移动机器人路径规划中的改进花授粉算法应用

2020-02-02王志俊

电子技术与软件工程 2020年16期

王志俊

（山西建筑职业技术学院山西省太原市 030006）

人工智能、语言交互、机器学习这些飞速发展的技术，使得全世界的服务机器人产业飞快发展。由于市场规模的开启和行业空间的增大，越来越多的企业走进服务机器人的市场。移动机器人是人工智能背景下的产物，是为了适应智能化社会而应运而生的产物。移动机器人局部路径及全局路径规划研究成为目前机器人研究的热点，前者主要利用的是传感器信息，后者则是基于环境模型[1]。作为一种新型群智能优化算法，花授粉优化算法强调提升花授粉全局优化能力，其通过采用动态转换概率方法，促进了收敛速度及计算精度的提升。以往学者在研究中采用改进花授粉算法优化SVM 参数，建立了交通流量预测模型，证实了花授粉优化算法对FPA 收敛能力的提升[2]。基于花授粉优化算法角度下的移动机器人路径规划研究尚未见报道。本文将差分化进化策略融入改进花授粉算法，对其在移动机器人路径规划中的作用进行探讨，实践证明其能够获得良好的优化性能。

1 花授粉优化算法概述

英国剑桥大学学者是花授粉算法最早提出者，其构成机制包括莱维飞行及偏好随机游动、贪婪演化，能够完成算法勘探与开发的有机转换[3]，在转换概率参数P 作用下实现动态控制，能够为全局搜索及局部搜索相关问题的解决提供可靠的依据。另外花授粉算法提出了清晰的思路，不仅执行起来简单，而且具有极强的全局收敛功能，是人工智能移动机器人研究的重点。该算法灵感来源于自然界显花植物花朵传粉，通过对流程的模拟，做出假设，假如只开一朵花，且仅拥有一个花粉配子，且优化问题对应每个花粉配子需要一个解，那么需要符合以下准则：

（1）鸟、蜜蜂对花粉是传播作用，其携带的花粉在Levy 作用下完成全局授粉，这一过程属于生物异花授粉；

（2）利用自身局部授粉实现属于非生物自花授粉；

（3）在评估繁衍概率时主要利用的是花的常性指标，该值能够反映出两朵花的相似性，具有比例关系[4]；

（4）全局及局部授粉会受到转换概率的影响，而花朵在自然环境中生存难免会受到其周围环境诸如地理位置、风等的影响，从这个角度看授粉近似于自花授粉。

作为一个个体演化过程，全局及局部搜索花授粉算法都可以采用公式能够实现算法探测，开采部分主要通过公式实现。其中xit+1表示的是算法进化t+1代的值，表示第t 代的值，全局最优解用g 表示，控制步长缩放因子采用γ 表示，花朵个体莱维飞行为宜采用L（λ）表示。0 与1范围间正态分布采用随机数ε 表示。另外同一种植物，若花朵种类不同，其花粉也具有一定的不同，分别表示为、。

2 移动机器人路径规划中的改进花授粉算法应用

图1：移动机器人路径规划

图2：花授粉算法最优路径

图3：改进花授粉算法路径

图4：粒子群算法路径

传统花授粉优化算法具有一定的局限性，针对这一问题，在对花授粉算法进行改进时首先需要结合机器人工作环境建立一个模型，然后制定可行性的路径优化目标，并打造适应度函数，最后优化移动机器人路径。

2.1 差分进化下花授粉优化算法

作为一种进化算法，差分进化算法主要指的是在演化期间采用种群的方式优化个体间差异性的过程。通常，进化中种群个体会产生一定的矢量差，利用该矢量差对其进行组合能够得到中间种群个体[5]。比较父代与中间个体进而获得后代种群。基于差分进化算法变异性特征，其探索能力往往在进化初期能够达到最早。随着演化过程的推进，会降低种群个体差异，与此同时伴随差分进化算法开采能力提高。本研究将差分进化算法在演化期间的实现策略分为三个方面，具体如下：

（2）交叉操作。为提升种群个体差异性，可以采用交叉操作，其首先需要对第t 代进化种群及经过变异的种群进行交叉获得，公式为：

算法交叉概率参数CR 范围为[0,1]，rand 是0～1 之间选择的随中至少存在一个分量来源于vi(t)。

表1：不同算法路径性能比较

（3）选择策略。在适应度函数作用下对个体vi(t+1)做出判断，观察期与xi（t）的差异，使得顺利产生新的个体xi（t+1）。

进入进化后期后，花授粉算法收敛速度会呈现出降低趋势，且局部极值问题也得以暴露，针对这一问题，需要对传统花授粉算法予以改进，并在此基础上引入差分进化策略，使得每朵花完成个体变异及交叉，促进了算法寻优性能的提升。其实现过程如下：

（1）完成种群数sizepop、问题维数D 等各项参数的初始化，对种群适应度值进行计算，获得全局最优值后计算最优解。

（2）进入主循环体后，更新个体位置，当p>rand，需要及时处置越界问题[6]；若P

（3）差分优化花朵个体，首先需要计算种群最优适应度值，若该值与全局最优值相比更好，要更新最优解及最优值。

（4）若满足结束条件，那么将程序退出，并按照流程输出最优值及最优解[7]。

2.2 环境建模

首先建立一个二维空间，通过全面分析及影响控制避免机器人障碍物高度、大小等对结果的影响，在此基础上实施移动机器人路径规划。可以将其作为一个质点，将其路径规划置于一个已知障碍物环境，自出发点S 到终点T 全程寻找不会与障碍物接触且距离最短的路径，如图1所示，不同形状填充黑块为障碍物，S 点表示的是起始位置，五角星标识位置为目标点[8]。在路径规划中，为获得最优解，采用直角坐标与极坐标相结合的建模方法。

2.3 适应度函数建立

适应度函数主要用于对移动机器人路径规划优劣的评估，其会影响到最优路径的实施与实现。路径长度性能指标是路径规划的首要考虑因素，需要在确保路径安全的前提下，确保光滑[9]。通常连续优化问题多采用的是花授粉优化算法。针对这一研究结论，在构建最优路径时，采用了坐标变换思想，极坐标结合直角坐标系条件下对机器人路径进行规划，适应度函数如公式所示：机数，j 表示1,2，……，d，其能够确保

其中加权函数包括b1、b2，路径长度采用L1 表示，路径初始点及终点分别采用xi、yi表示，a 表示的是花朵个体角度。

2.4 实现步骤

基于改进的花授粉算法在移动机器人路径规划问题求解中的应用主要通过以下几个流程实现：

（1）采用栅格法营造一个真实的机器人工作环境，经过初始化处理，完成种群数N 参数的优化[10]。

（2）随机选择种群个体实施初始化处理，选择适应度函数通过计算获得种群个体适应度值。在主循环体缓解，当转换概率p 较rand 大时，需要实施全局搜索，并采用越界处置方法对个体位置进行处理。种群个体的深度优化采用的是差分思想。

（3）对种群最优适应度值及最优解进行计算，并对最优值及最优解进行更新[11～12]。

（4）满足结束条件后，将程序退出，获得最优路径。

3 仿真实验及分析

研究构建了一个Matlab2014a 环境，模拟了移动机器人全局路径，在防真试验过程中，建立一个300m×300m 的实验空间，开始点与目标点坐标分别为（0,0），（300,300），黑色区块代表的是障碍物。通过对比可以发现，与传统花授粉优化算法、粒子群算法相比，改进花授粉算法拥有更强的全局优化能力，结果如图2～图4所示。

由上述可知，与花授粉算法及粒子群算法相比，改进花授粉算法获得路径最为光滑，不仅转折点少，而且在算法后期，路径平滑度好，提示移动机器人路径规划可以采用改进花授粉算法以获得更加的性能。不同算法仿真试验数据如表1所示，可以发现，改进花授粉算法起始到目标位置路径较另外两种算法短，经过差分策略的干预，其花费的时间较传统花授粉算法略多，但整体差异较小，且在路径长度方面优势更为明显。