基于PSO算法的移动机器人路径规划

论文摘要

路径规划是移动机器人研究的一个重要方向,它作为自主式移动机器人导航的基本环节之一,是按照某一性能指标搜索一条从起始状态到目标状态的最优或近似最优的无碰路径。智能算法在这一领域的应用正在引起人们的注意。而粒子群优化算法(Particle Swarm Optimization, PSO算法),这种源于鸟群和鱼群群体运动行为的研究,是一种新的群体智能优化算法。它的主要特点是原理简单、参数少、收敛速度较快,所需领域知识少。将该方法应用于移动机器人路径规划,是本文的研究重点。主要内容如下：(1)系统详尽地介绍了移动机器人路径规划的定义和分类,讨论了移动机器人路径规划研究意义、国内外研究进展和基本研究方向；PSO算法基本原理、多种改进形式、及其应用情况。(2)采用链接图建立机器人工作空间障碍物顶点模型,用Dijkstra算法求得一条从起始状态到目标状态的可行避碰次优路径。(3)应用原始PSO算法对求得的可行避碰次优路径进行优化,以求得全局最优路径。通过仿真结果,指出了原始PSO算法在粒子数目较少、迭代次数较少的情况下存在成功率低、易陷入局部极小的问题。(4)针对存在的问题,提出了基于惯性权重与位置限量相结合的改进PSO算法。通过仿真试验,该方法在粒子数目较少、迭代次数较少的情况下仍然可以取得较高的成功率、较好的寻优结果。说明该方法是高效可行的。(5)由于PSO算法中存在随机变量,实际应用中如果对时间进行限制,那么必然要减少粒子数目和迭代次数。随之而来的就是造成算法成功率的下降。针对这一问题,提出了检验最优值算法,当最优值不符合设置条件,将再次执行算法。根据仿真结果,证明了该算法是切实有效的。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 问题的提出
• 1.2 机器人路径规划研究的国内外现状
• 1.2.1 全局路径规划方法
• 1.2.2 局部规划方法
• 1.2.3 路径规划的其它一些方法
• 1.3 主要工作
• 第二章 PSO算法研究
• 2.1 原始PSO优化算法
• 2.1.1 算法原理
• 2.1.2 算法流程
• 2.1.3 两种模型结构
• 2.1.4 两种工作模式
• 2.2 粒子群改进算法
• 2.3 粒子群算法收敛性分析
• 2.3.1 标准粒子群算法收敛性分析
• 2.3.2 约束系数粒子群算法收敛性分析
• 2.4 粒子群算法的应用
• 2.5 本章小结
• 第三章 基于DIJKSTRA算法的可行路径规划
• 3.1 引言
• 3.2 运动空间的描述与建模
• 3.3 Dijkstra算法的原型及改进
• 3.3.1 Dijkstra算法的原型
• 3.3.2 Dijkstra算法的缺点
• 3.3.3 对Dijkstra算法的改进
• 3.4 可行避碰次优路径的实现
• 3.5 小结
• 第四章 基于两种PSO算法的路径规划
• 4.1 引言
• 4.2 路径规划的PSO描述
• 4.2.1 PSO的数学描述
• 4.2.2 将路径规划问题转为PSO描述
• 4.2.3 算法流程
• 4.3 原始PSO算法的实现与讨论
• 4.3.1 参数的设定
• 4.3.2 粒子个数n=5时的仿真结果
• 4.3.3 粒子个数n=10时的仿真结果
• 4.3.4 粒子个数n=20时的仿真结果
• 4.3.5 粒子个数n=50时的仿真结果
• 4.4 改进PSO算法的提出与实现
• 4.4.1 改进PSO算法的提出
• 4.4.2 改进PSO算法
• 4.4.3 算法流程
• 4.4.4 仿真结果
• 4.4.5 仿真结果分析
• 4.5 针对实际应用的改进
• 4.5.1 改进后的算法流程
• 4.5.2 仿真结果
• 4.6 小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢