改進(jìn)粒子群優(yōu)化算法在路徑優(yōu)化中的應(yīng)用.pdf

1、近些年，隨著人工智能的發(fā)展，機(jī)器人在現(xiàn)代生活中的應(yīng)用越來越廣泛（例如工業(yè)、農(nóng)業(yè)、醫(yī)療、航空航天等方面）。而路徑優(yōu)化則是機(jī)器人實(shí)施各種操作最基本的環(huán)節(jié)，其本質(zhì)是在充滿障礙物的環(huán)境中，按照一定的技術(shù)指標(biāo)（例如:路徑最短，時(shí)間最少，花費(fèi)最小等），找到一條滿足特定技術(shù)指標(biāo)的從起點(diǎn)到終點(diǎn)和障礙物之間無碰撞的路徑。本課題主要從以下幾個(gè)方面來討論該問題:
　　(1)優(yōu)化環(huán)境的選擇:通常情況下，路徑優(yōu)化環(huán)境狀態(tài)通常分為靜態(tài)環(huán)境和動(dòng)態(tài)環(huán)境，靜態(tài)環(huán)境

2、一般是指障礙物不隨著時(shí)間的變化而變化，而動(dòng)態(tài)環(huán)境則是指障礙物隨著時(shí)間的變化而變化。本課題是從基礎(chǔ)出發(fā)，選擇靜態(tài)環(huán)境作為研究背景，研究該狀態(tài)下路徑優(yōu)化的一般過程。
　　(2)問題的處理:路徑優(yōu)化問題通常涉及的優(yōu)化指標(biāo)并不僅僅只有一個(gè)，在本課題中主要考慮安全性指標(biāo)和路徑最短指標(biāo)。這兩個(gè)優(yōu)化指標(biāo)可以整體作為單目標(biāo)來處理，此時(shí)用總的懲罰函數(shù)來對該問題進(jìn)行評價(jià)。在前期的工作中主要使用靜態(tài)懲罰函數(shù)，而后期在克服靜態(tài)懲罰函數(shù)缺點(diǎn)的基礎(chǔ)上用動(dòng)態(tài)函

3、數(shù)對問題進(jìn)行闡述。另一方面，由于評價(jià)指標(biāo)的非單一性，可以應(yīng)用多目標(biāo)優(yōu)化來處理該問題。由于最短路徑、路徑安全性這兩個(gè)指標(biāo)是相互矛盾并且不能同時(shí)滿足的，那么就需要一些方法來滿足不同使用者的需求，因此在本課題后期工作中把這些優(yōu)化指標(biāo)看成多目標(biāo)問題。多目標(biāo)優(yōu)化能夠?qū)崿F(xiàn)同時(shí)對多個(gè)目標(biāo)的優(yōu)化，并對這些目標(biāo)進(jìn)行協(xié)調(diào)，設(shè)計(jì)者選擇的算法每運(yùn)行一次都會(huì)產(chǎn)生一組Pareto最優(yōu)解，使用者可以根據(jù)自己對優(yōu)化指標(biāo)的要求來選擇合適的解。
　　(3)曲線的選擇

4、:在路徑優(yōu)化中確保產(chǎn)生路徑的光滑性是機(jī)器人導(dǎo)航過程中至關(guān)重要的條件。目前，大多數(shù)的研究者致力于尋找最短路徑、最小時(shí)間花費(fèi)的路徑、最安全的路徑等，但這些條件往往會(huì)使產(chǎn)生的路徑不連續(xù)或者不光滑等，因此尋找合適的曲線來描述路徑具有很重要的意義。用于描述路徑的曲線有多種，例如:Bezier曲線、Ferguson曲線、η3曲線等，本課題用Bezier曲線、Ferguson曲線和η3曲線進(jìn)行比較，通過不同曲線在路徑優(yōu)化中的應(yīng)用，得出比較適合問題的曲

5、線，以在之后的應(yīng)用中用該曲線來描述路徑。
　　(4)路徑優(yōu)化的方法:路徑規(guī)劃的方法有多種，傳統(tǒng)的方法有柵格法、人工勢場法等。近些年來，啟發(fā)式算法、人工智能算法等逐漸應(yīng)用到路徑規(guī)劃中。粒子群優(yōu)化算法由于其具有個(gè)體數(shù)目少、計(jì)算簡單、全局尋優(yōu)能力強(qiáng)、收斂速度快、魯棒性好等特點(diǎn)，在各類多維連續(xù)空間優(yōu)化問題上均取得非常好的效果。為了克服標(biāo)準(zhǔn)粒子群優(yōu)化算法存在的缺點(diǎn)，本課題提出一種改進(jìn)粒子群優(yōu)化算法—?jiǎng)討B(tài)多組群粒子群優(yōu)化算法(DMS-PSO)