积分商城

最新搜索： stm32f7 固件库 HFBR-0310Z光纤发射和接收电路 频率计 高频开关变换器的数字控制 multisim运放 NordicSemiconductor.nRF_DeviceFamilyPack.8.44.3.zip
您现在的位置是：首页 > 技术资料 > 基于改进粒子群算法的路径规划
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于改进粒子群算法的路径规划

更新时间：2019-12-25 17:22:03 大小：2M 上传用户：守着阳光1985查看TA发布的资源 标签：改进粒子群算法路径规划 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

传统粒子群算法存在收敛精度低、搜索停滞等缺点,导致机器人路径规划精度低。为了提高路径规划的精度,对传统的粒子群算法进行改进。首先在算法运行的各阶段对惯性权重因子和加速因子同时使用三角函数的变化方式自适应调整,使算法中的参数在算法运行各阶段的配合达到最佳,提高了算法的搜索能力;其次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,并在引进的方程中使用全局最优解使扰动后的粒子向全局最优解靠近;最后通过函数优化和路径规划两组对比实验,验证了改进算法在问题优化时具有寻优精度高、鲁棒性好的优点。


部分文件列表

文件名 大小
基于改进粒子群算法的路径规划.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
2 0 1 8  
12  
农 业 机 械 学 报  
49  
12  
卷 第 期  
年
月
第
doi: 10． 6041 /j． issn． 1000-1298． 2018． 12． 044  
基于改进粒子群算法的路径规划  
1，2  
1
1
1
1
1
贾会群  
魏仲慧 何 昕 张 磊 何家维 穆治亚  
( 1．  
，
中国科学院长春光学精密机械与物理研究所 长春  
130033; 2．  
，
中国科学院大学 北京  
100049)  
: 、 ， 。  
摘要 传统粒子群算法存在收敛精度低 搜索停滞等缺点 导致机器人路径规划精度低 为了提高路径规划的精  
， 。  
度 对传统的粒子群算法进行改进 首先在算法运行的各阶段对惯性权重因子和加速因子同时使用三角函数的变  
， ， ;  
化方式自适应调整 使算法中的参数在算法运行各阶段的配合达到最佳 提高了算法的搜索能力 其次在算法中引  
，
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 并在引进的方程中使用全局最优解使  
; ，  
扰动后的粒子向全局最优解靠近 最后通过函数优化和路径规划两组对比实验 验证了改进算法在问题优化时具  
、
有寻优精度高 鲁棒性好的优点  
。
:
;
;
;
关键词 机器人 路径规划 粒子群算法 鸡群算法  
: TP242. 6 : A : 1000-1298( 2018) 12-0371-07  
文章编号  
中图分类号  
文献标识码  
Path Planning Based on Improved Particle Swarm Optimization Algorithm  
1，2  
1
1
1
1
1
JIA Huiqun  
WEI Zhonghui HE Xin ZHANG Lei HE Jiawei MU Zhiya  
( 1． Changchun Institute of Optics，Fine Mechanics and Physics，Chinese Academy of Sciences，Changchun 130033，China  
2． University of Chinese Academy of Sciences，Beijing 100049，China)  
Abstract: The traditional particle swarm optimization ( PSO) algorithm has some shortcomings such as  
low convergence precision，stagnant search and so on，which lead to the low precision of robot path  
planning． In order to improve the precision of path planning，the traditional particle swarm optimization  
algorithm was improved． Firstly，the inertia weight factor and acceleration factor were adjusted adaptively  
by the trigonometric function in each stage of the algorithm operation，so that the parameters in the  
algorithm were optimized in each stage of the algorithm operation，and the search ability of the algorithm  
was improved． Secondly，the hen equation and chick equation of chicken swarm algorithm were  
introduced to perturb the search stagnation particles，and the global optimal solution was used in the  
introduced equation to make the disturbed particle approach the global optimal solution． Finally，through  
two sets of comparative experiments of function optimization and path planning，it was proved that the  
improved algorithm had the advantages of high searching precision and good robustness．  
Key words: robot; path planning; particle swarm optimization algorithm; chicken swarm algorithm  
［7］  
［12］  
，
生算 法 如 粒 子 群 算 法  
、
、
鸡 群 算 法  
蜂 群 算  
。
等 相较于传统的  
0
引言  
［13］  
［14］  
［15］  
、
、
法
狼群算法  
鸟群算法  
、
路径规划是机器人研究中最基本 最关键的问  
，
算法 通过模拟生物的一种或几种行为而提出的智  
［1 － 4］  
，
题
目的在于寻找到一条从起点到终点的最短  
，
能仿生算法 为解决复杂环境下的路径规划问题提  
， 。 ，  
路径 使机器人安全到达预定的目的地 近些年 专  
。
供了新思路  
家 学 者 们 提 出 很 多 有 关 机 器 人 路 径 规 划 的 算  
( Particle swarm optimization，PSO)  
粒子群算法  
［5 － 15］  
［8］  
。
，
一类是传统方法 如视图法  
、
人工势场  
法
， 、  
是一种模拟鱼群的仿生算法 具有易于实现 收敛速  
［9］  
［10 － 11］  
、
;
等 另一类是新兴的智能仿  
、 ，  
度快 所需调整的参数少等优点 一经提出便得到学  
法
自由空间法  
: 2018-07-06  
: 2018-08-31  
收稿日期  
修回日期  
:
基金项目 吉林省科技发展计划项目  
( 20180201013GX)  
:
作者简介 贾会群  
( 1990—) ， ， ， ，E-mail: jiahuiqun0123@ 163． com  
男 博士生 主要从事图像处理和自主导航研究  
:
通信作者 魏仲慧  
( 1961—) ， ， ， ， ，E-mail: wzhlvp@ sohu． com  
女 研究员 博士生导师 主要从事图像处理和图像存储研究  
372  
2 0 1 8  
年
农
业
机
械
学
报
［16 － 20］  
。
PSO  
———  
ω 惯性权重因子  
术界的广泛关注  
针对  
的研究主要集中  
［16 － 18］  
、
c 、c ———  
1 2  
在参数调整  
结合的改进  
种群结构改进以及与其他方法相  
加速因子  
［19 － 20］  
。
［16］  
文献 通过分析惯性权重因  
rand( ) ———( 0，1)  
间的随机数  
PSO  
，
收敛性的关系 提出了线性自适应  
子 ω 大小同  
2
PSO  
算法的改进  
PSO  
，
改进算法 提高了算法的收敛  
惯性权重因子的  
。
［17］  
文献 在迭代过程中将适应度值较差的粒  
性
PSO  
，
收敛精度低 搜索停滞的原因  
造成传统的  
［22］  
， ，  
子的惯性权重因子置零 减小了算法的无效迭代 使  
:
， ，  
① 算法收敛后期 因粒子群多样性降低 导  
有
。 ［18］  
算法的收敛性得到进一步提升 文献 通过分  
“
致算法陷入局部最优值即 早熟  
”。  
② 因粒子容易  
c 、c  
1
PSO  
，
收敛性的关系 提出了线  
析加速因子  
和
2
，
被困在较差的搜索区域并很难跳出 造成搜索停滞  
，
PSO  
，
改进算法 使算法的收  
性的自适应加速因子的  
。 ，  
导致收敛效率低 为了解决上述问题 从粒子群参  
。 ［19］ PSO  
敛性获得了一定的改善 文献 提出了 和  
。
数及算法更新方程两方面进行改进  
， ［20］  
遗传算法的混合算法用于路径规划 文献 提出  
2. 1 PSO  
算法的参数改进  
PSO  
。
混合算法进行路径规划 虽然已有  
了雁群和  
3 :  
传统的粒子群算法的更新公式包括 部分 上  
PSO ，  
文献对 进行了研究和改进 但目前粒子群算法  
依然存在收敛精度低 搜索停滞等缺点 导致在路径  
、
一代粒子速度值 单个粒子学习部分和粒子群之间  
、
，
。
1
，
部分受权重因子 ω 的控制 第  
相互学习部分  
2、3  
第
。
规划时不能得到最优的规划路径  
c 、c  
1
。
的控制 目前较多的研  
部分受加速因子  
2
［16 － 17］  
，
针对目前算法存在的问题 受文献  
［12，18］  
的
， ［18］  
文献  
究主要集中在对一种参数的改进  
， ，  
启发 通过分析文献中方法的优缺点 本文提出使用  
，
对惯性权重因子和加速因子同时进行改进 相较于  
三角函数的变化方式自适应地调整惯性权重因子和  
，
对一种参数的改进 两种参数同时改进的  
PSO  
算法  
，
加速因子 使惯性权重因子和加速因子在算法运行  
。
在优化精度和收敛速度上具有一定的优势 但文  
， ;  
各阶段的配合最佳 提高算法的搜索能力 然后引入  
［18］  
献 中加速因子是在基于线性变化的基础上进  
母鸡和小鸡两种更新方程对搜索停滞的粒子进行扰  
， 。  
行扰动 导致扰动效果并不明显 因此本文在文  
， ，  
动 提高粒子群的多样性 并在引入的方程中使用粒  
［18］  
，
的基础上做进一步改进 即将线性变化的加  
献
，
子群全局最优解 使得扰动后的粒子向全局最优解  
，
速因子替换为非线性变化的加速因子 非线性扰动  
， ，  
靠近 减少无效扰动 以提高算法的收敛精度及稳  
， ， “  
强度大 有利于提高种群的多样性 这对解决 早  
。
定性  
”
熟 问题是有利的  
。
［18］  
本文惯性权重因子仍然使用文献 提出的  
1
PSO  
算法的数学理论  
，
余弦变化权重因子 其数学表达式为  
［21］  
，
首次提出粒子群算法 假设粒子群规  
文献  
－
ω
ω
min  
k
max  
( k) =  
cos  
+
ω
π
(
)
n，  
搜索区域维数为  
D，x = ( x ，x ，…，  
i i1 i2  
模大小为  
2
k
max  
x )  
i( i 1，2，…，n)  
∈
，v =  
i
为粒子  
iD  
在搜索区域的位置  
+
ω
ω
max  
min  
( 3)  
( v ，v ，…，v )  
i1 i2 iD  
i
为粒子 的速度  
，p = ( p ，p ，…，  
i i1 i2  
2
p )  
iD  
i
为粒子 搜索的最优位置  
，p = ( p ，p ，…，  
g g1 g2  
= 0. 95  
= 0. 4  
其中  
式中  
ω
ω
min  
max  
p )  
gD  
， k + 1  
为粒子群搜索的最优位置 则对于第 次迭  
k
———  
最终迭代次数  
本次算法迭代次数  
( k) ———  
max  
，
代 粒子的位置更新公式为  
k———  
k + 1  
k
k
k
v
= v + c rand( ) ( p － x ) +  
ω
id  
k
ω
第
次迭代对应的惯性权重因子  
id  
id  
1
id  
k
k
c rand( ) ( p － x )  
2 gd id  
( 1)  
( 2)  
( 3)  
根据式  
画出不同迭代次数时惯性权重因子  
k + 1  
k
k + 1  
x
= x + v  
id  
， 1  
的变化曲线 如图 所示  
。
id  
id  
k + 1  
( 1) ，  
算法的学习部分受加速因子  
c 、c  
1
根据式  
，c  
v
———  
i
粒子 在第  
k + 1 ，  
次迭代时 速度的  
式中  
2
id  
，c  
控制粒子  
2
的控制  
控制单个粒子的学习部分  
d( d 1，2，…，D)  
∈ 维分量  
第
1
k + 1  
。 ［20］  
群之间的相互学习部分 文献 中提到适当的  
x
———  
i
粒子 在第  
k + 1  
，
次迭代时 位置的  
id  
，
调节加速因子可以优化算法的寻优过程 优化前期  
d
第
维分量  
次迭代后粒子 最优位置解的第  
维分量  
p ———k  
k
PSO  
，
算法进行全局搜索时要求个体从全局学习 因  
p ———k  
id  
i
d
c ，  
此要求前期 取较大的值 后期  
1
PSO  
算法进入局部  
k
， c 。  
搜索时群体学习很重要 要求 取较大的结果 经  
2
d
次迭代后群体最优位置解的第  
维
gd  
， ，  
过分析 本文采用正弦函数模拟加速因子的变化 提  
分量  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号