孙 冬，赵开新

（河南工学院 计算机科学与技术学院，河南 新乡 453003）

0 引言

目前常用的移动机器人路径规划方法主要有蚁群算法、神经网络算法[1-2]、人工势场法、遗传算法、模拟退火算法、粒子群算法等[3-4]。与其他算法相比，粒子群算法具有参数设置少、实现简单等优点[5-6]。但粒子群算法本身还存在着一些缺陷，如收敛速度慢、有早熟现象等，目前对粒子群算法的改进有基于动态调整惯性权重和基于收缩因子两种方法，但大多改进算法不能突破经典惯性权重呈线性递减的约束，粒子不能根据自我的位置动态调整对局部和全局信息的依赖度，导致粒子群算法效率低和次优路径的产生。文献[7]针对粒子收敛速度慢、搜索精度不高和算法性能过度依赖参数的选取等缺点，提出了一种非线性指数惯性权重粒子优化算法，使算法根据粒子最大、适应度值最小的指数函数更新惯性权重，突破了经典惯性权重呈线性递减的约束，该算法有利于粒子在寻优过程中跳出局部最优，使粒子较快地收敛到全局最优位置，但是算法收敛时迭代次数过多。本文通过优化粒子群算法的权重系数来动态调整粒子群算法的全局和局部搜索能力，通过优化学习因子来动态调整粒子对自我和群体的依赖程度，减少算法收敛时的迭代次数，并将改进后的粒子群算法应用到移动机器人路径规划中，引导机器人快速高效地寻找全局最优路径。

1 粒子群算法

粒……