【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于機(jī)器人路徑規(guī)劃，涉及基于多策略改進(jìn)哈里斯鷹算法的機(jī)器人路徑規(guī)劃方法。
技術(shù)介紹
1、人工勢(shì)場(chǎng)法是一種目前常用的機(jī)器人路徑規(guī)劃算法，其基本思想是通過(guò)構(gòu)建一個(gè)虛擬的勢(shì)場(chǎng)，利用勢(shì)場(chǎng)的力來(lái)引導(dǎo)機(jī)器人避障和到達(dá)目標(biāo)。算法將目標(biāo)點(diǎn)視為引力源，向機(jī)器人施加吸引力；將障礙物視為斥力源，向機(jī)器人施加排斥力。機(jī)器人在這個(gè)復(fù)合力的作用下運(yùn)動(dòng)，機(jī)器人從起點(diǎn)出發(fā)，計(jì)算當(dāng)前位置的總勢(shì)力(引力與排斥力的合成)，沿著力的方向進(jìn)行移動(dòng)，直到達(dá)到目標(biāo)點(diǎn)或遇到無(wú)法規(guī)避的障礙物。
2、人工勢(shì)場(chǎng)法的一大缺點(diǎn)是容易陷入局部最優(yōu)解。例如，機(jī)器人可能被困在“勢(shì)力平衡點(diǎn)”或“死區(qū)”內(nèi)，導(dǎo)致無(wú)法繼續(xù)朝向目標(biāo)前進(jìn)。這種情況通常出現(xiàn)在目標(biāo)點(diǎn)附近有較多障礙物或復(fù)雜路徑的環(huán)境中。并且由于機(jī)器人每次僅沿當(dāng)前總勢(shì)力的方向前進(jìn)，路徑規(guī)劃的過(guò)程較為局部，可能導(dǎo)致整體路徑不夠平滑，影響機(jī)器人行進(jìn)的效率和穩(wěn)定性。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)采取的技術(shù)方案為：基于多策略改進(jìn)哈里斯鷹算法的機(jī)器人路徑規(guī)劃方法，旨在解決機(jī)器人在進(jìn)行路徑規(guī)劃時(shí)面臨的路徑不平滑、收斂速度慢、易陷入死區(qū)等問(wèn)題。
2、基于多策略改進(jìn)哈里斯鷹算法的機(jī)器人路徑規(guī)劃方法包括以下具體步驟：
3、步驟1、設(shè)置初始參數(shù)；
4、根據(jù)機(jī)器人運(yùn)動(dòng)空間的區(qū)間，障礙物分布情況等，確定所使用方法中的初始參數(shù)，包括位置空間的大小、機(jī)器人的起終點(diǎn)、種群大小和最大迭代次數(shù)，并以不同的個(gè)體表示在位置空間的不同路徑，以獵物表示當(dāng)前的最優(yōu)路徑，種群大小即表
5、步驟2、使用混沌初始化策略，引入tent混沌映射初始化種群；
6、為克服現(xiàn)有技術(shù)中初始種群多樣性不足的問(wèn)題，本專利技術(shù)引入了tent混沌映射方法對(duì)算法種群進(jìn)行初始化；tent混沌映射能夠生成具有較高分布均勻性的初始種群，確保種群在整個(gè)位置空間中的均勻分布，從而提高算法的全局搜索能力和初始多樣性。這一策略有助于避免算法在搜索過(guò)程中陷入局部最優(yōu)解，改善路徑規(guī)劃的整體效果。
7、步驟3、使用模糊能量策略計(jì)算獵物逃逸能量；
8、在hho算法(基于群體的、受自然啟發(fā)的優(yōu)化算法harris?hawks?optimization)中，逃逸能量e的大小決定了哈里斯鷹的搜索行為是進(jìn)入探索階段還是開發(fā)階段，這對(duì)算法的收斂速度影響巨大，而原算法中的逃逸能量是以隨機(jī)數(shù)e0作為其初始值，并以線性的方式進(jìn)行遞減，無(wú)法滿足算法在早期更多的進(jìn)行探索行為，而在后期進(jìn)行更多開發(fā)的要求，故引入非線性策略對(duì)hho算法進(jìn)行改進(jìn)。
9、步驟4、根據(jù)逃逸能量選擇探索階段或開發(fā)階段；
10、當(dāng)e≥1時(shí)，個(gè)體進(jìn)入探索階段，e＜1時(shí)，個(gè)體進(jìn)入開發(fā)階段；
11、步驟6、判斷是否達(dá)到最大迭代次數(shù)，若滿足則輸出最優(yōu)路徑，否則返回步驟3；
12、步驟7、構(gòu)建機(jī)器人在位置空間的路徑軌跡圖與適應(yīng)度曲線圖
13、根據(jù)實(shí)際機(jī)器人運(yùn)動(dòng)起點(diǎn)，終點(diǎn)及位置空間障礙分布情況，繪制仿真圖形，并根據(jù)本專利技術(shù)所提方法進(jìn)行最優(yōu)路徑規(guī)劃，并將其在50次迭代中最優(yōu)路徑的搜索情況繪制成適應(yīng)度曲線圖。
14、進(jìn)一步地，上述步驟2中tent混沌映射公式為：
15、
16、式中：i是初始種群的規(guī)模，λ為常數(shù)，tid是區(qū)間[0,1]中的隨機(jī)數(shù)，是一個(gè)i×d維的混沌序列；由此可初始化種群為：
17、
18、式中：x是個(gè)體的位置，t是當(dāng)前迭代次數(shù)，lb和ub分別是個(gè)體位置空間的下限和上限。
19、進(jìn)一步地，上述步驟3中獵物逃逸能量計(jì)算引入非線性策略對(duì)hho算法進(jìn)行改進(jìn)，改進(jìn)后的獵物逃逸能量模型如下所示：
20、
21、式中：e是獵物的逃逸能量，e0是區(qū)間(-1,1)中的隨機(jī)數(shù)，表示獵物的初始能量，t是最大迭代次數(shù)；
22、當(dāng)獵物的逃逸能量逐漸降低，hho算法將全部選擇進(jìn)入開發(fā)階段，而更容易陷入局部最優(yōu)解，受模擬退火算法啟發(fā)，引入探索概率p，使得算法在發(fā)現(xiàn)進(jìn)入局部最優(yōu)后，有概率忽略獵物的逃逸能量而進(jìn)入探索階段進(jìn)而擺脫局部最優(yōu)解，概率公式如下所示：
23、
24、式中：c為溫度系數(shù)，隨迭代次數(shù)逐漸減小，c＝αc0，c0為初始溫度，α為衰減因子，f(x)為適應(yīng)度函數(shù)，δx(t)是獵物位置與當(dāng)前個(gè)體位置的距離。
25、進(jìn)一步地，上述步驟4中探索階段或開發(fā)階段選擇方法為：
26、當(dāng)e≥1時(shí)，個(gè)體進(jìn)入探索階段，e＜1時(shí)，個(gè)體進(jìn)入開發(fā)階段：
27、1)探索階段
28、此階段中個(gè)體將按下式進(jìn)行位置更新，當(dāng)q≥0.5時(shí)，個(gè)體選擇進(jìn)行隨機(jī)飛行，當(dāng)q＜0.5時(shí)，個(gè)體向其他個(gè)體靠攏，進(jìn)行趨同飛行：
29、
30、λ(t)＝xrand?(t)-2r3x(t)????(6)
31、k＝lb+r4(ub-lb)??????(7)
32、式中：x是個(gè)體的位置，t是當(dāng)前迭代次數(shù)，xrand(t)是在迭代時(shí)從種群中隨機(jī)選擇的個(gè)體位置，λ(t)表示當(dāng)前個(gè)體向隨機(jī)個(gè)體的運(yùn)動(dòng)趨勢(shì)，r1～r4和q均為區(qū)間(0，1)中的隨機(jī)數(shù)，k是位置空間的隨機(jī)位置，lb和ub分別是個(gè)體位置空間的下限和上限，xrabbit是獵物的位置，即目前為止的最優(yōu)解，xm(t)是迭代到第t代時(shí)所有個(gè)體的平均位置；
33、2)開發(fā)階段
34、進(jìn)入開發(fā)階段后，hho算法根據(jù)獵物的逃逸能量e和逃跑的概率r選擇(1)-(4)中四種開發(fā)策略之一，其中r是區(qū)間(0，1)中的隨機(jī)數(shù)；
35、(1)當(dāng)r≥0.5且|e|≥0.5時(shí)，hho算法選擇軟包圍策略，位置更新方式如下式所示：
36、x(t+1)＝δx(t)-e∣jxrabbit(t)-x(t)|???????????????????????(8)
37、δx(t)＝xrabbit(t)-x(t)????????????????????????????????????????(9)
38、j＝2(1-r5)?????????????????????????????????????????????????????(10)
39、式中：δx(t)是獵物位置與當(dāng)前個(gè)體位置的距離，j是獵物在逃跑過(guò)程中的隨機(jī)跳躍強(qiáng)度，r5是區(qū)間(0，1)中的隨機(jī)數(shù)；
40、(2)當(dāng)r≥0.5且|e|＜0.5時(shí)，hho算法選擇硬包圍策略，位置更新方式如下式所示：
41、x(t+1)＝xrabbit(t)-e|xrabbit(t)-x(t)|?????????????????????(11)
42、(3)當(dāng)r＜0.5且e≥0.5時(shí)，hho算法選擇俯沖式軟包圍策略，使用式(12)更新個(gè)體位置，若適應(yīng)度未得到提升則按式(13)進(jìn)行萊維飛行，若仍未得到提升則使用原位本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.基于多策略改進(jìn)哈里斯鷹算法的機(jī)器人路徑規(guī)劃方法，其特征在于：該方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于多策略改進(jìn)哈里斯鷹算法的機(jī)器人路徑規(guī)劃方法，其特征在于：步驟2中Tent混沌映射公式為：
3.根據(jù)權(quán)利要求1所述的基于多策略改進(jìn)哈里斯鷹算法的機(jī)器人路徑規(guī)劃方法，其特征在于：步驟3中獵物逃逸能量計(jì)算引入非線性策略對(duì)HHO算法進(jìn)行改進(jìn)，改進(jìn)后的獵物逃逸能量模型如下所示：
4.根據(jù)權(quán)利要求3所述的基于多策略改進(jìn)哈里斯鷹算法的機(jī)器人路徑規(guī)劃方法，其特征在于：步驟4中探索階段或開發(fā)階段選擇方法為：
5.根據(jù)權(quán)利要求4所述的基于多策略改進(jìn)哈里斯鷹算法的機(jī)器人路徑規(guī)劃方法，其特征在于：步驟5中正余弦擾動(dòng)方法采用自適應(yīng)正余弦算法，其具體位置更新公式如下：
6.根據(jù)權(quán)利要求1所述的基于多策略改進(jìn)哈里斯鷹算法的機(jī)器人路徑規(guī)劃方法，其特征在于：目標(biāo)函數(shù)確定方法為：
【技術(shù)特征摘要】
1.基于多策略改進(jìn)哈里斯鷹算法的機(jī)器人路徑規(guī)劃方法，其特征在于：該方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于多策略改進(jìn)哈里斯鷹算法的機(jī)器人路徑規(guī)劃方法，其特征在于：步驟2中tent混沌映射公式為：
3.根據(jù)權(quán)利要求1所述的基于多策略改進(jìn)哈里斯鷹算法的機(jī)器人路徑規(guī)劃方法，其特征在于：步驟3中獵物逃逸能量計(jì)算引入非線性策略對(duì)hho算法進(jìn)行改進(jìn)，改進(jìn)后的獵物逃逸能量模型如下所示：
...【專利技術(shù)屬性】
技術(shù)研發(fā)人員：胡萬(wàn)望，王晉冰，李少波，蒲睿強(qiáng)，張濤，
申請(qǐng)(專利權(quán))人：貴州大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。