多策略增强型蛇优化器的避障路径规划

针对蛇优化器(SO)在机器人路径规划问题求解中存在初始种群多样性不足、前期全局寻优能力弱、后期收敛精度低、容易陷入局部最优等问题,提出一种用于机器人路径规划的多策略增强型蛇优化器(MSESO)。采用佳点集方法对蛇种群进行初始化,增加初始种群多样性,使种群对搜索空间的覆盖更全面;引入两个振荡因子平衡全局搜索与局部开发的过程,并动态更新搜索范围;融入自适应精英反向学习策略充分利用种群有效信息来提高种群质量,增大种群进一步逼近最优解的可能性,加快算法收敛速度和改善收敛精度。将MSESO应用于机器人路径规划,首先开展消融实验来验证改进策略的有效性,接着在不同复杂程度的地图开展MSESO与其他算法的寻路性能对比实验,验证改进算法的优越性。消融实验结果显示,MSESO提出的改进策略均能有效地提升路径规划性能;对比实验结果显示,MSESO的平均路径长度、路径长度方差、平均迭代次数均优于对照组算法,验证了MSESO在路径规划中的鲁棒性和优越性。