论文部分内容阅读
在过去的几十年里，受自然界一些群体现象启发，各种群体智能算法被提出来。通过大量的实验证明，这些智能算法对于解决复杂的单目标和多目标优化问题是一个很好的工具。对于高维搜索空间优化问题，传统优化算法已不能提供合适的解决方案，因此研究优化算法依然有其重要的价值。引力搜索算法也是为了这个目的而提出来的新的优化算法。由于引力搜索算法原理简单，在解决各种非线性函数方面表现出操作简单，效率高等特点，使引力搜索算法近几年来成为研究热点，并且在很多邻域得到了应用。对于该算法的研究主要包括两个方面：一个是如何提高其搜索精度，另一个是如何加快其收敛速度。本文正是从这两个方面，对引力搜索算法进行改进，并将改进的引力搜索算法应用于机器人路径规划。引力搜索算法是基于牛顿万有引力定律的启发而提出的一种新的优化算法。本文主要对引力定律中的公式进行相应的变换来改进引力搜索算法，使其搜索精度越高，搜索速度越快。一方面，在对标准引力搜索算法原理的深入研究的基础上，针对算法在计算合力时存在偏差的缺陷，引入亲和度的概念，并将亲和度作为合力计算时的修正因子，修改合力计算公式，以此来削弱合力计算时带来的偏差，使粒子朝着期望的方向运动，从而使粒子有更大的概率发现优质解，提高算法的搜索精度和搜索速度。另一方面为进一步加快算法的搜索速度，在改进算法的基础上引入“黑洞操作”，借助黑洞操作的效果，不仅加快了算法的搜索速度而且还进一步提高算法的搜索精度。本文通过一系列的实验对以上两种方法进行验证，结果表明，以上两种方法取得了一定的效果。本文结合移动机器人路径规划的特点，提出了基于亲和度与黑洞相融合的改进引力搜索算法（PBGSA）的机器人全局路径规划方法。文中将一些无效的粒子重新初始化为有效的随机粒子，这样做有助于扩大搜索范围，防止算法陷入局部最优解。基于PBGSA的全局最优路径规划方法分为两步：第一步是建立移动机器人的自由空间模型，第二步是采用PBGSA为机器人搜索出一条路径。并通过两个仿真实验，验证了算法的可行性。