基于神經網絡改進的HHO算法AGV路徑規劃*

苗振騰，王 威，王俊鵬

(1.廣東碧桂園職業學院機器人技術系，清遠 511510；2.廣州應用科技學院人工智能與電氣學院，廣州 511370；3.西北工業大學材料科學與工程學院，西安 710129)

0 引言

自動導引車(AGV)路徑規劃即面向終點，以最快速度自行搜索出能避開環境障礙和其他動態物體的最優路線。針對這個問題，各學者使用不同方法做了許多研究。張新艷等[1]基于改進A*算法，結合了時間窗與優先級策略研究了AGV的無碰撞路徑規劃，在動態環境得到較好的適應性。唐恒亮等[2]基于啟發式強化學習算法，引入獎勵函數和動作選擇策略對不同障礙環境進行仿真實驗。

除此之外，更多學者開始引入模擬自然界動物行為的啟發算法研究AGV路徑規劃問題，潘紋等[3]結合動態步長策略研究了果蠅算法的AGV路徑規劃。李傳奇等[4]結合非支配排序算法改進了蟻群算法，研究了AGV算法的多目標路徑規劃。

目前備受研究者關注的智能算法是哈里斯鷹優化算法[5](HHO)，具有參數少、精度高的特點。國內外眾多學者使用該算法很好地解決了一些實際問題。ESSAM等[6]使用哈里斯鷹算法進行藥物優化設計。ANEESH等[7]基于HHO引入自適應機制研究了圖像閾值分割問題。

傳統的哈里斯鷹算法并非完美，結構本身存在一定缺陷，也即大多數生物啟發式算法都有的收斂至局部極值點問題。為了改進哈里斯鷹算法的不足，GUPTA等[8]基于反向學習對HHO進行改進，增強了HHO算法的解的多樣性。KAMBOJ等[9]將HHO混合正弦余弦算法，加快了算法的收斂速度。……