基于改進遺傳算法的移動機器人路徑規劃研究

吳梅花

關鍵詞：移動機器人；改進遺傳算法；Cost-Gain算法；路徑規劃；MATLAB

目前，移動機器人技術已在各領域中得到廣泛應用，比如送餐機器人、導購機器人、醫療機器人和伴護機器人等，移動機器人的出現不僅節省了成本，也提高了人們的生活質量。路徑規劃的方法有很多，其中應用較廣泛的有遺傳算法[1-3]、人工勢場法[4-5] 和粒子群法[6-7] 等。目前，前人已經針對相關算法提出各種改進策略，效果比較顯著。在采用遺傳算法進行路徑規劃時，有的學者提出采用RRT 算法產生初始路徑，并引入一種新的插入算子[8]，通過實驗證明了所提算法是有效的。另外針對在路徑規劃過程中收斂速度慢的問題，有的學者提出首先采用A* 算法產生初始種群，然后結合遺傳算法進行路徑優化[9]，也取得了較好的效果。但目前在采用遺傳算法進行路徑規劃時仍存在較多問題，本文主要針對采用隨機法產生初始種群時不可行路徑所占比重較大的問題，提出基于Cost-Gain 算法的避障策略，然后分別對傳統遺傳算法和改進遺傳算法在MATLAB 仿真平臺上進行實驗，結果證明了所提算法是有效的。

1 問題描述

移動機器人在進行路徑規劃時首先需要了解周圍的環境。文中假設機器人的工作環境為二維空間，工作空間大小為20×20。在直角坐標系中，X 軸為橫軸，Y 軸為縱軸，采用柵格法建立工作環境模型?？紤]到障礙物的不規則性和機器人的外形，為提高移動機器人工作時的安全可靠性，將環境模型中靜態障礙物的四周分別按照機器人半徑的長度進行擴展，當障礙物未占滿1 個柵格時按照1 個完整柵格進行填充。

移動機器人工作環境模型如圖1 所示，其中黑色部分表示工作環境中的靜態障礙物，空白柵格為可行區，S 所在的柵格為機器人的起點，T 所在的柵格為機器人的目標點，在整個運行過程中將機器人看作質點。

步驟3：重復步驟2，直到滿足個體數達到設定的種群數目為止。

2.4 交叉算子

為避免進化過程中局部收斂問題的產生，需要對個體進行交叉操作。首先在種群中隨機選擇兩個個體進行單點交叉，然后將交叉操作后的各路徑點的x 坐標和y坐標進行升序排列，重新生成一條新路徑。檢查新路徑是否為可行路徑，否則，重新對路徑進行交叉操作。

2.5 變異算子

文中選用相鄰點替代法進行變異操作。首先隨機選擇除機器人起始點和終點外的一點作為變異點，然后隨機在其相鄰的八個柵格中選擇一個柵格替代該點，將變異后各路徑點的x 坐標和y 坐標進行升序排列，重新生成一條新路徑。檢查新路徑是否為可行路徑，否則，重新對路徑進行變異操作。

2.6 終止條件

當滿足提前設定好的進化代數M時終止遺傳操作。

3 仿真實驗

為驗證文中所提算法的有效性，在MATLAB 仿真平臺上分別對傳統遺傳算法和改進遺傳算法進行實驗。參數設置如下：種群的個體數目M = 800，個體長度len = 10，進化代數G = 100，仿真結果分別如圖3 至圖6 所示。

圖3 和圖5 分別為采用傳統遺傳算法進行路徑規劃的仿真圖和適應度變化曲線圖，圖4 和圖6 分別為采用改進后遺傳算法進行路徑規劃的仿真圖和適應度變化曲線圖。

仿真數據對比如表1。

由表1 可以看出，采用改進后的遺傳算法進行路徑規劃時，規劃出的路徑最優適應度值更大，長度更短，收斂速度更快，證明了所提算法是有效的。

4 結束語

文中主要針對采用傳統遺傳算法進行路徑規劃時隨機產生初始種群中不可行路徑所占比重較大的問題提出基于Cost-Gain 算法的避障策略，從仿真結果來看，采用改進遺傳算法規劃出的路徑長度更短，收斂速度更快，充分證明了算法的有效性。