基于改进多目标自适应遗传算法的机器人路径规划

针对传统遗传算法收敛速度较慢、早熟,混合遗传算法复杂、耗时等不足,提出一种改进多目标自适应遗传算法。在初始化操作中,提出一种限制性均匀随机搜索算法结合中值插入算法初始化种群,通过均匀节点库随机生成节点,结合限制性步长控制节点搜索范围,并建立限制性步长与产生初始种群长度的先验模型。改进了自适应交叉变异操作,通过平衡阈值缩小其计算复杂度。利用自适应进化操作进化判断,同时缩短种群进化停滞过程,结合贪心算法防止种群出现倒退现象。最后,采用删除操作,平滑最优路径。通过与传统遗传算法(GA)、蚁群遗传算法(ACO-GA)、麻雀搜索算法(SSA)对比实验,仿真结果表明,改进的自适应遗传算法效率高,以更少次数收敛,具有更好的迭代稳定性,同时降低了机器人能耗。