陆顺意，何 庆，王艺蒙，李言博

（1.贵州大学大数据与信息工程学院，贵州 贵阳 550025；2.香港理工大学电子计算学系，中国 香港 999077）

0 引 言

目前，移动机器人路径规划已应用于多个领域之中，如自动驾驶、工业物流和服务业方面等。移动机器人路径规划问题作为典型的工程问题，在提升机器人定位与建图精确度方面，存在很大的探索空间。在过去的几十年里，学者们对路径规划进行了深入的研究，提出了一系列经典的路径规划方法，例如人工势场（artificial potential field，APF）法、黑猩猩优化算法（chimp optimization algorithm，ChOA）、灰狼优化（grey wolf optimization，GWO）算法、粒子群优化（particle swarm optimization，PSO）算法、被囊群算法（tunicate swarm algorithm，TSA）、鲸鱼优化算法（whale optimization algorithm，WOA）、平衡优化（equilibrium optimizer，EO）算法等［1～6］都取得了不错的效果，但仍旧存在一些缺陷。

蛇优化（shake optimization，SO）算法［7］是由Hashim F A和Hussien A G于2022年提出的一种新型的生物启发式优化算法，通过模拟蛇的觅食和繁殖行为完成寻优过程。与传统的优化算法相比，SO 算法具有原理简单、适应性好等特点。然而，SO算法同其他元启发式算法相似，普遍存在全局搜索能力差、求解精度低和收敛速度慢等缺陷。

本文提出了一种融合黄金正弦算法（golden sine algorithm，Golden-SA）［8］和莱维（Lévy）飞行［9］的SO算法（GLSOA）。首先，引入莱维飞行和非线性收敛因子，提高全局搜索效率以及平衡算法的局部开发和全局搜索能力。其次，使用局部混沌搜索策略［10］，提高算法局部开发能力。此外，还引入了Golden-SA策略，指引种群位置更新，增加迭代过程中种群的多样性，提高算法收敛速度和收敛精度。

1 地图的建立

本文基于栅格地图进行GLSOA的机器人路径规划，栅格地图建模……