多策略改进鸽群优化算法的机器人路径规划

基于传统鸽群优化算法在处理高维优化问题时存在的局限性,提出一种改进的螺旋-动态鸽群优化(Modified spiral-dynamic pigeon-inspired optimization,MSDPIO)算法,用于解决机器人路径规划问题中的收敛速度慢和易陷入局部最优解等问题。首先,通过引入Logistic混沌映射初始化策略以扩大搜索范围;其次,设计螺旋搜索策略和动态反向学习策略以改进位置更新机制,提高算法的收敛速度和解的质量。同时,采用自适应余弦函数调整反向学习权重和改进地标操作提高算法的自适应能力与全局搜索能力。通过对10个CEC2017基准测试函数的实验,有效地评估了算法的性能。最后,将MSDPIO算法与基于改进的B样条曲线应用于不同尺度(20 m×20 m与40 m×40 m)地图的路径规划问题。仿真结果表明:在小规模20 m×20 m地图中较鸽群优化(Pigeon-inspired optimization,PIO)算法、多策略融合的天鹰优化(Multi-strategy improved aquila optimizer,MSIAO)算法、灰狼优化(Grey wolf optimizer,GWO)算法路径长度分别改进1.46%、1.43%、1.47%;在大规模40 m×40 m地图中收敛性能最大提升37.82%。

资料为PDF文档格式.

本文档关键词:算法,路径,机器人,优化,改进