CN106094833B - 一种基于混沌萤火虫算法的移动机器人路径规划方法 - Google Patents

Abstract

本发明请求保护一种基于混沌萤火虫算法的移动机器人路径规划方法，该方法包括步骤：S1、确定移动机器人系统代价函数；S2、对移动机器人系统进行初始化，得到所有可能路径；S3、利用混沌萤火虫算法对每一条路径进行迭代更新，包括对亮度和位置的更新；S4、对更新后的路径进行排序，得到局部最优路径；S5、迭代次数完成进行步骤S6，否则进行步骤S3；S6、利用最优调整策略调整当前局部最优路径；S7、输出全局最优路径。本发明能够使移动机器人在最短时间内寻找到通过狭窄区域的最优路径。

Description

一种基于混沌萤火虫算法的移动机器人路径规划方法

技术领域

本发明涉及移动机器人导航领域，特别是一种基于混沌萤火虫算法的移动机器人路径规划方法。

背景技术

路径规划是移动机器人导航中的关键技术之一，其目的是从起始位置到目标位置寻找一条最优的无碰撞路径。随着移动机器人应用范围的不断扩大，使其对路径规划技术的要求越来越高。一些新型人工智能(Artificial Intelligence,AI)技术逐渐应用于路径规划中，尤其是群集智能(Swarm Intelligence,SI)技术。例如，Garcia提出基于蚁群启发式的路径规划方法，并证明了该方法适合于静态和动态环境中的路径规划；Gong提出了一种基于多目标粒子群优化的路径规划方法，利用自适应变异操作提高可行路径的质量；Peng通过改进基于人工鱼群算法的路径规划方法来提高移动机器人在不同环境中路径规划的适应性。萤火虫算法(Firefly Algorithm,FA)与其他生物启发算法相比，它的理论和实现都相对简单，在路径规划中也有一定的应用，如:Li利用萤火虫算法和Bezier曲线来寻找最短无冲突的可行路径，但该算法仍然存在一些问题，如收敛速度慢，计算量大，稳定性差，易陷入局部最优等。因此，基于混沌萤火虫算法的移动机器人路径规划方法在狭窄区域内快速搜所到最优路径有非常重要的意义。本方法利用Lozi’s映射混沌序列调整萤火虫算法中的控制参数，避免了陷入局部最优，同时采用最优调整策略，对萤火虫算法进行高斯干扰，增强了该方法的搜索能力，并将该方法应用于移动机器人路径规划中，解决了移动机器人在狭窄区域内的路径规划问题。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种收敛速度快，不易陷入局部最优的基于混沌萤火虫算法的移动机器人路径规划方法。本发明的技术方案如下：

一种基于混沌萤火虫算法的移动机器人路径规划方法，其包括以下步骤：

S1、获取移动机器人起始点到目标点的可行路径参数，确定移动机器人系统代价函数；S2、对移动机器人系统进行初始化，得到所有可能路径；S3、利用混沌萤火虫算法对步骤S2每一条路径进行迭代更新，包括对亮度和位置的更新；S4、对更新后的路径进行排序，得到局部最优路径；S5、步骤S3迭代次数完成进行步骤S6，否则继续进行步骤S3；S6、利用最优调整策略调整当前局部最优路径；S7、输出全局最优路径。

进一步的，所述步骤S1移动机器人系统代价函数表示为：

E＝ω₁E_L+ω₂E_D

其中ω₁,ω₂分别表示长度系数和冒险系数，且ω₁+ω₂＝1，取值分别为ω₁＝0.75,ω₂＝0.25，E_L表示移动机器人从起始点到目标点的可行路径距离，E_D表示可行路径中各节点和环境中障碍物的代价函数；

其中(x_i,y_i,z_i),表示可行路径中第i个节点的坐标，i＝1…n-1,表示移动机器人起始点与可行路径第一节点间的距离，表示移动机器人目标点与可行路径最后一个节点间的距离，ΔL_i表示可行路径中每两个相邻节点之间的距离，且

E_D＝C(k₁+k₂)，其中C表示代价系数，且C>0，k₁表示可行路径中节点个数，k₂表示环境中障碍物个数。

进一步的，所述步骤S3利用混沌萤火虫算法对步骤S2每一条路径进行迭代更新包括：

S31、采用步骤S1得到的代价函数表示萤火虫的绝对亮度，代价函数值表示萤火虫所在位置处潜在的解，即每个萤火虫代表一条可行的路径，萤火虫的数量代表可行路径的数量，萤火虫的绝对亮度代表路径的质量；

S32、绝对亮度小的萤火虫向绝对亮度大的萤火虫移动，这里的绝对亮度是指萤火虫在当前位置的亮度；萤火虫相对亮度是指两个萤火虫之间相对的亮度，表示为其中I₀表示最大亮度，分别进行萤火虫亮度和位置的更新；

萤火虫相对亮度与吸引力成正比，吸引力表示为：

萤火虫位置更新公式表示为：

x_i＝x_i+β_ij(ij)(x_i-x_j)+α(t)(rand+0.5)

其中t为迭代次数，x_i,x_j为萤火虫i和萤火虫j所处的空间位置，β₀为萤火虫的最大吸引力，r_ij为两个萤火虫之间的距离，rand表示为[0,1]之间的均匀分布；

γ(t)为Lozi’s映射混沌序列表示的光吸收系数，表示为：

α(t)为Lozi’s映射混沌序列表示的随机参数，表示为：

其中，t为迭代次数，a₁,b₁为控制γ(t)变化的控制参数,a₂,b₂为控制α(t)变化的控制参数。

进一步的，所述γ(1)＝0.7(t＝1)，α(1)＝1(t＝1)，a1＝a2＝1.7，b1＝b2＝0.5。

进一步的，所述步骤S4对更新后的路径进行排序，得到局部最优路径采用的排序方法包括比较法、冒泡法。

进一步的，所述步骤S6的最优调整策略为：

用高斯分布对每次迭代的最优路径的位置进行微小扰动，即：

其中，为高斯扰动后的最优位置,x_best为当前最优位置,η为控制参数，N(0,1)为高斯分布。

本发明的优点及有益效果如下：

本发明是一种基于混沌萤火虫算法的移动机器人路径规划方法，利用Lozi’s映射混沌序列调整萤火虫算法中的控制参数，避免了陷入局部最优，提高了收敛速度；采用最优调整策略，对萤火虫算法进行高斯干扰，增强了该算法的搜索能力。并将本方法应用于移动机器人路径规划中，使其在较短时间内规划出一条通过狭窄区域的最优路径。

附图说明

图1是本发明提供优选实施例基于混沌萤火虫算法的移动机器人路径规划方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明的技术方案如下：

本发明提供了一种基于混沌萤火虫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：

S1，确定移动机器人系统代价函数。在本实施方式中，移动机器人系统代价函数表示为：

E＝ω₁E_L+ω₂E_D

其中ω₁,ω₂分别表示长度系数和冒险系数，且ω₁+ω₂＝1，取值分别为ω₁＝0.75,ω₂＝0.25，E_L表示移动机器人从起始点到目标点的可行路径距离，E_D表示可行路径中各节点和环境中障碍物的代价函数。

其中(x_i,y_i,z_i),i＝1…n-1,表示可行路径中第i个节点的坐标，表示移动机器人起始点与可行路径第一节点间的距离，表示移动机器人目标点与可行路径最后一个节点间的距离，ΔL_i表示可行路径中每两个相邻节点之间的距离，且

E_D＝C(k₁+k₂)，其中C表示代价系数，且C>0，k₁表示可行路径中节点个数，k₂表示环境中障碍物个数。

S2，对移动机器人系统进行初始化，得到所有可能路径。

S3，利用混沌萤火虫方法对每一条路径进行迭代更新，包括对亮度和位置的更新。在本实施方式中，混沌萤火虫方法为：

用代价函数表示萤火虫的绝对亮度，代价函数值表示萤火虫所在位置处潜在的解，即每个萤火虫代表一条可行的路径，萤火虫的数量代表可行路径的数量，萤火虫的绝对亮度代表路径的质量。

绝对亮度小的萤火虫向绝对亮度大的萤火虫移动，分别进行萤火虫亮度和位置的更新。萤火虫相对亮度是指两个萤火虫之间相对的亮度，表示为其中I₀表示最大亮度，绝对亮度是指萤火虫在当前位置的亮度。

萤火虫相对亮度与吸引力成正比。吸引力表示为：

萤火虫位置更新公式表示为：

x_i＝x_i+β_ij(ij)(x_i-x_j)+α(t)(rand+0.5)

其中t为迭代次数，x_i,x_j为萤火虫i和萤火虫j所处的空间位置，β₀为萤火虫的最大吸引力，r_ij为两个萤火虫之间的距离，rand表示为[0,1]之间的均匀分布。

γ(t)为Lozi’s映射混沌序列表示的光吸收系数，表示为：

α(t)为Lozi’s映射混沌序列表示的随机参数，表示为：

其中，t为迭代次数，a₁,b₁为控制γ(t)变化的控制参数,a₂,b₂为控制α(t)变化的控制参数,且γ(1)＝0.7(t＝1)，α(1)＝1(t＝1)，a1＝a2＝1.7，b1＝b2＝0.5。

S4，对更新后的路径进行排序，得到局部最优路径采用的排序方法包括比较法、冒泡法。

S5，迭代次数完成进行步骤S6，否则进行步骤S3。

S6，利用最优调整策略调整当前局部最优路径。在本实施方式中，最优调整策略为：

用高斯分布对每次迭代的最优路径的位置进行微小扰动，即：

其中，为高斯扰动后的最优位置,x_best为当前最优位置,η为控制参数，N(0,1)为高斯分布。

S7，输出全局最优路径。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种基于混沌萤火虫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：

S1、获取移动机器人起始点到目标点的可行路径参数，确定移动机器人系统代价函数；S2、对移动机器人系统进行初始化，得到所有可能路径；S3、利用混沌萤火虫算法对步骤S2每一条路径进行迭代更新，包括对亮度和位置的更新；所述步骤S3利用混沌萤火虫算法对步骤S2每一条路径进行迭代更新包括：

S31、采用步骤S1得到的代价函数表示萤火虫的绝对亮度，代价函数值表示萤火虫所在位置处潜在的解，即每个萤火虫代表一条可行的路径，萤火虫的数量代表可行路径的数量，萤火虫的绝对亮度代表路径的质量；

S32、绝对亮度小的萤火虫向绝对亮度大的萤火虫移动，这里的绝对亮度是指萤火虫在当前位置的亮度；萤火虫相对亮度是指两个萤火虫之间相对的亮度，表示为其中I₀表示最大亮度，分别进行萤火虫亮度和位置的更新；

萤火虫相对亮度与吸引力成正比，吸引力表示为：

萤火虫位置更新公式表示为：

x_i＝x_i+β_ij(ij)(x_i-x_j)+α(t)(rand+0.5)

其中t为迭代次数，x_i,x_j为萤火虫i和萤火虫j所处的空间位置，β₀为萤火虫的最大吸引力，r_ij为两个萤火虫之间的距离，rand表示为[0,1]之间的均匀分布；

γ(t)为Lozi’s映射混沌序列表示的光吸收系数，表示为：

α(t)为Lozi’s映射混沌序列表示的随机参数，表示为：

其中，t为迭代次数，a₁,b₁为控制γ(t)变化的控制参数,a₂,b₂为控制α(t)变化的控制参数；S4、对更新后的路径进行排序，得到局部最优路径；S5、步骤S3迭代次数完成进行步骤S6，否则继续进行步骤S3；S6、利用最优调整策略调整当前局部最优路径；S7、输出全局最优路径。

2.根据权利要求1所述的基于混沌萤火虫算法的移动机器人路径规划方法，其特征在于，所述步骤S1移动机器人系统代价函数表示为：

E＝ω₁E_L+ω₂E_D

其中ω₁,ω₂分别表示长度系数和冒险系数，且ω₁+ω₂＝1，取值分别为ω₁＝0.75,ω₂＝0.25，E_L表示移动机器人从起始点到目标点的可行路径距离，E_D表示可行路径中各节点和环境中障碍物的代价函数；

其中(x_i,y_i,z_i),表示可行路径中第i个节点的坐标，i＝1…n-1,L_SP1表示移动机器人起始点与可行路径第一节点间的距离，L_PnE表示移动机器人目标点与可行路径最后一个节点间的距离，ΔL_i表示可行路径中每两个相邻节点之间的距离，且

E_D＝C(k₁+k₂)，其中C表示代价系数，且C>0，k₁表示可行路径中节点个数，k₂表示环境中障碍物个数。

3.根据权利要求1所述的基于混沌萤火虫算法的移动机器人路径规划方法，其特征在于，所述γ(1)＝0.7(t＝1)，α(1)＝1(t＝1)，a₁＝a₂＝1.7，b₁＝b₂＝0.5。

4.根据权利要求1所述的基于混沌萤火虫算法的移动机器人路径规划方法，其特征在于，所述步骤S4对更新后的路径进行排序，得到局部最优路径采用的排序方法包括比较法、冒泡法。

5.根据权利要求1所述的基于混沌萤火虫算法的移动机器人路径规划方法，其特征在于，所述步骤S6的最优调整策略为：

用高斯分布对每次迭代的最优路径的位置进行微小扰动，即：

其中，为高斯扰动后的最优位置,x_best为当前最优位置,η为控制参数，N(0,1)为高斯分布。