机器人导航路径的动态细化分工花授粉算法规划

为了减少机器人点对点工作路径长度,提出了个体动态细化分工花授粉算法的路径规划方法。以花授粉算法为基础,将花粉按照适应度划分为精英个体、优等个体、差等个体,并对个体进行动态细化分工。精英个体引领进化方向,优等个体使用改进搜索方式进行寻优,差等个体使用柯西变异逃出局部最优,由此提出了个体动态细化分工花授粉算法。使用个体动态细化分工花授粉算法搜索最优路径结点,依据最优路径结点和三次样条插值法规划出最优路径。在简单环境和复杂环境下进行仿真验证,个体动态细化分工花授粉算法规划的路径长度、收敛速度和寻优稳定性均优于传统花授粉算法和改进蝙蝠算法。

基于动态多种群机制的增强花授粉算法

针对花授粉算法易陷入局部最优、收敛精度不足和过早收敛的问题,提出一种基于动态多种群机制的增强花授粉算法(DMEFPA)。首先,DMEFPA使用一种融合个体适应度值和相对距离的方法挑选中心个体,使选出的个体既保持较高质量又保持在搜索空间的分布广泛,再将剩余个体划分到距离最近的中心个体构成多种群,随后依据概率来考虑是否接受种群状态变化。其次,各子群通过随机顺序动态构成环拓扑进行个体迁移,以增强种群多样性避免陷入局部最优。最后,通过改进局部搜索策略,以完善对解空间的探索。选用CEC2017测试函数集中的12个函数作为性能基准函数,将DMEFPA和其他5个改进算法:SCFPA、HLFPA、WOFPA、AMSSA、SHSSA进行评测,并对改进策略进行了消融实验。基于实验结果的Friedman检验表明,在改进策略的共同作用下,DMEFPA能获取最优的性能,且全局收敛性能较为稳定。