在环境复杂时，效率不高；遗传算法和神经网络算法，算法本身都比较复杂，实时性稍差，但都属于全局算法。

发明内容

为了克服现有路径规划方法中人工势场法、栅格法、神经网络算法和遗传算法的各自缺点，本发明提出一种基于改进遗传算法的移动机器人路径规划方法，将栅格法与遗传算法相结合，该方法不仅具有栅格法简单、灵活的特点且兼有遗传算法的全局算法优点，克服栅格法环境复杂时，效率不高的问题。

本发明解决其技术问题所采用的技术方案是：首先要对个体进行编码，得到一条一维染色体串Ci＝{VL1y(i)，VL2y(j)，……，VLmy(k)}其中|VLi|∈Φ，i，j，k＝0，1，2，……n。(Φ为避障区域，V Li为栅格点)；变量初始化，交叉率取0.4-0.9，变异率取0.001-0.1，群体规模为10-200，最大进化代数为100-500代；随机产生一个初始群体；根据适应值函数计算每条路径的适应值f＝A+B，其中

$A=\mathrm{\α}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(\mathrm{Li}/1i),$ $B=\mathrm{\β}[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\mathrm{OR}1\left(k\right)\right)2+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\mathrm{ORq}\left(k\right)\right)2];$ (α∈[100，300]，β∈[0.1，0.5])A部分保证机器人所走路径较短，B部分保证机器人所走路径安全。再经过选择、交叉、变异，最终得到一条安全平滑的路径。

本发明的有益效果是，将栅格法与遗传算法相结合提出了一种基于改进遗传算法的移动机器人路径规划方法，该方法不仅具有栅格法简单、灵活的特点且兼有遗传算法的全局算法优点，克服栅格法环境复杂时，效率不高的问题。。

附图说明

图1是本发明的软件流程图。

具体实施方式

在图1中，程序开始运行，首先路径编码成位串形式，即对个体进行编码，得到一条一维染色体串Ci＝{VL1y(i)，VL2y(j)，……，VLmy(k)}其中|VLi|∈Φ，i，j，k＝0，1，2，……n。(Φ为避障区域，V Li为栅格点)；变量初始化，设置设置交叉、变异概率、个体数目和最大遗传代数：交叉率的选择决定了交叉操作的频率，代沟交叉率取0.4-0.9，变异率的选取一般受种群大小、染色体长度等因素影响，变异率取0.001-0.1，群体规模的大小直接影响到遗传算法的收敛性和计算概率，群体规模为10-200，最大进化代数作为一种模拟终止条件，最大进化代数取值100-500代；随机产生一个初始群体；对于路径规划问题适应值函数的选取应从路径最短，可避开障碍物这两点出发，用路径上选定的离散点到目标点和到障碍物的距离作为参数确定适应度函数，适应值函数为f＝A+B，其中A部分是为了保证机器人到达目标点所走的路径较短，B部分是保证机器人到达目标点所走的路径是安全的，不会撞着障碍物。当路径点不在障碍物半径圆内时，忽略障碍物对适应值函数的影响，否则进行惩罚，取负值使适应值减小，降低该个体的适应度。通过f来评价路径在遗传过程中的适应值。f越小路径的优化程度越高。编码得出适应度函数的代码。

$A=\mathrm{\α}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(\mathrm{Li}/1i),$ $B=\mathrm{\β}[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\mathrm{OR}1\left(k\right)\right)2+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\mathrm{ORq}\left(k\right)\right)2];$ (α∈[100，300]，β∈[0.1，0.5])再使用select选择函数，将个体在当前种群中的适应度值作为繁殖概率，从种群chrom中选择优良个体，并将选择的个体返回到新种群Selch中、使用xovsp函数完成单点交叉产生新的染色体、使用mutbga函数实现种群的变异，最终得到一条安全、平滑的路径。

Claims (1)

1.一种基于改进遗传算法的移动机器人路径规划方法。其特征是：该方法将栅格法与遗传算法相结合，提出了适应值函数f＝A+B(A部分保证机器人所走路径较短，B部分保证机器人所走路径安全不会撞着障碍物)。当路径点不在障碍物半径圆内时，忽略障碍物对适应值函数的影响，否则取负值进行惩罚使适应值减小，降低该个体的适应度。f越小优化程度越高。经过选择、交叉、变异，得到一条安全平滑路径。

$A=\mathrm{\α}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(\mathrm{Li}/\mathrm{li}),B=\mathrm{\β}[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\mathrm{OR}1\left(k\right)\right)2+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\mathrm{ORq}\left(k\right)\right)2];\left(\mathrm{\α}\right[\mathrm{100,300}],\mathrm{\β}\∈[\mathrm{0.1,0.5}\left]\right).$