打开文本图片集

摘要：近年来，移动机器人的规模日趋庞大且应用领域逐步扩增，移动机器人线路规这类问题普遍具有大规模、高复杂度、多极值、非线性等特征，求解难度很大，而基于目标进化算法的覆盖控制方法是目前解决该类问题最为有效的方法。但现有单目标进化算法在处理高维、多峰复杂单目标优化问题时，难以平衡勘探能力和开采能力，普遍存在运算效率低下、极易陷入局部最优等诸多缺陷，无法满足线路规划精确度、能力消耗等方面的性能需求，因此，本文将采用目前前沿的大象群智能优化算法来进行移动机器人路径规划研究，进一步提升线路规划精度性。

一、引言

随着无线通信技术与人工智能的协同发展，为数据驱动的科学范式带来了新的憧憬和无限可能，在各种新技术的加持下，机器人技术突飞猛进的发展起来，广泛应用于智能汽车、智能家居、智能终端、智能制造等海量的新兴应用和价值场景，机器人的应用改变了我们的生活与工作，为我们带来了巨大的便利。特别是在物料管理、智能工业、家庭机器人等新场景中，随着其在目标追踪、反恐、环境监控、工业控制、智能家居、数字医疗、灾后救助、城市管理、交通监控等诸多领域的应用需求日益突出[1]，开展移动机器人的研究具有十分重要的理论意义和现实意义。

路径规划是影响移动机器人性能的关键指标，也是移动机器人研究的关键技术之一，其本质是通过传感器获得工作环境信息，依据一定的评价标准（如工作耗能最小，规划的路径长度最短，工作时间最少等），在工作环境空间中安全地搜索一条从起始位置到目标位置的能避开障碍物的最优路径，随着机器人的工作环境越来越复杂，路径规划技术仍需不断发展完善，路径规划的性能有助于提高机器人的工作效率，也是机器人智能化的体现。

二、智能优化算法在移动机器人路径规划的应用

移动机器人路径规划在数学本质上，移动机器人线路规这类问题普遍具有大规模、高复杂度、多极值、非线性等特征，求解难度很大，大量文献及实验研究表明，基于目标进化算法的覆盖控制方法是目前解决该类问题最为有效的方法。文献[2]提出了基于Dijkstra算法的路径规划应用，文献[3]、文献[4]将人工势场法和模拟退火算法应用于路径规划问题中，都取得了较好的效果，并且，文献[5]中将改进遗传算法的移动机器人路径规划问题中，有效地提高了路径的搜索效率。但目前随着移动机器人的规模日趋庞大且应用领域逐步扩增，为满足线路规划方法日益增长的技术需求，在深入系统地分析国内外线路规划方法研究现状的基础上，针对算法无法满足线路规划精度及稳定性等方面还存在明显不足的问题，从而设计将大象族智能优化算法应用于移动机器人路径规划问题中，使路线规划的精度很高，速度更快。

三、象群智能优化算法

象群优化（elephant herding optimization， EHO）算法是由WANG[5]等人基于大象的游牧行为而提出的一种启发式群智能优化算法，在该优化算法中，全体象群是由一些氏族构成，每个氏族中都有一个最优的雌性大象作为女族长，该族中的其他大象的行为都是由族长所引领的，并且女族长的位置也会根据整个大象群的中心位置而移动。此外，根据生存法则，一些最弱的大象会被淘汰，离开他们的氏族。被淘汰的成员的位置将会被随机成员替换。在EHO算法中，每个大象代表N维搜索空间中的一个解也就是X=[x1，x2，……，xj，……，xN]，目标函数是大象的适应度值，表示为f（x）。

EHO算法实现步骤为：

1、在搜索空间中随机生产初始大象种群，大象的数量为N，并将全体大象随机划分为划分为K个氏族。

2、根据适应度函数计算出种群中大象的适应度值。

3、对每一族中的大象的适应度是进行排序，选择最佳适应度值的大象成作为女族长。

4、每一族中个大象成员的运动都是基于该族中女族长的位置，更新公式如下。

其中，和为分别表示为族群i中的第j个大象的位置和族群i中的女族长的位置，it表示的是目前迭代次数，为取值在[0，1]中的随机数。

5、更新每个族中女族长的位置，公式如下。

而其中为取值在[0，1]中的随机数，的更新公式如下。

此处Ni表示第i个族中大象的数量，和分布表示族群i中的中心位置的第d维度的位置和族群i中的第j个象的第d维度的位置。

1、每一族中最差的成员由搜索空间中的随机成员替换，公式如下：

此中，和是在搜索空间的最大和最小值，是族ki中最查的成员位置，是一个在0和1之间的随机数。

2、重复步骤3到步骤6，直到达到最大迭代数。

四、象群智能优化算法在移动机器人路径规划分析

目标进化算法的性能对覆盖控制方法的整体运行效率和求解精度等具有重要影响，然而，由于现有单目标进化算法在处理高维、多峰复杂单目标优化问题时，难以平衡勘探能力和开采能力，普遍存在运算效率低下、极易陷入局部最优等诸多缺陷，无法满足移动机器人线路规划精确度、能力消耗等方面的性能需求[6]。而EHO算法受到象群行为的启发，通过模拟象群的聚集和移动过程来优化解的搜索，并且能够根据当前解的情况动态调整搜索策略，具有一定的自适应性，因此EHO算法具有较强的全局搜索能力和局部搜索能力，能够有效地探索问题空间中的潜在解。同时象群智能优化算法结构简单、高效，不要求问题的导数信息，适用于非线性和复杂优化问题[7]。并且EHO算法可以通过适当的调整和设计，扩展到解决多目标优化问题，提供多样性的解决方案，因此基于以上该算法所具有的优点，将EHO算法应用于移动机器人路径规划问题中将进一步提升线路规划的精确度和效率。

参考文献

[1]朱大奇，颜明重.移动机器人路径规划技术综述[J].控制与决策，2010，25（07）：961-967.

[2]张飞凯，黄永忠，李连茂，等.基于Dijkstra算法的货运索道路径规划方法[J].山东大学学报（工学版），2022，52（6）：176-182.

[3]程细得，刘鹏辉，韩琨羽，等.基于人工势场-操纵运动混合模型的船舶路径规划[J].华中科技大学学报（自然科学版），2024，52（1）：85-90.

[4]范叶满，沈楷程，王东，等.基于模拟退火算法的无人机山地作业能耗最优路径规划[J].农业机械学报，2020，51（10）：34-41.

[5]于振中，李强，樊启高.智能仿生算法在移动机器人路径规划优化中的应用综述[J].计算机应用研究，2019，36（11）：3210-3219

[6]蔡延光，陈子恒，池建华，等.象群优化算法综述[J].自动化与信息工程，2023，44（1）：6-14.

作者简介：郭柳（1987-），女，吉林市，吉林电子信息职业技术学院，中级，硕士，通信技术，吉林省吉林市，132000；。

基金项目：2022年度吉林电子信息职业技术学院科研立项课题“基于智能优化算法的移动机器人路径规划研究”的研究成果，项目主持人：郭柳；