改进海洋捕食者算法的机器人路径规划

为克服海洋捕食者算法存在的初始种群分布不均、收敛速度慢且易陷入局部最优等问题,提出一种改进的海洋捕食者算法(GMPA)。首先,在初始化种群时采用Sobol序列和对立学习相结合的策略,得到更加均匀随机的初始解;再引入惯性权重系数和柯西变异来更新种群,提高算法跳出局部最优的能力;最后,针对更新后的种群,结合随机性学习策略来增加迭代过程中种群的多样性。为验证所提算法的有效性,选用7个标准测试函数对其性能进行评估;并选用3组复杂度不同的栅格地图,对改进后的算法与原始算法开展路径规划对比实验。实验结果表明:改进后的海洋捕食者算法在机器人路径规划问题中表现出良好的性能,显著提高了收敛速度并增强了优化能力。