(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111386217.7 (22)申请日 2021.11.22 (71)申请人 江苏科技大学 地址 212008 江苏省镇江市丹徒区长晖路 666号 (72)发明人 伍雪冬　朱亚虎　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 张弛 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/00(2006.01) (54)发明名称 一种移动机 器人路径规划的方法及系统 (57)摘要 本发明公开了一种移动机器人路径规划的 方法及系统， 包括： (1)初始化地图； (2)设置代价 函数； (3)初始化每个粒子的位置和速度； (4)求 出每个粒子的适应度值； (5)取一个随机数与决 策数比较， 若大于执行(6)， 否则执行(7)； (6)针 对每个粒子， 更新个体最优、 全局最优值并更新 速度、 位置和适应度值， 执行(9)； (7)从所有粒子 选取劣质粒子进行变异操作获取变异粒子； (8) 将原粒子群与变异粒子组合形成新的粒子群； 计 算新粒子群适应度值并排序， 淘汰末尾的K个粒 子； (9)未达到最大迭代次数， 返回步骤(5)； 达到 则选择适应度值最小的粒子为路径 解。 本发明解 决粒子群算法在移动机器人路径规划 中路径选 择多样性差， 收敛速度慢等问题。 权利要求书3页 说明书7页 附图1页 CN 114048914 A 2022.02.15 CN 114048914 A 1.一种移动机器人路径规划的方法， 其特 征在于， 包括以下步骤： (1)通过使用栅格 图将机器人活动区域地图格式化， 并标识无障碍物区域及有障碍物 区域； 存储机器人移动的起始点和终点； (2)设置粒子群算法的代价 函数， 公式如下： 式中， L(p)为粒子所得到的路径最短路径， Lo为移动机器人与最近障碍物的距离； α和β 为固定参数， 用来控制得到一条路径长度和安全度相平衡的最优路径； F为所求的代价函数 值； (3)初始化粒子群算法参数； 设定粒子群算法的粒子数和总迭代次数， 根据格 式化地图 设置粒子位置限制和粒子 速度限制条件， 随机初始化每 个粒子的位置和速度； (4)得到粒子群中每个粒子的位置和速度后， 将粒子的位置代入代价函数求出每个粒 子的适应度值， 保存每 个粒子的适应度值； (5)取一个随机数与决策数比较大小， 若随机数的值大于决策数， 执行步骤(6)； 否则执 行步骤(7)； 随机数的取值 为[0， 1]； 所述的决策 数的公式如下 所示： 式中， Q为决策数； t为当前迭代次数， Tmax为设置的最大迭代次数； (6)针对粒子群的每个粒子， 更新个体最优、 全局最优值并更新速度、 位置与适应度值， 执行步骤(9)； (7)将粒子群 中所有粒子按照适应度值从小到大排序， 选取适应度值小的前n％的粒子 标记为优质粒子， 适应度值大 的后m％粒子标记为劣质粒子， 剩余的粒子标记为普通粒子， n， m∈[1， 50 ]； 对劣质粒子进 行变异操作获取变异粒子， 所述对劣质粒子变异操作的变异公 式为： 式中， xi∈[xmin， xmax]， xmin为i维度下的地图边界最小值， xmax为i维度下的地图边界最大 值； r为[0， 1]随机数； μ为固定常数； x ″i为变异粒子中第i个粒子位置； xi为粒子群中第i个粒 子位置； (8)将包含劣质粒子的粒子群的每个粒子更新个体最优、 全局最优值并更新速度、 位置 与适应度值后， 与变异粒子组合形成新的粒子群； 计算变异粒子的适应度值， 将新粒子群中 所有粒子的适应度值进行从小到大重新排序， 淘汰末尾的K个粒子， K为原包含劣质粒子的 粒子群个数的m％； (9)当算法未达到最大迭代次数， 返回步骤(5)进行循环操作； 当达到最大迭代次数， 选 择适应度值 最小的粒子为路径解， 所 得到的解 为机器人移动的最优路径解。 2.根据权利要求1所述的移动机器人路径规划的方法， 其特征在于， 步骤(4)还包括在 获取每个粒子位置后， 求解每个粒子的对称位置， 将对称粒子的位置代入代价函数求出对权　利　要　求　书 1/3 页 2 CN 114048914 A 2称粒子的适应度值， 保存对称粒子的适应度值； 将每个粒子的适应度值和每个粒子对应的 对称粒子适应度值相比较， 取适应度值较小的那个取代原有的粒子； 所述对称粒子的求解 公式为： 式中， i表示维度； xi∈[ai， bi]， 即粒子在某个维度上的范 围大小， xi为粒子群粒子的位 置大小； 为所求的粒子在某个维度上的对称位置 。 3.根据权利要求1所述的移动机器人路径规划的方法， 其特征在于， 还包括在步骤(4) 与步骤(5)之间设置自适应参数ω、 c1、 c2； 式中， ω为是惯性权重， c1为单个学习因子， c2为全局学习因子； dg为当前迭代所评估的 粒子与历史全局最优 粒子的距离， dmin为历史所评估的粒子与历史全局最优粒子的最小值， dmax为历史所评估的粒子与历史全局最优粒子的最大值； c1max和c1min为c1的初始值和终止 值； c2max和c2min为c2的初始值和终止值。 4.根据权利 要求1所述的移动机器人路径规划的方法， 其特征在于， 步骤(6)与步骤(8) 中更新位置和速度的公式为： 式中， t表示第t次迭代次数， i表示第i个 粒子； 为第t次迭代中的第i个粒子的位置， 为第t次迭代中的第i个粒子的速度； 当搜索空间为d维度时， xi＝(xi1， xi2， xi3，…， xid)， vi＝ (vi1， vi2， vi3，…， vid)； 为第i个粒子在第t次迭代时的最佳位置， 为第t次迭代时 整个粒子群的历史全局最优位置 。 5.根据权利要求1所述的移动机器人路径规划的方法， 其特征在于， 步骤(3)中所述粒 子群算法的粒子数为80， 迭代次数为5 0。 6.根据权利要求1所述的移动机器人路径规划的方法， 其特征在于， 步骤(8)中n与m的 值均取20 。 7.一种移动机器人路径规划的系统， 其特 征在于， 包括： 地图构建和划分模块， 通过使用栅格图将机器人活动 区域地图格式化， 并标识无障碍 物区域及有障碍物区域； 存 储机器人移动的起始点和终点； 粒子群算法优化模块， 用于设置粒子群算法的代价 函数， 公式如下： 权　利　要　求　书 2/3 页 3 CN 114048914 A 3