基于粒子群优化算法的移动机器人路径规划研究

论文摘要

移动机器人路径规划是一个很复杂的问题,不仅要寻求一条无碰撞的最优路径,而且还要求该路径尽可能平滑并满足一定的安全性。通过分析目前各种路径规划方法的优缺点,提出将改进的粒子群优化算法运用到静态环境下的移动机器人路径规划问题当中。首先通过对标准粒子群优化算法的深入研究,剖析粒子群优化算法易陷入局部最优值的缺点,在粒子速度更新公式中引入一个进步因子项来使粒子在后期迭代中也具有跳出局部最优值的活力,并对超出初始空间范围的粒子重新进行随机初始化,增加粒子的多样性,防止算法陷入局部最优,利用5个常用优化函数对其进行了实验测试,验证了算法的可行性;接着针对路径规划问题的特点,利用栅格法建立机器人工作空间,对带有进步因子的粒子群优化算法具体应用到各个环节进行了细致的研究。在路径生成过程中,对不满足约束条件的路径进行了优化处理,并将路径长度、平滑度、安全度一起结合在适应度函数中来反映路径的优劣;最后在复杂程度不同的静态环境下进行仿真实验,并利用路径长度、动态收敛特征来反映算法的优化效率,讨论分析了适应度各系数对路径规划结果的影响,同时与其它智能算法进行了对比分析。仿真实验结果表明,带有进步因子的粒子群优化算法能够成功地在不同的静态环境下规划出一条近似最优的路径,验证了算法的有效性。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究概况
• 1.3 论文的研究内容
• 1.4 论文的章节安排
• 2 移动机器人路径规划方法
• 2.1 路径规划的定义和分类
• 2.1.1 路径规划方法的定义
• 2.1.2 路径规划方法的分类
• 2.2 移动机器人路径规划的基本问题
• 2.2.1 移动机器人的位姿空间
• 2.2.2 环境信息的获取和表示
• 2.2.3 移动机器人路径规划的搜索方法
• 2.2.4 移动机器人路径搜索方法的选择原则
• 2.2.5 移动机器人路径规划的碰撞检测
• 2.3 本章小结
• 3 粒子群优化算法及其改进
• 3.1 粒子群优化算法简介
• 3.1.1 粒子群优化算法的基本原理
• 3.1.2 标准粒子群优化算法
• 3.1.3 标准粒子群优化算法的实现步骤
• 3.1.4 粒子群优化算法参数设置
• 3.2 改进的PSO算法
• 3.3 带有进步因子的粒子群优化算法（PPSO）
• 3.3.1 对粒子速度公式的改进
• 3.3.2 对粒子的搜索位置空间的约束
• 3.3.3 PPSO算法描述
• 3.3.4 实验分析
• 3.4 粒子群优化算法的应用
• 3.5 本章小结
• 4 基于改进粒子群优化算法的路径规划研究
• 4.1 环境建模
• 4.1.1 栅格粒度的确定
• 4.1.2 空间离散化和障碍物边界的处理
• 4.1.3 栅格坐标标识方法
• 4.1.4 模型的建立
• 4.2 基于带有进步因子的粒子群优化算法（PP50）路径规划设计
• 4.2.1 粒子和其环境的设定
• 4.2.2 初始种群的生成
• 4.2.3 粒子的约束条件及有效性
• 4.2.4 路径的生成
• 4.2.5 粒子群优化路径操作
• 4.2.6 适应度函数定义
• 4.2.7 优化准则终止条件
• 4.2.8 改进的粒子群优化算法在路径规划中的参数选取
• 4.3 机器人全局最优路径搜索算法
• 4.4 本章小结
• 5 仿真及结果分析
• 5.1 仿真环境
• 5.1.1 软件环境
• 5.1.2 硬件环境
• 5.2 实验结果与分析
• 5.2.1 解集直观比较分析
• 5.2.2 收敛稳定性与速度比较分析
• 5.2.3 适应度函数中加权系数的影响
• 5.2.4 新旧适应度函数结果比较分析
• 5.3 与其它算法的仿真结果比较分析
• 5.3.1 与遗传算法的仿真结果比较分析
• 5.3.2 与神经网络算法的仿真结果比较分析
• 5.4 本章小结
• 6 结论
• 6.1 总结
• 6.2 展望
• 6.2.1 进一步完善改进的粒子群优化算法
• 6.2.2 拓展改进粒子群优化算法的应用范围
• 致谢
• 参考文献
• 附录