魏 勇，赵开新，王东署

（1.河南工学院，河南 新乡 453002；2.郑州大学电气工程学院，郑州 450001）

0 引言

路径规划是移动机器人研究领域的首要问题之一，目前，国内外学者已经提出了许多研究方案，如蚁群算法［1］、模拟退火算法、遗传算法［2］、神经网络算法［3］、粒子群算法等智能算法。随着移动机器人的应用领域越来越广泛和应用环境的越来越复杂，基本的智能算法很难直接应用到移动机器人路径规划中，本文把差分进化算法引入到粒子群算法中，并通过动态调整差分进化算法的参数，来进一步改善粒子群算法的性能，通过仿真实验分析，验证了改进后粒子群算法在移动机器人路径规划中的效率。

1 粒子群算法

粒子群算法［4-5］（Particle swarm optimization algorithm，PSO）是由 Eberhart和 Kennedy在 1995年根据鸟群的捕食和返巢活动而提出的一种启发式算法。其基本思想是通过群体中个体的合作机制来迭代寻找鸟群移动过程中的最优路径。

1.1 粒子群算法的数学模型

在粒子群算法中假设种群粒子个数为N，维数为D，每个粒子在D维空间上t次迭代的位置为，每个粒子的速度为，其中，迭代中粒子i按式（1）更新粒子速度，按式（2）更新粒子位置［6-7］。

式（1）中，ω为惯性权重系数，c1和c2为个体和群体依赖因子，用于调节粒子对个体最优解位置和群体最优解位置的依赖程度，表示粒子i在d维的个体位置最优解，表示粒子群体d维的最优解，r1，r2为大于0，小于1的随机数。

1.2 粒子群算法存在的问题

粒子群算法虽然简单、收敛速度快，但是在搜索后期，会缺失粒子的多样性而出现算法停滞现象，容易陷入局部最优解，本文在算法搜索后期通过空间聚合度来计算各粒子和种群最优粒子的距离以及各粒子之间的距离，来确定粒子群算法是否出现停滞现象。……