基于改进粒子群算法的无人船全局路径规划研究

针对传统粒子群算法(Particle Swarm Optimization,PSO)在全局路径规划过程中存在搜索路径不合理、容易陷入局部最优解等问题,提出 了一种 PSO-ABC(Particle Swarm Optimization-Artificial Bee Colony Algorithm)融合搜索算法.首先,提出惯性权重自适应更新与动态学习因子策略,使得粒子能够随着迭代次数的变化而更新惯性权重与学习因子,提高算法的寻优能力和收敛速率;其次,提出粒子拥挤度因子的概念,增强算法跳出局部极小值的能力;最后,引入人工蜂群算法中的跟随蜂和侦察蜂思想,提高融合算法的全局搜索能力.设置4种不同的障碍物环境进行仿真实验,实验结果表明,改进的融合算法相较于3种对比算法路径规划速度快且路径短,提高了算法搜索路径的成功率,其综合性能显著优于传统的粒子群算法.