中文引用格式：王友运，徐坚磊，胡燕海，等. 基于改进PSO算法的机器人路径规划研究[J]. 电子技术应用，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
机器人路径规划即机器人依据某些指标在运动空间中从起点到终点找到一条最优的路径[1]。目前，现实生活中常见的可用于路径规划的算法包括A-star算法[2]、D-star算法[3]、粒子群（Particle Swarm Optimization，PSO）算法[4]、蚁群优化（Ant Colony Optimization，ACO）算法[5]等。其中粒子群算法用个体和社会两种属性叠加进行搜索，以其参数简洁、收敛速度快、搜索效率高等优点被广泛应用于机器人路径规划及优化过程中。
虽然粒子群算法在机器人领域的应用很广泛，但传统粒子群算法主要是通过跟踪粒子个体极值和全局极值进行搜索，这样粒子就容易在某一极值点上聚集，从而使算法早熟收敛，陷入局部最优[6]。针对这一问题，徐福强等人[7]提出引入Circle映射和正弦余弦因子的改进粒子群算法，使用Circle映射来丰富种群多样性，采用正余弦因子来平衡全局探索与局部开发能力；汪雅文等人[8]提出了融合吸引排斥和双向学习的改进粒子群算法，通过双向学习策略扩大粒子搜索范围，利用吸引排斥策略提高算法的局部寻优和收敛性能；Yuan等人[9]提出了一种基于差分进化的改进粒子群算法，研究出了一种“高强度训练”模式，利用改进的差分进化算法对粒子群算法的全局最优位置进行密集训练，提高了算法的搜索精度；陈天培等人[10]提出基于模糊逻辑的改进粒子群算法，通过模糊处理控制路径规划的输入量，防止系统陷入局部最优；封建湖等人[11]提出了一种聚类融合交叉粒子群算法，通过K均值聚类来保存良性群体的极值位置，利用交叉和变异算子来增加粒子多样性，避免算法在早期就陷入早熟收敛。
基于以上研究，本文提出在粒子种群初始化阶段引入混沌映射理论，同时采用动态多种群并行策略来进行改进，从而得到混沌动态多种群粒子群（Chaotic Dynamic Multi population Particle Swarm Optimization，CDMPSO）算法，最后通过进行大量的仿真实验来验证改进算法的可行性。
本文详细内容请下载：
http://www.chinaaet.com/resource/share/2000005952
作者信息：
王友运1，徐坚磊2，胡燕海1，陈海辉2，张行2
（1.宁波大学 机械工程与力学学院，浙江 宁波 315211；2.宁波航工智能装备有限公司，浙江 宁波 315311）
