CN119469149A 一种基于多策略融合改进蜣螂优化算法的路径规划方法 （重庆理工大学）

一种基于多策略融合改进蜣螂优化算法的种基于多策略融合改进蜣螂优化算法的路径规点和终点；B.初始化算法的参数；C.通过改进Tent混沌映射优化蜣螂优化算法中的初始种群提供的一种基于多策略融合改进蜣螂优化算法局部搜索机制，进而能够让移动机器人(robot)22.根据权利要求1所述的一种基于多策略融合改进蜣螂优化算法的路径规划方法，其3.根据权利要求1所述的一种基于多策略融合改进蜣螂优化算法的路径规划方法，其生成特定分布特征的数值P＝[P(1),P(2),...,P(n)],生成的值作为种群初始化的参数4.根据权利要求3所述的一种基于多策略融合改进蜣螂优化算法的路径规划方法，其5.根据权利要求1所述的一种基于多策略融合改进蜣螂优化算法的路径规划方法，其3robot从节点i移动到节点j的方向向量记为从节点j移动到下一节点d的方向向量记6.根据权利要求5所述的一种基于多策略融合改进蜣螂优化算法的路径规划方法，其7.根据权利要求1所述的一种基于多策略融合改进蜣螂优化算法的路径规划方法，其8.根据权利要求7所述的一种基于多策略融合改进蜣螂优化算法的路径规划方法，其9.根据权利要求8所述的一种基于多策略融合改进蜣螂优化算法的路径规划方法，其45[0003]对于移动机器人的路径规划，有一些基于图的算法在相对简单的场景下效率较[0005]Cui等人提出了多策略自适应蚁群优化算法(MSAACO)，以缓解传统蚁群优化算法三维山地路径规划。[0011]Ji等人提出了一种结合Tent混沌映射和DBO混合算法的混合方法来规划水下机器6[0024]作为本发明提供的所述的一种基于多策略融合改进蜣螂优化算法的路径规划方[0025]作为本发明提供的所述的一种基于多策略融合改进蜣螂优化算法的路径规划方[0034]作为本发明提供的所述的一种基于多策略融合改进蜣螂优化算法的路径规划方7[0039]直至达到最大迭代次数，有效生成一系列符合特定分布特征的数值P＝[P(1),[0040]作为本发明提供的所述的一种基于多策略融合改进蜣螂优化算法的路径规划方法的一种优选实施方式，将规划路线中robot的最大转向角和转弯次数作为惩罚条件加入[0043]robot从节点i移动到节点j的方向向量记为从节点j移动到下一节点d的方向[0045]作为本发明提供的所述的一种基于多策略融合改进蜣螂优化算法的路径规划方[0046]作为本发明提供的所述的一种基于多策略融合改进蜣螂优化算法的路径规划方[0049]作为本发明提供的所述的一种基于多策略融合改进蜣螂优化算法的路径规划方[0057]作为本发明提供的所述的一种基于多策略融合改进蜣螂优化算法的路径规划方8[0070]作为本发明提供的所述的一种基于多策略融合改进蜣螂优化算法的路径规划方9[0111]所有孵化来的小蜣螂均在安全区域内觅食，所以Xb表示当前种群的局部最优位[0120]原始DBO使用随机数在搜索空间里生成初始种群，此方法的会使生成的初始解个后续值。在每次迭代中，若当前值P(k)小于预设参数a，则下一个值P(k+1)通过计算2*(P(k)+于增加算法发现全局最优解的可能性同时提高算法的robot的最大转向角和转弯次数作为惩罚条件加入适应度函数中。改进后的适应度函数计向向量记为设计最大转向角θmax的计算公式为：[0141]图2中搜索得到的新路径适应度值较高，所以搜索得到的实线新路径替换原有虚[0146]式中：uewooσv＝1,γ=3/性权重系数随着迭代次数的增加而线性减少的设置，对标准蜣螂优化算法的惯性权重R=种正弦函数的方式进行搜索移动。这种改进的正弦指引机制可以极大地改善DBO算法位置[0163]为了验证MIDBO的有效性，本发明实验运行软件平台的主机操作系统为Windows[0181]为了证明所提出MIDBO的优越性，将其与改进粒子群算法、空间环境模型中改进献[S.C.Zhang,J.X.Pu,etal.,Anadap52.66456，55.9374817)，并且转弯次数的最[0192]针对蜣螂优化算法(DBO)在robot路径规划上的不足，结合上述五种有效改进策施使得改进的蜣螂优化算法能够在更短的时间内找到接近最优值的解决仅受权利要求书及其全部范围和等效物的限