應用多策略融合改進哈里斯鷹算法的移動機器人路徑規劃方法

摘 要： 針對移動機器人在多障礙物室內環境中進行路徑規劃時存在的折點多、收斂速度慢、易陷入局部最優解等問題，提出一種基于多策略融合改進哈里斯鷹算法的移動機器人路徑規劃方法。首先，利用Tent 混沌映射初始化和自適應正余弦算法，改善初始種群分布多樣性并增強全局搜索能力；其次，使用模擬退火能量策略改善哈里斯鷹算法的行為選擇，加強算法收斂速度；然后，使用柯西函數和改進萊維飛行優化算法位置更新行為，提升算法的尋優性能和效率；最后，使用消融實驗和對比實驗對移動機器人在不同復雜程度的地圖場景中的路徑規劃性能進行驗證。實驗結果表明：多策略融合改進哈里斯鷹算法在移動機器人路徑規劃問題中，不僅可以有效減少折點數獲得較好的路徑平滑度，還可達到更快的收斂速度和更短的移動路徑。

關鍵詞： 移動機器人; 路徑規劃; 多策略融合; 哈里斯鷹算法

中圖分類號： TB9 文獻標志碼： A 文章編號： 1674–5124（2024）09–0001–12

0 引 言

近年來，隨著人工智能和自動化技術的不斷發展，移動機器人在現代社會中扮演著越來越重要的角色，逐漸被廣泛應用于工業生產[1]、物流配送、醫療護理和環境監測等領域，在提高生產效率、降低成本、減少人力勞動和改善工作環境方面發揮著重要作用[2]。然而，移動機器人的有效運行需要解決諸多挑戰，其中一個至關重要的問題就是路徑規劃，這不僅決定著機器人的運動效率和安全性，還直接影響整個移動機器人系統的性能和效果。因此，對移動機器人路徑規劃進行深入研究和優化具有重要意義。

在移動機器人路徑規劃研究領域，先后經歷了從傳統算法到啟發式算法的演變。初期，傳統算法如人工勢場法、模擬退火法、動態窗口法及差分進化算法，奠定了移動機器人路徑規劃問題解決的基礎框架[3]。但隨著研究的深入，這些方法的一些缺陷逐漸暴露，如路徑規劃速度緩慢、避障性能穩定性不足、在復雜場景中表現不佳等。因此，遺傳算法、蟻群優化算法與粒子群優化算法等啟發式算法憑借其出色的搜索效率與全局尋優能力，逐步成為目前研究的主流方向[4]。

文獻[5] 首次將人工勢場法用于解決移動機器人路徑規劃問題，通過設置遠離障礙物的勢場，使機器人沿著負梯度方向運動，以繞過障礙物并到達目標位置。文獻[6] 提出了一種更有效的人工勢場局部避障路徑規劃算法，仿真結果表明，改進的人工勢場法提高了動態避障的穩定性，使航向角的變化減小了84%。文獻[7] 基于強化學習優化動態窗口法，通過修改和擴展原有評估函數并增加新的評估函數，提高了在未知環境下的路徑規劃成功率。文獻[8] 使用改進的蟻群算法來規劃移動機器人的路徑，該算法的信息素更新機制具有加速收斂的能力，并通過大量的仿真實驗驗證了改進算法的性能。文獻[9] 提出了改進局部化粒子群算法，通過調整慣性權重、加速度因子提高了收斂速度，并利用適應度方差增加粒子多樣性，避免了算法早熟現象。這些傳統算法和啟發式算法雖然部分解決了移動機器人路徑規劃領域存在的一些問題，但仍存在初始解分布不均、種群多樣性不足、收斂速度慢、易陷入局部最優解、路徑折點多等缺陷。

針對現有方法在解決移動機器人路徑規劃問題中的局限性，本文提出一種多策略融合改進哈里斯鷹算法（multi-strategy fusion to improve Harris hawkoptimization algorithm，MFIHHO）。通過引入混沌映射初始化種群，結合自適應正余弦算法以提高其全局搜索性能[10]。利用模擬退火方法加快算法的收斂速度。并提出了一種基于柯西函數和改進萊維飛行的行為改進策略避免陷入局部最優解，通過柯西函數與改進萊維飛行的結合增強解的多樣性與魯棒性。最后，為解決路徑折點多的問題，基于分段三次Hermite 插值方法求解移動機器人路徑[11]，使得生成的路徑更加平滑，從而有效提高機器人移動效率。經過一系列仿真對比實驗，證明了該算法在解決移動機器人路徑規劃問題上的有效性和優越性。

1 哈里斯鷹算法

哈里斯鷹算法（Harris hawks optimization algorithm，HHO）模擬了哈里斯鷹在不同機制下捕捉獵物的行為策略[12]。這種動物根據獵物逃跑的能力和狀態，采用不同形式的包圍和俯沖方式進行捕殺。哈里斯鷹算法的具體過程分為：探索階段、過渡階段和進攻階段。其具體流程步驟如圖1 所示。