文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 工程科技 > 信息与通信 > 基于时变适应度函数的改进粒子群算法及其在移动机器人路径规划中的应用
侵权投诉

基于时变适应度函数的改进粒子群算法及其在移动机器人路径规划中的应用

针对粒子群算法在解空间盲目搜索的缺点,提出一种基于时变适应度函数的改进粒子群路径规划算法。该算法有效地将人类搜索经验与粒子群算法相结合,利用神经网络描述环境约束和距离信息,并构造粒子的适应度函数,从而该算法在迭代过程中可以利用权值的改变合理地调整适应度函数。这样,新算法在寻优过程中能够先确定路径方向,然后逐步提高路径安全性。将该算法应用于机器人路径规划,与

45 4 6

计算机应用研究

第2 7卷

侧重方向后弥补安全的方式不断调整自身位置,与固定适应度函数 P O算法相比, S粒子位置的调整方式更具目的性,法可算 以同时满足性质 a和 b, ) )因此可以利用人类经验进行寻优。

改进 P O算法规划能力的提高并没有以增大算法的时间复杂 S度为代价。

值得提出的是,由于和采用非线性变化,有利于前期

保持较大的值,后期保持较大的值,比两者线性变化,相更 利于和 E在前期和后期对保持较大影响力。 算法的实现步骤如下: a初始化。设定算法中涉及的各类参数:索空间的上 )搜限和下限,种群规模 s惯性权重范围[, , ]路径, 图2固定适应度函数P O S迭代 3次万迭代 1次万

长度函数惯性权重的初始值一tr和终止值 W一n, s t a ed碰撞罚函数权重的初始值 W一t和终止值 W _n。学习因子 c、 。s r a t e d c,

粒子速度范围[…,]最大迭代次数 t, , 收敛精度,随机 给定粒子的初始位置与速度设置当前迭代次数 t。=0

设当前位置即为每个粒子的P,个体极值找出全局极值,从记录该最好值的粒子序号 g及其位置 p。 b用式 ( ) 7更新适应度函数的权值。 ) 6 ()

e评价每一个粒子。计算粒子的适应值, )如果好于该粒子当前的个体极值,则将 P设置为该粒子的位置, 且更新个体极值;如果所有粒子的个体极值中最好的好于当前的全局极 O 7 5 4 3 2 9 8 6 l O

迭代 1次万

更换起始位置 0 7 4 9 8 6 5 3 2 1 O

值,则将 P设置为该粒子的位置, 更新全局极值及其序号 g。 d粒子的状态更新。 )

3 4障碍物数量增多时算法的执行时间变化情况 .

图 7表示随着障碍物数目增多,改进 P O算法的平均执 S行时间的变化情况,横坐标为障碍物的个数,纵坐标为执行的时间,单位为 S。从图 7中可以看出,随着障碍物的增多,算法 执行时间只呈现近似的线性增长,可见算法在复杂环境下表现 比较稳定。

e检验是否符合结束条件。如果当前的迭代次数达到了

)预先设定的最大次数 t, 或者最终结果小于预定收敛精度要求,则停止迭代,出最优解;输否则,=t, t+1转到 b。 )

3.仿真实验 笔者在同一台计算机上测试算法性能,与固定适应度函数 O 8 5 2 9 7 6 4 3 1 0

的 P O算法进行比较。为了更真实地体现算法性能, S除适应度函数不同之外,两种算法其余参数均相同,且每种结果均为 算法各自执行 2 0次后取平均值的结果。 3 1最优粒子的平均位置 .

图 2为固定适应度函数 P O迭代 3万次, S图3为固定适应度函数 P O迭代 1万次, 4为时变适应度函数 P O迭代 1 S图 S 万次。

3 5随着迭代次数增加, .路径的改变规律比较图 8为采用固定适应函数 P O路径的变化, 9为采用改 S图进 P O路径的变化, 1 S图 0为复杂环境下采用固定适应度函数 P O路径的变化, 1 S图 1为复杂环境下采用 P O路径的变化。 S 图 8~ 1中,画线为算法迭代 5千次的结果, 1点虚画线为迭代 5 万次的结果,虚点线为迭代 1 O万次的结果。由图可以看出,固定适应度函数 P O算法在迭代次数较少时, S路径方向性差,随

由图 2~ 4可以看出,改进 P O算法迭代 1万次得到的路 S 径质量明显优于固定适应度函数 P O算法迭代 1万次时得到 S的路径质量,与固定适应度函数 P O算法迭代 3万次时得到 S的路径相似。 3 2更换起始位置和终点, .并增加障碍物的个数时得到的路径比较

着迭代次数增加路径方向得到修正;相反,改进 P O算法在迭 S 代次数较少的情况下可以比固定适应度函数 P O算法更好地 S确定路径方向,随着迭代次数增加,路径方向无明显变化。以上比较进一步证明,改进 P O算法在迭代次数较少的情况下, S

图 5为障碍物增加一倍且更换起始位置。图 6为障碍物增加十倍且更换起始位置。图 5 6中,、虚点线表示改进 P O S算法,虚画线表示固定适应度函数 P O算法。两种算法均执 S行 1万次。由图 5 6可以看出,、随着障碍物的增多,路径安全 性对路径总能量的影响进一步增大,迭代次数不足导致固定适

寻优能力要明显优于固定适应度函数 P O算法。 S 36实验总结 .

应度函数 P O

算法方向性错误, S路径质量严重变差。在相同的迭代次数下,改进 P O算法得到的路径不但方向性正确, S而且安全性适当,路径的实用价值明显好于固定适应度函数此

通过以上实验可以看出,在相同的迭代次数下,改进 P O S

算法得到的路径质量明显优于固定适应度函数 P O算法得到 S的路径质量,当障碍物增多时此优势更加明显。此外改进 P O S算法没有增大算法的时间复杂度,且当障碍物数量增多时表现 稳定。因此,改进 P O算法寻优能力强且实时性好, S有更高的 实用价值。 (下转第 4 6 4 3页)

P O算法得到的路径。 S 33算法时间复杂度比较 .

在机器人工作空间为图 2 5和 6所示的情形下,、两种算法 各迭代 1次,得的平均运行时间相差在 2s以内。可见,万求

基于时变适应度函数的改进粒子群算法及其在移动机器人路径规划中的应用

上一页第3页

你可能喜欢

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email