一种基于改进非洲野狗算法的移动机器人路径规划方法

技术领域

本发明涉及机器人路径规划技术领域，具体是一种基于改进非洲野狗算法的移动机器人路径规划方法。

背景技术

路径规划技术简单来说就是为移动机器人寻找到一条满足需求的安全无碰撞路径的一项技术，面对不同的应用环境下的不同条件约束，机器人如何寻找到一条满足规划目标的最优路径是路径规划研究领域的重要任务。尽管众多国内外学者专家们在机器人路径规划方面取得了许多重大突破，也提出了很多算法以及对算法进行改进来解决路径规划技术在应用中存在的问题。但对于众多算法来说，依旧存在部分问题还尚未解决，所以攻克和解决路径规划算法存在的问题是机器人研究领域中最重要的难题之一。

目前，国内外许多专家学者都在致力于路径规划算法的研究，常用的优化算法主要有人工势场法、免疫算法、蚁群优化算法、神经网络、粒子群优化算法和非洲野狗算法等。

其中，非洲野狗算法(Dingo Optimization Algorithm，DOA)是一个由HernánPeraza-Vázquez等人模拟非洲野狗的捕猎过程而于2021年提出的新型优化算法。该算法模拟了非洲野狗捕猎的四个行为：围攻、追捕、食腐和存活。在每一次迭代过程中每个个体会执行这是四个行为中的一个或者几个，然后得到一个新的位置。相比较其他优化算法，非洲野狗算法凭借其逻辑简单，适应模型广泛、随机搜索等优点。但同时，非洲野狗算法也存在一些缺点需要去改进，比如在算法初始化过程中，野狗的位置是随机生成的，适应度普遍较低。其次，野狗群体在进行围攻、追捕行为时，仅是在当前全局最优解附近寻找新位置，这可能会使得野狗种群的位置信息相似度过高，从而陷入局部最优解，最后野狗的生存策略只作用于劣等个体，效果较为片面。

基于以上存在的问题，本发明提出一种改进非洲野狗算法算法(Improved DingoOptimization Algorithm，IDOA)，对以上传统非洲野狗算法的三点不足进行了改进，首先通过融入已知的起点信息来构建一种新的初代野狗位置初始化方法；其次参考粒子群算法的位移思想，重新设计野狗的追捕策略，将种群次优个体也作为考虑因素；最后，通过调整了进行求生行为的个体选择策略，使得种群适应度的离散程度不会对选取过程产生影响。仿真结果验证了本发明的改进非洲野狗算法在移动机器人路径规划上的优越性。

发明内容

本发明的目的在于提供一种基于改进非洲野狗算法的移动机器人路径规划方法，该方法能够克服传统非洲野狗算法初代也野狗适应度低、算法寻路效率较低等不足，从而提高算法解决路径规划任务的效率。

在传统非洲野狗算法中，野狗的初始位置主要依赖随机方法生成，这往往会使得算法的初代解适应度较低，本发明提出一种融入终点信息的种群初始化方法，对于每条野狗的位置信息，即路径信息，在生成时，节点之间的转移概率按照式(1)计算所得，其中

另外，传统非洲野狗算法在进行追捕行为时，主要依赖式(2)进行，其中x

由式(2)可以看出，追捕行为的本质就是使得野狗在全局最优个体附近进行搜索，但若全局最优解是局部优值，则可能会使得野狗种群陷入局部最优的情况，基于粒子群算法中的粒子位移模型，本发明设计一种新型的追捕策略，如式(3)所示，其中，α

然后，在原算法中，每一次迭代的最后，都会对种群中生存概率较低的野狗个体执行求生行为。每只野狗的生存概率与其适应度值有关，由式(5)计算，生存概率较小，即小于0.3的个体需要重新到当前最优个体周围去觅食已获得求生，从而提高自己的生存概率。

显然，式(5)计算个体的生存概率主要受到种群中最优个体与最劣个体适应度差的绝对值的影响，当种群的适应度值较为分散时，式(5)将难以选择出需要进行求生的劣等个体。本发明采用提出一种新的求生行为判定公式，如式(6)所示。其中needsr

本发明解决其技术问题所采用的技术方案是：

一种基于改进非洲野狗算法的移动机器人路径规划方法，包括以下步骤：

S1、算法参数初始化，如最大迭代次数T、种群大小M、围攻或追捕行为的发生概率P，围攻行为发生概率Q以及每只野狗的全局学习因子α和随机学习因子ε；

S2、初始化第m条野狗(1≤m≤M)的位置信息，即路径信息，初始化路径节点列表pathlist为空：

S2.1、设置路径当前节点为起点；

S2.2、按照式(1)计算邻接节点的转移概率；

S2.3、将路径当前节点添加进pathlist中，并根据式(1)计算的节点转移概率，使用轮盘赌法进行节点转移，并更新节点当前节点；

S2.4、当前节点是否为终点，若是，则将当前节点添加进pathlist中，并执行S2.5；否则，执行S2.2；

S2.5、是否所有野狗完成初始化，若是，则执行S3；否则，选择一个未完成初始化的野狗进行S2.1-S2.5步骤；

S3、计算野狗种群的适应度，即野狗个体的位置信息所代表的路径解的长度；

S4、取出第一只野狗个体，执行S5；

S5、取一随机数，是否小于P，若是，则执行S6；否则执行S9；

S6、取一随机数，是否小于Q，若是，则执行S7；否则执行S8；

S7、野狗根据式(7)执行围攻行为，其中x

S8、野狗根据式(3)、(4)执行追捕行为，执行S10；

S9、野狗根据式(8)执行食腐行为，其中，b为[-1,1]上的随机数，x

S10、检测野狗个体的新位置是否优于原位置，若是，则更新位置信息，否则，保持原来位置不变；

S11、根据式(6)计算出需要执行求生行为的个体，并将该部分个体根据式(9)计算新位置，其中，x

S12、是否达到最大循环次数，若是，则执行S13，否则执行S3；

S13、输出最优野狗个体的位置信息，即最优路径信息。

本发明的有益效果是，通过使用融入终点的路径构造策略来构建初代野狗的位置解，能有效提高初代野狗的适应度，为算法后续的处理提供了更良好的前置条件；通过设计一种新型追捕策略，使得拥有不同偏好的野狗个体的种群，拥有更强的全局搜索以及局部搜索能力，进而加快算法的收敛速度；调整了求生行为个体的选取策略，使得种群适应度离散程度不会影响到个体的选取，一定程度上提高了算法效率。大量的仿真结果表明，采取本文新型策略的改进非洲野狗算法在解决移动机器人路径规划的效果明显，整体性能优于基本非洲野狗算法及其他改进蚁群优化算法。

附图说明

下面结合附图和实施例对本发明进一步说明：

图1本发明改进非洲野狗算法流程图；

图2传统非洲野狗算法所得路径；

图3本发明改进非洲野狗算法所得路径；

图4算法收敛曲线图；

图5本发明改进非洲野狗算法所得路径；

图6本发明改进非洲野狗算法收敛曲线图；

具体实施方式

本发明的目的在于提供一种基于改进非洲野狗算法的移动机器人路径规划方法，该方法能够克服传统非洲野狗算法初代也野狗适应度低、算法寻路效率较低等不足，从而提高算法解决路径规划任务的效率。

本发明解决其技术问题所采用的技术方案是：

参见图1，本发明提供的一种基于改进非洲野狗算法的移动机器人路径规划方法，包括以下步骤：

S1、算法参数初始化，如最大迭代次数T、种群大小M、围攻或追捕行为的发生概率P，围攻行为发生概率Q以及每只野狗的全局学习因子α和随机学习因子ε；

S2、初始化第m条野狗(1≤m≤M)的位置信息，即路径信息。初始化路径节点列表pathlist为空：

S2.1、设置路径当前节点为起点；

S2.2、按照式(1)计算邻接节点的转移概率；

S2.3、将路径当前节点添加进pathlist中，并根据式(1)计算的节点转移概率，使用轮盘赌法进行节点转移；并更新节点当前节点；

S2.4、当前节点是否为终点。若是，则将当前节点添加进pathlist中，并执行S2.5；否则，执行S2.2；

S2.5、是否所有野狗完成初始化，若是，则执行S3；否则，选择一个未完成初始化的野狗进行S2.1-S2.5步骤；

S3、计算野狗种群的适应度，即野狗个体的位置信息所代表的路径解的长度；

S4、取出第一只野狗个体，执行S5；

S5、取一随机数，是否小于P，若是，则执行S6；否则执行S9；

S6、取一随机数，是否小于Q，若是，则执行S7；否则执行S8；

S7、野狗根据式(7)执行围攻行为，其中x

S8、野狗根据式(3)、(4)执行追捕行为，然后执行S10；

S9、野狗根据式(8)执行食腐行为，其中，b为[-1,1]上的随机数，x

S10、检测野狗个体的新位置是否优于原位置，若是，则更新位置信息，否则，保持原来位置不变；

S11、根据式(6)计算出需要执行求生行为的个体，并将该部分个体根据式(9)计算新位置，其中，x

S12、是否达到最大循环次数。若是，则执行S13，否则执行S3；

S13、输出最优野狗个体的位置信息，即最优路径信息。

本发明的有益效果是，通过使用融入终点的路径构造策略来构建初代野狗的位置解，能有效提高初代野狗的适应度，为算法后续的处理提供了更良好的前置条件；通过设计一种新型追捕策略，使得拥有不同偏好的野狗个体的种群，拥有更强的全局搜索以及局部搜索能力，进而加快算法的收敛速度；调整了求生行为个体的选取策略，使得种群适应度离散程度不会影响到个体的选取，一定程度上提高了算法效率。

本发明的效果可以通过以下仿真实验进一步说明：

为验证本方法的正确性和合理性，运用python语言编程，在20×20的栅格环境模型下对该改进算法进行仿真，并与基本非洲野狗算法进行比较。算法的主要参数设定如下：野狗种群大小M＝50，最大迭代次数max_iter＝100，围攻或追捕行为的发生概率P＝0.5，围攻行为发生概率Q＝0.7。仿真结果如图2、图3、图4和表1所示：

表1仿真结果对比

由表1可知，传统DOA算法在第100代找到最优解30.3847m，而本发明改进非洲野狗算法仅在第11代就找到最优解29.2132m。同时，本发明改进算法的初代解仅为40.6273m，远远优于传统算法的初代解44.8699m。因此，无论是寻解效果还是收敛速度，本发明改进非洲野狗算法相对传统非洲野狗算法都有着明显的优势。

为了进一步验证本发明提出的改进非洲野狗算法的有效性，将本发明改进非洲野狗算法与粒子群算法(Particle Swarm Optimization，PSO)、蚁群算法(Ant ColonyOptimization，ACO)以及其他文献中的改进蚁群算法进行性能实验比较，另一种改进蚁群算法为杨北辰等人于2022年在期刊《计算机应用研究》上发表的论文《改进蚁群算法在路径规划中的应用》中记载的，并在该文章中图8所示的栅格环境条件下利用本发明方法进行仿真并进行实验结果的对比分析，结果如图5、图6以及表2所示。

表2仿真结果对比

从表2数据可以看出，本发明改进非洲野狗算法，其获得的最优解为29.2132m，均优于其他启发式算法，且迭代次数也远小于其他启发式算法，虽然在最优解的质量与寻解速度上，文献改进算法与本发明改进算法的性能差异不大，但本发明改进算法的稳定性更优一些。以上实验说明了本发明提出的改进非洲野狗算法在路径优化方面的具备一定的可行性与实用性。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制；任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同替换、等效变化及修饰，均仍属于本发明技术方案保护的范围内。