针对传统灰狼算法(grey wolf algorithm,GWO)在进行机器人路径规划时易陷入局部极值、探索效率低等不足,提出了一种多元策略改进的灰狼算法。首先针对领导狼在算法中存在的缺陷,提出了一种随机游走策略,从而提升算法的全局搜索能力。同...针对传统灰狼算法(grey wolf algorithm,GWO)在进行机器人路径规划时易陷入局部极值、探索效率低等不足,提出了一种多元策略改进的灰狼算法。首先针对领导狼在算法中存在的缺陷,提出了一种随机游走策略,从而提升算法的全局搜索能力。同时,在搜索阶段引入一种基于凸透镜原理的逆学习机制,对种群中的劣势个体进行逆向学习,从而提高狼群个体的搜索范围,避免算法陷入局部最优。最后,为提升路径平滑性,采用B-spline曲线对路径进行平滑操作。仿真结果表明,在普通环境及陷阱环境下改进的灰狼算法较传统灰狼算法,规划的全局最优路径各项性能更优,更有利于机器人完成作业任务。展开更多
文摘针对传统灰狼算法(grey wolf algorithm,GWO)在进行机器人路径规划时易陷入局部极值、探索效率低等不足,提出了一种多元策略改进的灰狼算法。首先针对领导狼在算法中存在的缺陷,提出了一种随机游走策略,从而提升算法的全局搜索能力。同时,在搜索阶段引入一种基于凸透镜原理的逆学习机制,对种群中的劣势个体进行逆向学习,从而提高狼群个体的搜索范围,避免算法陷入局部最优。最后,为提升路径平滑性,采用B-spline曲线对路径进行平滑操作。仿真结果表明,在普通环境及陷阱环境下改进的灰狼算法较传统灰狼算法,规划的全局最优路径各项性能更优,更有利于机器人完成作业任务。
