融合粒子群算法与改进灰狼算法的机器人路径规划

doi:10.16182/j.issn1004731x.joss.22-0407

系统仿真学报 ›› 2023, Vol. 35 ›› Issue (8): 1768-1775.doi: 10.16182/j.issn1004731x.joss.22-0407

融合粒子群算法与改进灰狼算法的机器人路径规划

曹梦龙(), 赵文彬(), 陈志强

青岛科技大学自动化与电子工程学院，山东青岛 266061

收稿日期:2022-04-25 修回日期:2022-07-15 出版日期:2023-08-25 发布日期:2023-08-15
作者简介:
曹梦龙(1971-)，男，教授，博士，研究方向为自主导航与智能控制。E-mail：cml_qd@qust.edu.cn
基金资助:
山东省自然科学基金(ZR2020MF087)

Robot Path Planning by Fusing Particle Swarm Algorithm and Improved Grey Wolf Algorithm

Menglong Cao(), Wenbin Zhao(), Zhiqiang Chen

College of Automation and Electronic Enginnering, Qingdao University of Science and Technology, Qingdao 266061, China

Received:2022-04-25 Revised:2022-07-15 Online:2023-08-25 Published:2023-08-15

摘要/Abstract

关键词: GWO, PSO, 机器人路径规划, 莱维飞行, 非线性收敛因子

Key words: GWO, PSO, robot path planning, Lévy flight, nonlinear convergence factor

曹梦龙, 赵文彬, 陈志强. 融合粒子群算法与改进灰狼算法的机器人路径规划[J]. 系统仿真学报, 2023, 35(8): 1768-1775.

Menglong Cao, Wenbin Zhao, Zhiqiang Chen. Robot Path Planning by Fusing Particle Swarm Algorithm and Improved Grey Wolf Algorithm[J]. Journal of System Simulation, 2023, 35(8): 1768-1775.

图/表 13

图1

图2

图3

表1

算法参数

算法	参数设置
GWO	种群规模设置为50，最大迭代次数为500， $a$ 从2线性减小到0
HGWO	种群规模设置为50，最大迭代次数为500， $a$ 从2线性减小到0
PSO-GWO	种群规模设置为50，最大迭代次数为500， $k$ =5， $a$ 从2非线性减小到0，粒子群算法参数：学习因子c ₁=15，c ₂=15，惯性权重 $ω$ =9.8
A*算法	启发式函数F=G+H，最大迭代次数为500

表1

图4

表2

表3

图5

表4

表5

图6

表6

表7

参考文献 16

1	Mac T T, Copot C, Tran D T, et al. Heuristic Approaches in Robot Path Planning: A Survey[J]. Robotics and Autonomous Systems, 2016, 86: 13-28.
2	Patle B K, Babu L G, Pandey A, et al. A Review: On Path Planning Strategies for Navigation of Mobile Robot[J]. Defence Technology, 2019, 15(4): 582-606.
3	王洪斌, 尹鹏衡, 郑维, 等. 基于改进的A^*算法与动态窗口法的移动机器人路径规划[J]. 机器人, 2020, 42(3): 346-353.
	Wang Hongbin, Yin Pengheng, Zheng Wei, et al. Mobile Robot Path Planning Based on Improved A^* Algorithm and Dynamic Window Method[J]. Robot, 2020, 42(3): 346-353.
4	Wang Gaige, Chu Haicheng, Mirjalili S. Three-dimensional Path Planning for UCAV Using an Improved Bat Algorithm[J]. Aerospace Science and Technology, 2016, 49: 231-238.
5	Zhang Yi, Guan Guolun, Pu Xingchen. The Robot Path Planning Based on Improved Artificial Fish Swarm Algorithm[J]. Mathematical Problems in Engineering, 2016: 3297585.
6	龙文, 蔡绍洪, 焦建军, 等. 一种改进的灰狼优化算法[J]. 电子学报, 2019, 47(1): 169-175.
	Long Wen, Cai Shaohong, Jiao Jianjun, et al. An Improved Grey Wolf Optimization Algorithm[J]. Acta Electronica Sinica, 2019, 47(1): 169-175.
7	刘宁宁, 王宏伟. 基于改进灰狼优化算法的移动机器人路径规划[J]. 电测与仪表, 2020, 57(1): 76-83, 98.
	Liu Ningning, Wang Hongwei. Path Planning of Mobile Robot Based on the Improved Grey Wolf Optimization Algorithm[J]. Electrical Measurement & Instrumentation, 2020, 57(1): 76-83, 98.
8	李靖, 杨帆. 复杂障碍物环境下多任务目标遍历路径规划[J]. 现代电子技术, 2021, 44(7): 162-168.
	Li Jing, Yang Fan. Multiple Task Object Traversal Path Planning in Complex Obstacle Environment[J]. Modern Electronics Technique, 2021, 44(7): 162-168.
9	王永琦, 江潇潇. 基于混合灰狼算法的机器人路径规划[J]. 计算机工程与科学, 2020, 42(7): 1294-1301.
	Wang Yongqi, Jiang Xiaoxiao. Robot Path Planning Using a Hybrid Grey Wolf Optimization Algorithm[J]. Computer Engineering & Science, 2020, 42(7): 1294-1301.
10	Zafar M N, Mohanta J C, Keshari A. GWO-potential Field Method for Mobile Robot Path Planning and Navigation Control[J]. Arabian Journal for Science and Engineering, 2021, 46(8): 8087-8104.
11	王慧, 王光宇, 潘德文. 基于改进粒子群算法的移动机器人路径规划[J]. 传感器与微系统, 2017, 36(5): 77-79.
	Wang Hui, Wang Guangyu, Pan Dewen. Mobile Robot Path Planning Based on Modified Particle Swarm Optimization Algorithm[J]. Transducer and Microsystem Technologies, 2017, 36(5): 77-79.
12	强宁, 高洁, 康凤举. 基于PSO和三次样条插值的多机器人全局路径规划[J]. 系统仿真学报, 2017, 29(7): 1397-1404.
	Qiang Ning, Gao Jie, Kang Fengju. Multi-robots Global Path Planning Based on PSO Algorithm and Cubic Spline[J]. Journal of System Simulation, 2017, 29(7): 1397-1404.
13	Kumar R, Singh L, Tiwari R. Path Planning for the Autonomous Robots Using Modified Grey Wolf Optimization Approach[J]. Journal of Intelligent & Fuzzy Systems, 2021, 40(5): 9453-9470.
14	Mirjalili S, Mirjalili S M, Lewis A. Grey Wolf Optimizer[J]. Advances in Engineering Software, 2014, 69: 46-61.
15	Dash D R, Dash P K, Bisoi R. Short Term Solar Power Forecasting Using Hybrid Minimum Variance Expanded RVFLN and Sine-cosine Levy Flight PSO Algorithm[J]. Renewable Energy, 2021, 174: 513-537.
16	李荣雨, 王颖. 基于莱维飞行的改进粒子群算法[J]. 系统仿真学报, 2017, 29(8): 1685-1691, 1701.
	Li Rongyu, Wang Ying. Improved Particle Swarm Optimization Based on Lévy Flights[J]. Journal of System Simulation, 2017, 29(8): 1685-1691, 1701.

算法	初始路径长度	最优路径长度	最优值迭代次数	转折次数
GWO	1 500	1 048	376	12
HGWO	1 423	948	356	8
A*	–	976	350	13
PSO-GWO	1 412	875	308	5

算法	最优路径长度	最劣路径长度	平均路径长度	平均迭代次数	平均运行时间/s
GWO	1 065	1 125	1 089	362	13.2
HGWO	952	1 032	976	346	11.5
A*	965	1 042	965	345	12.9
PSO-GWO	904	1 105	904	332	10.6

算法	初始路径长度	最优路径长度	最优值迭代次数	转折次数
GWO	–	–	–	–
HGWO	2 200	1 600	448	17
A*	–	1 495	476	20
PSO-GWO	1 400	1 200	435	10

算法	最优路径长度	最劣路径长度	平均路径长度	平均迭代次数	平均运行时间/s
GWO	–	–	–	–	–
HGWO	1 532	1 602	1 596	476	15.3
A*	1 482	1 528	1 425	480	19.2
PSO-GWO	1 135	1 403	1 356	423	14.1

算法	初始路径长度	最终路径长度	最优值迭代次数	转折次数
GWO	1 375	985	464	7
HGWO	1 295	954	374	10
A*	–	978	458	20
PSO-GWO	1 156	932	332	6

融合粒子群算法与改进灰狼算法的机器人路径规划

Robot Path Planning by Fusing Particle Swarm Algorithm and Improved Grey Wolf Algorithm

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 16

相关文章 15

编辑推荐

Metrics

本文评价

算法	最优路径长度	最劣路径长度	平均路径长度	平均迭代次数	平均运行时间/s
GWO	985	1 298	1 089	468	17.5
HGWO	954	1 135	1 024	432	15.2
A*	978	1 168	1 045	475	18.1
PSO-GWO	895	1 156	923	415	13.1

[1]	邓佳欣, 张达敏, 何庆, 赵建萍. 结合莱维飞行和布朗运动的金鹰算法[J]. 系统仿真学报, 2023, 35(6): 1290-1307.
[2]	余佳英, 张宏立, 董颖超. 基于离散状态转移算法的无等待流水车间调度研究[J]. 系统仿真学报, 2023, 35(5): 1034-1045.
[3]	邓向阳, 张立民, 方伟, 汤淼. 基于双向汇聚引导蚁群算法的机器人路径规划[J]. 系统仿真学报, 2022, 34(5): 1101-1108.
[4]	白燕, 武璐璐, 贺引娥, 王玉英. 基于动态温度调控的空调系统能耗预测[J]. 系统仿真学报, 2022, 34(2): 366-375.
[5]	乔乔, 王艳, 纪志成. 基于冲突搜索算法的多机器人路径规划[J]. 系统仿真学报, 2022, 34(12): 2659-2669.
[6]	焦业峰, 王艳, 纪志成. 基于BLP-ALO-SVM的风电功率短期预测方法[J]. 系统仿真学报, 2022, 34(12): 2535-2545.
[7]	尹智帅, 何嘉雄, 聂琳真, 管家意. 基于优化算法的自动驾驶车辆纵向自适应控制[J]. 系统仿真学报, 2021, 33(2): 409-420.
[8]	蔡敏, 王艳, 纪志成. 基于多策略融合量子粒子群算法的MOFFJSP研究[J]. 系统仿真学报, 2021, 33(11): 2615-2626.
[9]	于军琪, 井文强, 赵安军, 任延欢, 周梦, 黄馨乐, 杨雪. 基于改进PSO-BP算法的冷负荷预测模型[J]. 系统仿真学报, 2021, 33(1): 54-61.
[10]	韩忠华, 刘约翰, 李曼, 孙亮亮, 郑鸿志. 改进狼群算法求解模具在模台上组合分配问题[J]. 系统仿真学报, 2021, 33(1): 127-140.
[11]	李昌华, 毕成功, 李智杰. 基于改进PSO算法的人群疏散模型[J]. 系统仿真学报, 2020, 32(6): 1000-1008.
[12]	刘景森, 刘晓珍, 李煜. 具有动态步长和发现概率的布谷鸟搜索算法[J]. 系统仿真学报, 2020, 32(2): 289-298.
[13]	白书华, 况明星. 基于PSO-GA-BP神经网络的林火预测设计与研究[J]. 系统仿真学报, 2018, 30(5): 1739-1748.
[14]	王修岩, 刘艳敏, 张革文, 李宗帅, 林家泉. 基于改进协同PSO的神经网络飞机客舱能耗预测[J]. 系统仿真学报, 2018, 30(4): 1535-1541.
[15]	仇永斌, 张树春, 王元诚, 范文澜, 李德鑫. 最优粒子初值有效估计的线阵列方向图优化算法[J]. 系统仿真学报, 2018, 30(11): 4079-4085.