基于蝙蝠算法-人工势场的机器人路径规划研究

为优化机器人路径规划全局最优问题,将人工势场法思想融入到蝙蝠算法中,建立基于人工势场蝙蝠算法(Bat Algorithm-Artificial Potential Field,BA-APF):在蝙蝠算法的脉冲速率中引入动态扰动系数g,加强算法的局部搜索能力,在蝙蝠位置更新公式中加入引力势场系数,以加快算法收敛速度;在目标终点加入引力系数,障碍物加入斥力系数,以保证路径躲避障碍并到达终点.BA-APF首先随机生成初始蝙蝠种群坐标,以路径最短、避开障碍物和危险区域,避免路径出现锐角转角为约束条件,在满足约束条件前提下构建合理的适应度函数.然后,BA-APF随机生成初始蝙蝠种群坐标,将初代蝙蝠坐标带入势场化蝙蝠算法,通过对比适应度值求出初代最佳蝙蝠个体.若满足局部搜索条件,则更新脉冲速率和声波响度并开始局部搜索策略,否则重复对蝙蝠位置和速度进行更新迭代,在优化后的路径和原最优路径进行适应度值中取其优值,并对路径进行三次样条插值使路径平滑衔接.最后,在随机障碍环境下,分别对BA-APF、粒子群算法、基本蝙蝠算法进行路径规划实验对比.结果表明,BA-APF在求解最优解以及算法迭代速度上,均优于对比算法.