中文引用格式： 王友運，徐堅磊，胡燕海，等. 基于改進PSO算法的機器人路徑規劃研究[J]. 電子技術應用，2024，50(4)：75-80.
英文引用格式： Wang Youyun，Xu Jianlei，Hu Yanhai，et al. Research on robot path planning based on improved PSO algorithm[J]. Application of Electronic Technique，2024，50(4)：75-80.
引言
機器人路徑規劃即機器人依據某些指標在運動空間中從起點到終點找到一條最優的路徑[1]。目前，現實生活中常見的可用于路徑規劃的算法包括A-star算法[2]、D-star算法[3]、粒子群（Particle Swarm Optimization，PSO）算法[4]、蟻群優化（Ant Colony Optimization，ACO）算法[5]等。其中粒子群算法用個體和社會兩種屬性疊加進行搜索，以其參數簡潔、收斂速度快、搜索效率高等優點被廣泛應用于機器人路徑規劃及優化過程中。
雖然粒子群算法在機器人領域的應用很廣泛，但傳統粒子群算法主要是通過跟蹤粒子個體極值和全局極值進行搜索，這樣粒子就容易在某一極值點上聚集，從而使算法早熟收斂，陷入局部最優[6]。針對這一問題，徐福強等人[7]提出引入Circle映射和正弦余弦因子的改進粒子群算法，使用Circle映射來豐富種群多樣性，采用正余弦因子來平衡全局探索與局部開發能力；汪雅文等人[8]提出了融合吸引排斥和雙向學習的改進粒子群算法，通過雙向學習策略擴大粒子搜索范圍，利用吸引排斥策略提高算法的局部尋優和收斂性能；Yuan等人[9]提出了一種基于差分進化的改進粒子群算法，研究出了一種“高強度訓練”模式，利用改進的差分進化算法對粒子群算法的全局最優位置進行密集訓練，提高了算法的搜索精度；陳天培等人[10]提出基于模糊邏輯的改進粒子群算法，通過模糊處理控制路徑規劃的輸入量，防止系統陷入局部最優；封建湖等人[11]提出了一種聚類融合交叉粒子群算法，通過K均值聚類來保存良性群體的極值位置，利用交叉和變異算子來增加粒子多樣性，避免算法在早期就陷入早熟收斂。
基于以上研究，本文提出在粒子種群初始化階段引入混沌映射理論，同時采用動態多種群并行策略來進行改進，從而得到混沌動態多種群粒子群（Chaotic Dynamic Multi population Particle Swarm Optimization，CDMPSO）算法，最后通過進行大量的仿真實驗來驗證改進算法的可行性。
本文詳細內容請下載：
http://m.jysgc.com/resource/share/2000005952
作者信息：
王友運1，徐堅磊2，胡燕海1，陳海輝2，張行2
（1.寧波大學 機械工程與力學學院，浙江 寧波 315211；2.寧波航工智能裝備有限公司，浙江 寧波 315311）
