熊昕霞,何利力

(浙江理工大学 信息学院,杭州 310018)

移动机器人中的路径规划问题被认为是一项复杂的任务.工业,医学和农业中机器人的广泛应用鼓励研究人员在路径规划领域开展研究工作.路径规划者应根据特定标准,在充满障碍物的环境中,在机器人的起始位置与目标位置之间找到一条最佳(或接近最佳)的无碰撞路径.在某些情况下,机器人所处的环境可能包含危险区域或敏感区域,在路径规划算法中需要考虑这些危险区域或敏感区域.除了生成更短的路径,路径规划算法还需要生成与危险区域和环境中的敏感区域相距安全距离的轨迹.在路径规划中,为移动机器人提供自主权的不同元启发式技术的开发是当前探索中最具挑战性的领域之一.

在过去的几十年中,通过使用一些传统的和启发式方法,来优化路径规划问题,如细胞分解(CD),势场法(APF)[1],模拟退火,遗传算法(GA)[2],粒子群优化(PSO)[3]和神经网络.

通常,PSO 非常适合于开发,但可能导致局部最优问题.因此,在某些情况下,PSO 无法找到全局最优解.标准PSO中使用的搜索策略主要基于随机游动,它不能总是成功地解决优化问题.为了进一步提高算法的性能,已将不同策略添加到优化算法中,例如文献[4]在算法中引入鸡群算法中的母鸡更新方程和小鸡更新方程对搜索停滞的粒子进行扰动,使粒子跳出较差的搜索区域,脱离局部最优;带有变异算子的粒子群优化[5]被用于开发移……