基于改进人工蜂群算法的移动机器人路径规划方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114662638A(43)申请公布日2022.06.24(21)申请号202210189705.7(22)申请日2022.02.28(71)申请人苏州湘博智能科技有限公司地址215500江苏省苏州市常熟市经济技术开发区研究院路3号(72)发明人李鹏蔡成林周彦盘宏斌陈洋卓窦杰孟步敏蔡晓雯张莹黄鹏李锡敏(74)专利代理机构湘潭市汇智专利事务所(普通合伙)43108专利代理师陈伟(51)Int.Cl.G06N3/00(2006.01)B25J9/16(2006.01)权利要求书3页说明书8页附图4页(54)发明名称基于改进人工蜂群算法的移动机器人路径规划方法(57)摘要本发明公开了一种基于改进人工蜂群算法的移动机器人路径规划方法，将人工蜂群算法每次迭代产生的最优解代入到灰狼优化算法的狩猎阶段，利用灰狼优化算法生成新的蜜源位置；在雇佣蜂阶段邻域搜索时引入该蜜源，以此来提高人工蜂群的局部搜索能力；将全局最优解代入侦察蜂阶段，改进蜜源搜索方程，使算法更容易摆脱局部最优；将改进算法GW‑ABC应用到移动机器人路径规划中，实验结果表明，改进算法的搜索能力更强，收敛速度更快。CN114662638ACN114662638A权利要求书1/3页1.一种基于改进人工蜂群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：步骤一：初始化蜜源相关参数；步骤二：生成初始解，并计算蜜源适应度，开始迭代；步骤三：将人工蜂群算法ABC每次迭代产生的最优解代入到灰狼优化算法GWO的狩猎阶段，利用灰狼优化算法生成新的蜜源位置，在雇佣蜂阶段邻域搜索时引入该新的蜜源，进行邻域搜索；旁观蜂根据贪婪算法选择较优蜜源对应的路径；步骤四：将全局最优解代入侦察蜂阶段，改进蜜源搜索方程，若解路径连续limit次未更新，雇佣蜂变成侦察蜂，舍弃旧解，随机产生一个新的解路径，并重新开始迭代；步骤五：判断迭代数是否达到最大迭代次数tmax，若达到则输出最优路径节点，依次连接节点，得到最优路径，否则返回步骤三继续执行。2.根据权利要求1所述的基于改进人工蜂群算法的移动机器人路径规划方法，其特征在于，所述步骤二中，人工蜂群算法是一种群体生活优化算法，受到蜂群行为的启发，该算法分三个阶段执行，即雇佣蜂阶段、旁观蜂阶段和侦察蜂阶段；人工蜂群算法模拟蜜蜂的采蜜行为，其中一个蜜源的位置代表一个候选解，每个蜜源中的花蜜量被认为是适应度，雇佣蜂和旁观蜂的数量相等，是整个种群规模的一半，雇佣蜂根据记忆中的位置更新当前的蜜源，并与旁观蜂分享关于新蜜源的信息，根据这些信息，侦察蜂进行邻域搜索；具体过程如下：(1)初始化在初始化阶段，通过以下方程随机生成一组可能解：其中xi,j表示解的集合，i＝1，2，…,N，N是种群数量，j＝1，2，…,Dim，Dim表示维度；和表示第j个变量的上下界；rand(0,1)为[0,1]之间的一个随机数；(2)雇佣蜂阶段在这一阶段中，利用雇佣蜂记忆中的旧蜜源生成新的蜜源，即生成新的候选解：其中vij是新蜜源位置，是[‑1，1]之间的一个随机数，k是随机生成的一个整数，k＝1，2，…,N，且k≠i；(3)旁观蜂阶段在旁观蜂阶段，旁观蜂在雇佣蜂群中依据轮盘赌的形式选择概率Pi较大的个体，接着随机生成一个(0，1)之间的随机数与概率Pi比较，若Pi大于产生的随机数则按照式(3)选择蜜源，然后雇佣蜂和旁观蜂生成的新解按照贪婪算法选择较优蜜源，即比较蜜源适应度值选择较优解：式中，Pi表示第i组解被选中的概率，fi为第i组解的蜜源适应度，2CN114662638A权利要求书2/3页其中，fitnessi为i个解的目标函数值，abs(fitnessi)表示fitnessi的绝对值；(4)侦察蜂阶段在侦察蜂阶段，一旦某一蜜源在预定的周期内不能进一步改善，就用新的蜜源代替，而与之相关的被雇佣的蜜蜂随后成为侦察蜂；根据式(1)随机生成新的蜜源，步骤2到步骤4重复进行，直到满足终止条件。3.根据权利要求2所述的基于改进人工蜂群算法的移动机器人路径规划方法，其特征在于，所述步骤二中，灰狼算法模仿了一群灰狼在追逐和狩猎猎物时表现出来的民主的社会行为，在灰狼的社会等级制度中有四个等级，最高级即最优解为α狼，次优解分别为β狼和δ狼，其他解为ω狼；灰狼群围猎行为包括接近猎物，包围猎物和攻击猎物三个阶段，其中包围猎物的数学表达式为：X(t+1)＝Xp(t)‑A·D(5)D＝|C·Xp(t)‑X(t)|(6)式中，t为当前迭代次数，X(t)表示灰狼当前所在位置，Xp表示猎物当前所在位置，D表示灰狼个体于猎物之间的距离，A和C是系数向量；其中，A＝2ar1‑a(7)C＝2r2(8)式中，a是收敛因子，r1和r2为在区间[0，1]之间的随机数；灰狼攻击