基于改进金豺优化算法的机器人路径规划

针对传统金豺优化算法GJO求解移动机器人路径规划RPP问题时存在寻优能力差，易陷入局部最优的缺点，本文提出一种改进的金豺优化算法IGJO。IGJO算法引入反向学习机制构建初始金豺种群，以提升初始解的质量；使用改进非线性能量逃逸因子，避免迭代后期过早收敛。同时，算法融合了个体记忆功能的精英反向学习策略搜索当前种群优秀解的反向空间，以增强算法的勘探能力。最后，IGJO对比5种优化算法的实验数据，实验结果表明，IGJO算法均优于其他对比算法。

机器人路径规划RPP (Robot Path Planning)就是在机器人事先知道目标相对位置的情况下，为机器人规划一条从起点到终点的最佳移动路径[1]，并且在移动的同时有能力避开环境中分散的障碍物，尽量减少路径长度，不与其发生碰撞，防止危险的发生。国内外就移动RPP 问题展开了诸多研究，RPP 方法可区分为三种方法分别为：传统算法、人工智能算法和智能搜索算法。传统路径规划包括人工势场法[2]、A*算法[3]等。人工智能算法包括Q-Learning [4]和深度学习[5]。智能搜索算法主要包括蚁群算法(Ant Colony Optimization, ACO) [6]、粒子群优化(Particle Swarm Optimization, PSO) [7]、遗传算法(Genetic Algorithm, GA) [8]等。传统算法的求解效率低，精度不足；人工智能算法在障碍物空间不完全可见或不稳定时， 深度学习方法也不能很好地解决；Q 学习方法无法在数据量较小的情况下进行高效的路径规划。

虽然传统的元启发式算法可以有效地解决RPP 问题，但是仍存在易陷入局部最优的问题。为此，研究学者着重于提高元启发式算法的寻优性能，采用多种改进策略提出众多算法。文献[9]提出一种双层改进蚁群算法提升了算法的收敛速度和平滑度；文献[10]提出了改进粒子群优化算法， 实现多智能算法并行融合在路径搜索过程中具有快速和鲁棒性强的特点；文献[11]提出的改进遗传算法具有较快的收敛速度同时避免了局部最优，在多目标复杂环境下，能够得到合适的路径解。国内外还有许多学者对单一算法的缺陷进行了改进，比如改进人工鱼群算法[12]、改进人工蜂群算法[13]、改进灰狼算法[14]。

2022 年Nitish Chopra 和Muhammad Mohsin Ansari 提出金豺优化算法[15] (Golden Jackal Optimization, GJO)灵感来自金豺的协作狩猎行为。它们都经过数学建模和应用，通过与其他先进元启发式算法相比， 寻优性能较好。针对高维复杂的优化问题，和其他算法一样仍存在一定程度上的停滞现象，造成算法寻优精度和效率低等。

鉴于此，为提高GJO 算法的性能，本文提出IGJO 算法。从以下方面进行改进：1) 在初始化阶段， IGJO 采用反向学习方法构建初始种群，以提升解的质量；2) 在进化过程中，IGJO 重新设置算法进行探索或开发的条件，更好的平衡算法的全局搜索与局部搜索能；3) 利用个体记忆功能的精英反向学习策略探索当前种群中精英个体的反向解空间，以增强算法的勘探能力。

本文其余内容组织如下：在第1 节中，给出移动机器人路径规划环境模型，以及路径评价函数；在第2 节中，介绍了原始金豺优化算法；在第3 节中，介绍改进金豺优化算法；在第4 节中，将IGJO 与其他求解移动机器人避障路径规划的算法进行比较并分析结果；在第5 节中，对本文进行总结。