基于改进蝙蝠算法和三次样条插值的机器人路径规划

为更好地解决移动机器人路径规划问题,改进蝙蝠算法的寻优性能,拓展其应用领域,提出了一种具有反向学习和正切随机探索机制的蝙蝠算法.在全局搜索阶段的位置更新中引入动态扰动系数,提高算法全局搜索能力;在局部搜索阶段,融入正切随机探索机制,增强算法局部寻优的策略性,避免算法陷入局部极值.同时,加入反向学习选择策略,进一步平衡蝙蝠种群多样性和算法局部开采能力,提高算法的收敛精度.然后,把改进算法与三次样条插值方法相结合去求解机器人全局路径规划问题,定义了基于路径结点的编码方式,构造了绕避障碍求解最短路径的方法和适应度函数.最后,在简单和复杂障碍环境下分别对单机器人和多机器人系统进行了路径规划对比实验.实验结果表明,改进后算法无论在最优解还是平均解方面都要优于其他几种对比算法,对于求解机器人全局路径规划问题具有较好的可行性和有效性.

基于动态自适应权重和柯西变异的蝙蝠优化算法

为了加快蝙蝠算法的收敛速度并提高寻优精度,提出一种基于动态自适应权重和柯西变异的蝙蝠优化算法。该算法在速度公式中加入了动态自适应权重,以动态地调整自适应权重的大小,加快算法的收敛速度。此外,该算法引入了柯西逆累积分布函数方法,在每次迭代时,能有效提高蝙蝠算法的全局搜索能力,避免陷入局部最优。对12个典型的测试函数进行仿真实验,结果表明,改进后的算法显著提高了寻优性能,具有较快的收敛速度和较高的寻优精度。