一种基于改进的蝴蝶优化算法移动机器人路径规划方法

本发明涉及移动机器人路径规划领域，具体涉及一种蝴蝶优化算法的移动机器人路径规划方法。

背景技术：

近年来，路径规划在机器人技术领域越来越重要，其主要解决机器人在已知或未知环境下，规划出一条从起始点到目标点的无碰撞路径。当前，路径规划主要从全局路径规划和局部路径规划两方面进行深入研究。全局路径规划的研究是为了实现机器人在无碰撞的基础上从初始位置到达目标位置的距离最短、时间最少、能耗最低。常见的全局路径规划算法有a*算法、dijkstra算法、粒子群算法和蚁群算法等。局部路径规划的研究是为了实现机器人的路径转折点更少、解的质量更优、路径更加平滑。常见的局部路径规划算法有模糊逻辑算法、滚动窗口算法和人工势场算法等。

蝴蝶优化算法是2018年sankalaparora等学者根据蝴蝶觅食和寻偶行为特征所提出的一种新型自然启发算法，具有简单、易实现、全局搜索效率高等优点。但蝴蝶优化算法在路径寻优过程中仍存在一些问题：生成无效路径，影响寻优效率；寻优过程中无后续扩展节点，导致机器人出现“假死”状态；转折点处路径不够平滑，不利于移动机器人的行走。

技术实现要素：

针对上述现有技术存在的问题，本发明提供了一种基于蝴蝶优化算法的移动机器人路径规划方法，能够有效解决算法生成无效路径，提高全局规划效率；解决无后续扩展节点问题，避免陷入局部最优解；解决机器人机械式转弯问题，规划出一条平滑路径。

为了达到上述发明的目的，本发明采用的技术方案为：

一种基于改进的蝴蝶优化算法移动机器人路径规划方法，包括以下步骤：

步骤1，利用栅格法将移动机器人工作空间栅格化；

步骤2，初始化蝴蝶优化算法相关参数，包括蝴蝶种群数量m、最大迭代次数t、转换概率p、蝴蝶感官形态c、幂指数a；

步骤3，在栅格地图内确定移动机器人的起始位置s和目标位置g，将m只蝴蝶放置在起始位置s，并将当前位置存放在禁忌表tabu中；

步骤4，计算每只蝴蝶当前位置产生的香味强度；

步骤5，每只蝴蝶在当前位置计算相邻8个节点的香味浓度，转换概率p来切换全局搜索和局部搜索，计算t时刻第i只蝴蝶的后续移动节点；

步骤6，第i只蝴蝶到达后续节点后，将当前节点存放于禁忌表tabui中；

步骤7，判断蝴蝶是否到达目标位置g，如果是，则结束当前迭代，迭代结束；否则，重复步骤4～7直至搜索到目标位置；

步骤8，在一次迭代结束，所有蝴蝶都到达目标位置g后，对所有蝴蝶搜索到的路径进行评价并进行排名，清空禁忌表tabu；

步骤9，判断当前迭代次数t是否到达最大迭代次数t，如果是，则结束路径搜索，转到步骤10；否则，重复步骤3～9，继续迭代搜索；

步骤10：将算法获取到的最优路径中的关键节点作为控制点，将控制点进行三次b样条函数的构造，然后根据构造函数对整段路径进行拟合处理，进而得到一条平滑的路径，最后输出最优路径。

优选的，对栅格地图中的栅格进行编号，第i个栅格的坐标(xi,yi)如下：

其中，mod为取余运算符；ceil为向后取整符；l为栅格边长；将工作空间以l为单位划分为nx行和ny列。

优选的，蝴蝶个体在觅食过程中产生的香味强度fi计算如下：

fi＝ci^α

其中，fi为第i只蝴蝶个体感知周围香味的强度；i为刺激强度；α为幂指数；c为蝴蝶个体的感官模态，其值随着迭代次数t的变化而改变，更新策略如下述公式所示：

c^t+1＝c^t+(0.025(c^t×mmax))

优选的，在觅食过程中，为了提升全局搜索能力，蝴蝶在移动过程中由转换概率p来切换全局搜索和局部搜索，每次迭代过程中，随机生成[0,1]内的一个随机数r1与转换概率p进行对比，蝴蝶状态转移公式如下：

其中，和为第i只蝴蝶分别在第t次迭代和第t+1次迭代中的空间位置；为第t次迭代中第j只蝴蝶的空间位置；r为[0，1]内的随机数；gbest为当前迭代中最优蝴蝶的空间位置。

优选的，将算法获取到的最优路径中的关键节点作为控制点，将控制点进行三次b样条函数的构造，然后根据构造函数对整段路径进行拟合处理，进而得到一条平滑的路径，路径平滑公式计算如下：

其中，pi为给定的n+1个控制点的坐标；fi,3(t)为3次b样条基函数。

本发明的有益效果：

本发明针对目前主流的移动机器人路径规划方法存在的搜索效率低、路径不平滑等问题，提出了一种改进的路径规划方法。该方法采用栅格地图对环境建模，通过“禁忌表”和“回溯法”，使得算法在路径寻优时，避免了无后续扩展节点的情况，提高了算法的全局搜索能力，借助三次b样条曲线对路径进行平滑处理，大大提升了最终路径的质量，并通过matlab仿真实验，验证了改进的蝴蝶优化算法解决移动机器人路径规划的有效性和可行性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的路径规划算法流程图；

图2为本发明在复杂环境下三种算法路径规划的仿真结果；

图3为本发明在复杂环境下三种算法规划出最优路径长度随迭代次数增加而变化的折线图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

参见图1-3，本发明提供一种技术方案：一种基于改进的蝴蝶优化算法移动机器人路径规划方法，包括以下步骤：

步骤1：将移动机器人工作空间栅格化，使用地图分割算法将地图分割为若干内部没有障碍物的有界单元，具体公式如下：

其中，(xi,yi)为第i个栅格的坐标；l为栅格边长；将工作空间以l为单位划分为nx行和ny列；

步骤2：对蝴蝶优化算法的参数进行初始化，包括蝴蝶种群数量m、最大迭代次数t、转换概率p、蝴蝶感官形态c、幂指数a；

步骤3：在栅格地图内确定移动机器人的起始位置s和目标位置g，将m只蝴蝶放置在起始位置s，并将的当前位置存放在禁忌表tabu中；

步骤4：计算每只蝴蝶当前位置产生的香味强度fi，具体公式如下：

fi＝ci^α

其中，fi为第i只蝴蝶个体感知周围香味的强度；i为刺激强度；α为幂指数；c为蝴蝶个体的感官模态，其值随着迭代次数t的变化而改变，具体公式如下：

c^t+1＝c^t+(0.025(c^t×mmax))

步骤5：每只蝴蝶在当前位置计算相邻8个节点的香味浓度，转换概率p来切换全局搜索和局部搜索，计算t时刻第i只蝴蝶的后续移动节点，具体公式如下：

其中，和为第i只蝴蝶分别在第t次迭代和第t+1次迭代中的空间位置；为第t次迭代中第j只蝴蝶的空间位置；r为[0，1]内的随机数；gbest为当前迭代中最优蝴蝶的空间位置；

步骤6：第i只蝴蝶到达后续节点后，将当前节点存放于禁忌表tabui中；

步骤7：判断蝴蝶是否到达目标位置g，如果是，则结束当前迭代，迭代结束；否则，重复步骤4～7直至搜索到目标位置；

步骤8：在一次迭代结束，所有蝴蝶都到达目标位置g后，对所有蝴蝶搜索到的路径进行评价并进行排名，清空禁忌表tabu；

步骤9：判断当前迭代次数t是否到达最大迭代次数t，如果是，则结束路径搜索，转到步骤10；否则，重复步骤3～9，继续迭代搜索；

步骤10：将算法获取到的最优路径中的关键节点作为控制点，将控制点进行三次b样条函数的构造，然后根据构造函数对整段路径进行拟合处理，进而得到一条平滑的路径，最后输出最优路径，具体公式如下：

其中，pi为给定的n+1个控制点的坐标；fi,3(t)为3次b样条基函数。

实施例：

为验证本发明的有效性和可行性，使用栅格法建立20×20的栅格工作环境，将本发明改进的蝴蝶优化算法搜索的路径和蚁群算法、遗传算法在相同条件下分别进行仿真实验，实验结果如图2和图3所示。

通过仿真实验的比照和分析可知，本发明能够有效解决移动机器人的路径规划问题，且相比于蚁群算法和遗传算法生成的路径，本发明路径寻优的速度更快、稳定性更好、效率更高，且获取到解的质量更优，是一种有效、可行的路径规划算法。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。