中文引用格式： 王友運，徐堅磊，胡燕海，等. 基于改進PSO算法的機器人路徑規(guī)劃研究[J]. 電子技術(shù)應用，2024，50(4)：75-80.
英文引用格式： Wang Youyun，Xu Jianlei，Hu Yanhai，et al. Research on robot path planning based on improved PSO algorithm[J]. Application of Electronic Technique，2024，50(4)：75-80.
引言
機器人路徑規(guī)劃即機器人依據(jù)某些指標在運動空間中從起點到終點找到一條最優(yōu)的路徑[1]。目前，現(xiàn)實生活中常見的可用于路徑規(guī)劃的算法包括A-star算法[2]、D-star算法[3]、粒子群（Particle Swarm Optimization，PSO）算法[4]、蟻群優(yōu)化（Ant Colony Optimization，ACO）算法[5]等。其中粒子群算法用個體和社會兩種屬性疊加進行搜索，以其參數(shù)簡潔、收斂速度快、搜索效率高等優(yōu)點被廣泛應用于機器人路徑規(guī)劃及優(yōu)化過程中。
雖然粒子群算法在機器人領(lǐng)域的應用很廣泛，但傳統(tǒng)粒子群算法主要是通過跟蹤粒子個體極值和全局極值進行搜索，這樣粒子就容易在某一極值點上聚集，從而使算法早熟收斂，陷入局部最優(yōu)[6]。針對這一問題，徐福強等人[7]提出引入Circle映射和正弦余弦因子的改進粒子群算法，使用Circle映射來豐富種群多樣性，采用正余弦因子來平衡全局探索與局部開發(fā)能力；汪雅文等人[8]提出了融合吸引排斥和雙向?qū)W習的改進粒子群算法，通過雙向?qū)W習策略擴大粒子搜索范圍，利用吸引排斥策略提高算法的局部尋優(yōu)和收斂性能；Yuan等人[9]提出了一種基于差分進化的改進粒子群算法，研究出了一種“高強度訓練”模式，利用改進的差分進化算法對粒子群算法的全局最優(yōu)位置進行密集訓練，提高了算法的搜索精度；陳天培等人[10]提出基于模糊邏輯的改進粒子群算法，通過模糊處理控制路徑規(guī)劃的輸入量，防止系統(tǒng)陷入局部最優(yōu)；封建湖等人[11]提出了一種聚類融合交叉粒子群算法，通過K均值聚類來保存良性群體的極值位置，利用交叉和變異算子來增加粒子多樣性，避免算法在早期就陷入早熟收斂。
基于以上研究，本文提出在粒子種群初始化階段引入混沌映射理論，同時采用動態(tài)多種群并行策略來進行改進，從而得到混沌動態(tài)多種群粒子群（Chaotic Dynamic Multi population Particle Swarm Optimization，CDMPSO）算法，最后通過進行大量的仿真實驗來驗證改進算法的可行性。
本文詳細內(nèi)容請下載：
http://www.jysgc.com/resource/share/2000005952
作者信息：
王友運1，徐堅磊2，胡燕海1，陳海輝2，張行2
（1.寧波大學 機械工程與力學學院，浙江 寧波 315211；2.寧波航工智能裝備有限公司，浙江 寧波 315311）
