改进遗传算法在移动机器人全局路径规划中的应用

2021⁃02⁃10计算机应用,Journal of Computer Applications 2021,41(2):390-397ISSN 1001⁃9081CODEN JYIIDU http ：//基于改进遗传算法的无人机路径规划黄书召1*，田军委2，乔路2，王沁2，苏宇2（1.西安工业大学电子信息工程学院，西安710021；2.西安工业大学机电工程学院，西安710021）（∗通信作者1945980733@ ）摘要：针对传统遗传算法收敛速度慢、容易陷入局部最优、规划路径不够平滑、代价高等问题，提出了一种基于改进遗传算法的无人机（UAV ）路径规划方法，该算法对遗传算法的选择算子、交叉算子和变异算子进行改进，从而规划出平滑、可飞的路径。

首先，建立适合UAV 田间信息获取的环境模型，并考虑UAV 的目标函数与约束条件以建立适合本场景的更为复杂、精确的数学模型；然后，提出了混合无重串选择算子、非对称映射交叉算子和启发式多次变异算子，寻找最优路径以及扩大种群搜索范围；最后，采用三次B 样条曲线对规划出的路径进行平滑，得到平滑的飞行路径，并且减少了算法的计算时间。

实验结果表明，与传统遗传算法相比，所提算法的代价值降低了68%，收敛迭代次数减少了67%；相较蚁群优化（ACO ）算法，其代价值降低了55%，收敛迭代次数减少了58%。

通过大量对比实验得出，当交叉率的值为（1/染色体长度）时，算法的收敛效果最好。

在不同环境下进行算法性能测试，结果表明所提算法具有很好的环境适应性，适合于复杂环境下的路径规划。

关键词：遗传算法；无人机；交叉算子；B 样条曲线；路径规划中图分类号：TP181；TP13文献标志码：AUnmanned aerial vehicle path planning based on improved genetic algorithmHUANG Shuzhao 1*，TIAN Junwei 2，QIAO Lu 2，WANG Qin 2，SU Yu 2（1.School of Electronic Information Engineering ，Xi ’an Technological University ，Xi ’an Shaanxi 710021，China ；2.School of Mechatronic Engineering ，Xi ’an Technological University ，Xi ’an Shaanxi 710021，China ）Abstract:In order to solve the problems such as slow convergence speed ，falling into local optimum easily ，unsmoothplanning path and high cost of traditional genetic algorithm ，an Unmanned Aerial Vehicle （UAV ）path planning method based on improved Genetic Algorithm （GA ）was proposed.The selection operator ，crossover operator and mutation operator of genetic algorithm were improved to planning a smooth and effective flight path.Firstly ，an environment model suitable forthe field information acquisition of UAV was established ，and a more complex and accurate mathematical model suitable for this scene was established by considering the objective function and constraints of UAV.Secondly ，the hybrid non -multi -string selection operator ，asymmetric mapping crossover operator and heuristic multi -mutation operator were proposed to find the optimal path and expand the search range of the population.Finally ，a cubic B -spline curve was used to smooth the planned path to obtain a smooth flight path and reduce the calculation time of the algorithm.Experimental results show that ，compared with the traditional GA ，the cost value of the proposed algorithm was reduced by 68%，and the number of convergence iterations was reduced by 67%；compared with the Ant Colony Optimization （ACO ）algorithm ，its cost value was reduced by 55%and the number of convergence iterations was reduced by 58%.Through a large number of comparison experiments ，it is concluded that when the value of the crossover rate is the reciprocal of chromosome size ，the proposed algorithm has the best convergence effect.After testing the algorithm performance in different environments ，it can be seenthat the proposed algorithm has good environmental adaptability and is suitable for path planning in complex environments.Key words:genetic algorithm;Unmanned Aerial Vehicle (UAV);crossover operator;B -spline curve;path planning 0引言近年来，受益于轻型高分子材料的发现以及嵌入式、自动化、信号处理、无线通信等技术的发展与成熟，无人机（Unmanned Aerial Vehicle,UAV)在田间信息获取、农业植保、设施巡检、物流配送［1-2］等场景中广受青睐。

移动机器人运动路径规划方法的应用[摘要]路径规划是移动机器人学的一个重要研究领域，不论是哪种类别的移动机器人，它们在进行工作时，往往要求根据某一准则，在工作空间中沿一条最优（或次优）的路径行走。

本文据此简述了全局路径规划方法和局部路径规划方法，并针对移动机器人运动路径规划方法及其应用等问题展开探究。

[关键词]移动机器人运动路径规划方法应用探究中图分类号：tp242 文献标识码：a 文章编号：1009-914x（2013）07-0215-01移动机器人路径规划方法可分为全局规划和局部规划两种。

全局规划是在机器人工作环境内的信息已知情况下，对移动机器人轨迹进行路径规划是一项有着广阔应用前景的高新技术，从工业制造领域到军事侦察、核工业、航空航天、服务业、医疗器械、基因工程等诸多领域，移动机器人技术都大有发展空间。

路径规划问题是移动机器人研究中一个最基本最关键的课题，它解决移动机器人如何在环境中行走的问题。

路径规划在机器人研究中不是独立的，同时还涉及到机器人领域的其它方面，如机器人的感知、通信及协调协作机制等，因此机器人越来越受到人们的亲赖，使机器人有了更广大的发展空间，人类探索的深度和广度也因此不断提高。

本文针对移动机器人路径规划方法及其应用等问题展开探究。

一、常见移动机器人运动路径规划方法根据对环境信息掌握的程度将其分为两种：基于环境先验完全信息的全局路径规划，又称静态或离线规划；基于传感器信息的局部路径规划，又称动态或在线路径规划。

（一）全局路径规划其主要方法有：1．可视图法。

2．拓扑法。

3．栅格法。

4．自由空间。

5．最优控制法。

6．神经网络法。

（二）局部路径规划其主要方法有：1.传统方法1）人工势场法。

2）模糊逻辑算法。

3）模拟退火算法。

2.智能仿生算法1）神经网络法。

2）遗传算法。

3）蚁群算法。

4）粒子群算法。

3.启发式搜索方法。

4.基于滚动窗口的算法。

5.基于行为的路径规划算法。

6.基于再励学习的路径规划算法。

基于改进遗传算法的工业机器人路径规划研究随着工业自动化的不断普及，工业机器人的应用范围越来越广泛。

而在工业机器人的操作中，路径规划是非常重要的一环。

如果路径规划不仅高效而且安全，则工业生产的效率可以得到很大的提高。

目前，针对机器人路径规划的研究大多基于遗传算法。

然而，由于遗传算法的一些局限性，其效率并不尽如人意。

因此，为了提高机器人路径规划的质量和效率，本文对遗传算法进行改进，并探讨其在工业机器人路径规划中的应用。

一、遗传算法在工业机器人路径规划中的应用遗传算法是一种在计算机科学和人工智能领域中广泛应用的优化算法。

它通过模拟自然进化过程，从而在复杂的搜索空间中搜索最优解。

在机器人路径规划问题中，遗传算法主要应用于寻找最短路径或者最优路径。

其具体流程如下：1. 初始化种群：从随机的起点和终点开始，生成一定数量的个体（即路径），并将它们组成一个初始种群。

2. 适应度函数：根据路径的长度，计算每个个体的适应度值。

适应度值越优秀的个体，被选中的概率也越大。

3. 选择操作：根据适应度对所有个体进行选择，选择算子可以使环境保持多样化，达到探索多种可能的目的。

4. 交叉操作：在被选择的个体中进行随机的交叉操作，以产生新的个体。

交叉操作的目的在于增强群体的多样性和优化搜索效率。

5. 变异操作：在产生的个体中，进行随机的变异操作。

一般而言，变异概率是极小的，因为变异一次很有可能使得适应度下降。

6. 重复上述步骤：重新计算每个个体的适应度值、选择重新生成新的个体，如此反复，直到满足停止条件，即找到最优或者达到迭代次数。

基于遗传算法的机器人路径规划问题，虽然在处理简单问题时有效，但是当搜索空间复杂度提高以后，遗传算法会出现局限性，即陷入局部最优解。

为了解决这一问题，本文提出了基于改进遗传算法的工业机器人路径规划。

二、改进遗传算法在工业机器人路径规划中的应用针对遗传算法出现的局限性，在工业机器人路径规划中引入了两个改进的措施：仿射变换和差分进化。