CN114047770A - 一种多内心搜寻改进灰狼算法的移动机器人路径规划方法 - Google Patents

Abstract

本发明提供一种多内心搜寻改进灰狼算法的移动机器人路径规划方法，包括以下步骤：获取机器人移动区域地图；根据机器人移动区域地图，建立移动区域地图路径规划的目标函数；基于灰狼算法，通过Singer映射初始化灰狼种群位置，并根据目标函数，计算适应度值，确定最优灰狼位置；采用多内心搜寻方式，进行灰狼位置的更新，并确定更新后的最优适应度值和最优灰狼位置；对最优灰狼位置进行透镜反向学习，获取更新后的最优适应度值和最优灰狼位置，并将学习前后适应度值最优的灰狼位置，作为更新后的最优灰狼位置；根据预设的最大迭代次数依次更新的最优灰狼位置，确定最优路径规划结果。该方法克服灰狼算法存在的几点不足，能够显著提升路径规划的效果。

Description

一种多内心搜寻改进灰狼算法的移动机器人路径规划方法

技术领域

本发明涉及机器人学技术领域，具体涉及一种多内心搜寻改进灰狼算法的移动机器人路径规划方法。

背景技术

移动机器人的路径规划是移动机器人技术中的一个关键技术。路径规划技术是使移动机器人根据周围环境信息，自动寻找一条从起始点到目标点的无碰撞的轨迹。其中移动机器人的路径规划算法是移动机器人路径规划的核心。移动机器人的路径规划是指其在对周围环境进行感知后，能够自行规划出一条从出发点至终点的最优移动路径，这条最优路径可以是满足移动路径最短，可以是满足耗时最短，还可以满足能量消耗最少等。

根据目前的研究成果来看，灰狼算法是一种模拟灰狼捕猎行为的新型智能优化算法，同样可以应用于路径规划问题。然而，灰狼优化算法存在以下不足：（1）在确定种群位置时，灰狼个体的位置是随机确定的，这就使得算法具有一定的盲目性和随机性；（2）灰狼算法的位置更新是根据前三头首领狼与目标物形成包围圈来进行捕猎，利用每头狼距离目标位置的距离的平均值来更新，但是该种方式，目标不一定刚好在其距离的平均点上。（3）灰狼算法陷入局部最优解时，没有任何措施能帮助其跳出局部最优解。因此，灰狼优化算法仍然存在有一些缺陷，使得算法容易陷入局部最优和收敛精度不高，在进行移动机器人路径规划时，往往达不到理想的路径规划效果。

为此，本发明提出了一种新的多内心搜寻改进灰狼算法的移动机器人路径规划方法。

发明内容

为解决上述问题，本发明提供一种多内心搜寻改进灰狼算法的移动机器人路径规划方法，克服了灰狼算法存在的几点不足，能够显著提升路径规划的效果。

为实现上述目的，本发明提供了如下的技术方案。

一种多内心搜寻改进灰狼算法的移动机器人路径规划方法，包括以下步骤：

获取机器人移动区域地图；

根据机器人移动区域地图，建立移动区域地图路径规划的目标函数；

基于灰狼算法，通过Singer混沌映射初始化灰狼种群位置，并根据目标函数，计算适应度值，确定最优灰狼位置；

采用多内心搜寻方式，通过灰狼全体狩猎过程进行灰狼位置的更新，并确定更新后的最优适应度值和最优灰狼位置；

对最优灰狼位置进行透镜反向学习，获取学习后的最优适应度值和最优灰狼位置，利用贪婪原则，将学习前后适应度值最优的灰狼位置，作为更新后的最优灰狼位置；

根据预设的最大迭代次数依次更新的最优灰狼位置，确定最优路径规划结果。

优选地，所述获取机器人移动区域地图，包括以下步骤：对移动机器人的环境进行建模，得到移动区域地图并对地图进行格栅化处理。

优选地，所述目标函数为移动路径最短、耗时最短或消耗能量最少，并根据目标函数确定相应的约束条件以及路径的关键节点数。

优选地，所述通过Singer混沌映射初始化灰狼种群位置，包括以下步骤：

确定种群的大小Popsize，迭代次数Miter，灰狼寻优下边界LB和灰狼寻优上边界UB；

根据Singer映射随机数产生：

式中，x _t为当前随机数，x _t+1为下一个随机数；

利用产生的Singer随机数初始化灰狼位置X(t)：

X(t) = (UB - LB)×x _t - LB。

优选地，所述采用多内心搜寻方式，通过灰狼全体狩猎过程进行灰狼位置的更新，包括以下步骤：

通过

狼、

狼、

狼和其他狼的初始化模拟灰狼实现对猎物的包围；

初始化后默认

狼、

狼、

狼实现了对最优解的包围，其他狼通过

狼、

狼、

狼的引导实现位置更新，从而实现对最优解的围捕；具体的：

计算当前狼与最优解的距离D：

计算当前狼的下一个位置X(t+1)：

式中，

表示猎物的位置；

表示第t代时灰狼个体的位置；A和C为系数向量，计算如下式所示：

式中，r ₁ 和r ₂ 为[0,1]的随机数，a的值随迭代次数由2线性递减到0；

其他狼根据

狼、

狼、

狼位置X _α 、X _β 、X _δ 进行位置更新：

其中，X ₁ 、X ₂ 、X ₃ 分别为当前狼在

狼、

狼、

狼引导下的下一个位置，T为三个位置的平均值；

将三个位置X ₁ 、X ₂ 、X ₃ 围成三角形，利用三角形顶点和内心，将三角形再次划分为三个三角形，获得子三角形的三个内心，并采用随机概率的来使得灰狼在这4个内心进行搜索，获得第t+1代时灰狼的位置X(t+1)：

式中，rand为[0,1]之间的随机数；

通过目标函数计算适应度值：

fitness(t+1)=Fitnessfunc(X(t+1))

根据最优适应度值对应的灰狼的位置X(t+1)，作为当次迭代中的最优灰狼位置X _gs (t+1)。

优选地，所述对最优灰狼位置进行透镜反向学习，获取更新后的最优适应度值和最优灰狼位置X _gs (t+1) '，包括以下步骤：

式中，n为缩放因子。

优选地，所述利用贪婪原则，将学习前后适应度值最优的灰狼位置，作为更新后的最优灰狼位置，包括以下步骤：

判断学习前后的适应度值，即：

确定更新后的最优灰狼位置为X _gs (t+1)。

本发明提出一种多内心搜寻改进灰狼算法的移动机器人路径规划方法，包括以下有益效果：

（1）通过引入singer映射进行灰狼种群位置的初始化，可以提升种群位置分布的均匀性和多样性，进而算法的稳定性得以增强。

（2）对灰狼的位置更新方式进行了多内心搜索改进，实现了算法搜索范围的增大，算法的适应性得以增强。

（3）对最优灰狼利用透镜反向学习进行更新，实现了算法在后期跳出局部最优解的能力。

附图说明

图1是本发明实施例的改进全局灰狼算法路径规划流程图；

图2是本发明实施例的三角形多内心划分示意图；

图3是本发明实施例的案例1路径规划结果图；

图4是本发明实施例的案例2路径规划结果图；

图5是本发明实施例的案例3路径规划结果图；

图6是本发明实施例的案例1迭代过程曲线图；

图7是本发明实施例的案例2迭代过程曲线图；

图8是本发明实施例的案例3迭代过程曲线图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

本发明的一种多内心搜寻改进灰狼算法的移动机器人路径规划方法，如图1所示，具体包括以下步骤：

S1：对移动机器人的环境进行建模，得到移动区域地图并对地图进行格栅化处理。

S2：建立移动区域地图路径规划的目标函数，可为移动路径最短、耗时最短或消耗能量最少。

S3：根据目标函数funtion确定相应的约束条件以及路径的关键节点数D；进行参数设置，进行参数设置，主要包括：灰狼种群的大小（即灰狼个体的数量）Popsize；迭代的最大次数（即迭代停止的条件）Miter；灰狼寻优下边界LB；灰狼寻优上边界UB。

S4：通过Singer混沌映射初始化灰狼种群位置，包括以下步骤：

根据Singer映射随机数产生：

式中，x _t为当前随机数，x _t+1为下一个随机数；

利用产生的Singer随机数初始化灰狼位置X(t)：

X(t) = (UB - LB)×x _t - LB。

并根据目标函数，计算适应度值，确定最优灰狼位置；

S5：采用多内心搜寻方式，通过灰狼全体狩猎过程进行灰狼位置的更新，并确定更新后的最优适应度值和最优灰狼位置。具体的：

通过

狼、

狼、

狼和其他狼的初始化模拟灰狼实现对猎物的包围；

初始化后默认

狼、

狼、

狼实现了对最优解的包围，其他狼通过

狼、

狼、

狼的引导实现位置更新，从而实现对最优解的围捕；具体的：

计算当前狼与最优解的距离D：

计算当前狼的下一个位置X(t+1)：

式中，

表示猎物的位置；

表示第t代时灰狼个体的位置；A和C为系数向量，计算如下式所示：

式中，r ₁ 和r ₂ 为[0,1]的随机数，a的值随迭代次数由2线性递减到0；

其他狼根据

狼、

狼、

狼位置X _α 、X _β 、X _δ 进行位置更新：

其中，X ₁ 、X ₂ 、X ₃ 分别为当前狼在

狼、

狼、

狼引导下的下一个位置，T为三个位置的平均值；

将三个位置X ₁ 、X ₂ 、X ₃ 围成三角形，利用三角形顶点和内心，将三角形再次划分为三个三角形，获得子三角形的三个内心，并采用随机概率的来使得灰狼在这4个内心进行搜索，获得第t+1代时灰狼的位置X(t+1)：

通过目标函数计算适应度值：

fitness(t+1)=Fitnessfunc(X(t+1))

根据最优适应度值对应的灰狼的位置X(t+1)，作为当次迭代中的最优灰狼位置X _gs (t+1)。

其中，rand为[0,1]之间的随机数。原始灰狼算法的位置更新为三个位置的平均值，如果在二维问题上表现为三个点围成三角形的内心如图2所示。但是有时最优解并不一定是三角形内心的位置，本发明改进算法，利用三角形顶点和内心，将三角形再次划分为三个三角形，并获得子三角形的三个内心，并采用随机概率的来使得灰狼在这4个内心进行搜索，提高包围区域的搜索能力。

S6：对最优灰狼位置进行透镜反向学习，获取更新后的最优适应度值和最优灰狼位置，利用贪婪原则，将学习前后适应度值最优的灰狼位置，作为更新后的最优灰狼位置。具体的：

式中，n为缩放因子。

判断学习前后的适应度值，即：

确定更新后的最优灰狼位置为X _gs (t+1)。

S7：根据预设的最大迭代次数依次更新的最优灰狼位置，确定最优路径规划结果。

本实施例中：

以MATLAB为仿真平台，建立三种移动机器人的256×256的格栅地图，以最短移动距离为目标，对GWO方法和本发明提出的IGWO方法进行分析。GWO算法中的参数为：Popsize=50，Maxiter=200，LB = 1，UB=255；IGWO算法中的参数为：Popsize=50，Maxiter=200，LB =1，UB=255。

仿真环境和两个方法分别得到的移动路径如图3-5所示，图6-8为迭代过程曲线。表1为两种算法的数据结果对比。

表1.算法路径结果比较

算法	案例1	案例2	案例3
				GWO（路径长度）	456.8321	361.0296	358.4149
IGWO（路径长度）	437.4967	360.2916	356.4999

从图3-5中可以直观的发现GWO得到的移动路径比IGWO的要长，路径比较迂回，而IGWO得到的路径则比较合理。进一步分析图3-5和图6-8中的结果可知，采用GWO算法时，算法收敛速度较慢；采用IGWO算法时，收敛速度更快，能更快的找到更好的路径。可以看出，本发明所设计的IGWO算法具有更快的收敛速度和收敛精度，而GWO则出现了陷入局部最优的情况。仿真结果表明，在多种相同的环境下，IGWO算法搜索能力更强，获得了更优移动路径，验证了算法的有效性。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种多内心搜寻改进灰狼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：

获取机器人移动区域地图；

根据机器人移动区域地图，建立移动区域地图路径规划的目标函数；

基于灰狼算法，通过Singer混沌映射初始化灰狼种群位置，并根据目标函数，计算适应度值，确定最优灰狼位置；

采用多内心搜寻方式，通过灰狼全体狩猎过程进行灰狼位置的更新，并确定更新后的最优适应度值和最优灰狼位置；

对最优灰狼位置进行透镜反向学习，获取学习后的最优适应度值和最优灰狼位置，利用贪婪原则，将学习前后适应度值最优的灰狼位置，作为更新后的最优灰狼位置；

根据预设的最大迭代次数依次更新的最优灰狼位置，确定最优路径规划结果。

2.根据权利要求1所述的多内心搜寻改进灰狼算法的移动机器人路径规划方法，其特征在于，所述获取机器人移动区域地图，包括以下步骤：对移动机器人的环境进行建模，得到移动区域地图并对地图进行格栅化处理。

3.根据权利要求1所述的多内心搜寻改进灰狼算法的移动机器人路径规划方法，其特征在于，所述目标函数为移动路径最短、耗时最短或消耗能量最少，并根据目标函数确定相应的约束条件以及路径的关键节点数。

4.根据权利要求1所述的多内心搜寻改进灰狼算法的移动机器人路径规划方法，其特征在于，所述通过Singer混沌映射初始化灰狼种群位置，包括以下步骤：

确定种群的大小Popsize，迭代次数Miter，灰狼寻优下边界LB和灰狼寻优上边界UB；

根据Singer映射随机数产生：

式中，x _t为当前随机数，x _t+1为下一个随机数；

利用产生的Singer随机数初始化灰狼位置X(t)：

X(t) = (UB - LB)×x _t - LB。

5.根据权利要求4所述的多内心搜寻改进灰狼算法的移动机器人路径规划方法，其特征在于，所述采用多内心搜寻方式，通过灰狼全体狩猎过程进行灰狼位置的更新，包括以下步骤：

通过

狼、

狼、

狼和其他狼的初始化模拟灰狼实现对猎物的包围；

初始化后默认

狼、

狼、

狼实现了对最优解的包围，其他狼通过

狼、

狼、

狼的引导实现位置更新，从而实现对最优解的围捕；具体的：

计算当前狼与最优解的距离D：

计算当前狼的下一个位置X(t+1)：

式中，

表示猎物的位置；

表示第t代时灰狼个体的位置；A和C为系数向量，计算如下式所示：

式中，r ₁ 和r ₂ 为[0,1]的随机数，a的值随迭代次数由2线性递减到0；

其他狼根据

狼、

狼、

狼位置X _α 、X _β 、X _δ 进行位置更新：

其中，X ₁ 、X ₂ 、X ₃ 分别为当前狼在

狼、

狼、

狼引导下的下一个位置，T为三个位置的平均值；

将三个位置X ₁ 、X ₂ 、X ₃ 围成三角形，利用三角形顶点和内心，将三角形再次划分为三个三角形，获得子三角形的三个内心，并采用随机概率的来使得灰狼在这4个内心进行搜索，获得第t+1代时灰狼的位置X(t+1)：

式中，rand为[0,1]之间的随机数；

通过目标函数计算适应度值：

fitness(t+1)=Fitnessfunc(X(t+1))

根据最优适应度值对应的灰狼的位置X(t+1)，作为当次迭代中的最优灰狼位置X _gs (t+1)。

6.根据权利要求5所述的多内心搜寻改进灰狼算法的移动机器人路径规划方法，其特征在于，所述对最优灰狼位置进行透镜反向学习，获取学习后的最优适应度值和最优灰狼位置X _gs (t+1) '，包括以下步骤：

式中，n为缩放因子。

7.根据权利要求6所述的多内心搜寻改进灰狼算法的移动机器人路径规划方法，其特征在于，所述利用贪婪原则，将学习前后适应度值最优的灰狼位置，作为更新后的最优灰狼位置，包括以下步骤：

判断学习前后的适应度值，即：

确定更新后的最优灰狼位置为X _gs (t+1)。

Images