摘  要： 針對機器人路徑規(guī)劃中，應(yīng)用遺傳算法時容易陷入局部最優(yōu)解以及收斂速度較慢等問題,，設(shè)計出一種基于混沌遺傳算法的路徑規(guī)劃方法,。在基本遺傳算法的基礎(chǔ)上采用自適應(yīng)調(diào)整的選擇概率，并引入混沌操作,，從而增強移動機器人路徑規(guī)劃算法的魯棒性,，解決一般遺傳算法的早熟和收斂速度慢問題。經(jīng)MATLAB仿真,，證明該方法具有良好的避障性能,。
關(guān)鍵詞： 混沌；遺傳算法,；路徑規(guī)劃

　路徑規(guī)劃是按照某一性能指標搜索一條從起始狀態(tài)到目標狀態(tài)的最優(yōu)或近似最優(yōu)的無碰路徑,，機器人的路徑規(guī)劃是一個非線性問題，遺傳算法GA(Genetic Algorithm)可以求解此類問題,。但對于復雜的大型系統(tǒng),，GA仍然有一些缺陷[1-3]。為了避免這些問題,，不少人對遺傳算法的編碼方式和算法結(jié)構(gòu)等進行了改進[4],。Hussein A. Abdullah等[5]采用直角坐標法編碼，將浮點數(shù)表示的坐標點鏈接成染色體,，染色體為不定長,，這種方法具有良好的全局搜索性能，但路徑個體中途點坐標的可取值范圍過大,，路徑拐點多,；周明等[6]提出一種連續(xù)空間下基于遺傳算法的機器人路徑規(guī)劃方法，該方法先建立連通圖,，然后再使用遺傳算法逐步得到較優(yōu)的路線,，但對于復雜環(huán)境、障礙物數(shù)目較多的情況,，建立連通圖會有一定的困難,；羅熊[7]等設(shè)計了一種基于隨機指導式搜索策略的初始種群的快速有效生成方法，用于具有大量不規(guī)則障礙物的環(huán)境下的機器人路徑規(guī)劃,，取得很好的仿真效果,；馮琦[8]等提出了一種在極坐標環(huán)境下應(yīng)用遺傳算法求解機器人路徑規(guī)劃問題的方法，該方法采用簡捷有效的路徑染色體編碼方法和快速的個體適應(yīng)度計算方法,，并對生成的初始路徑點集進行提煉處理,，以剔除其中含有的不必要拐點。
　本文結(jié)合混沌優(yōu)化方法,，在基本遺傳算法的搜索機制上,，利用混沌優(yōu)化的遍歷性和遺傳算法優(yōu)化的反演性，提出了一種混沌遺傳算法CGA(Chaos Genetic Algorithm),。本算法通過設(shè)計編碼方式,、選擇概率以及加入操作算子來改進基本遺傳算法,，并在遺傳算法中引入混沌操作，將本算法運用于機器人路徑規(guī)劃中,，經(jīng)MATLAB仿真實驗,，證明此算法能夠有效的進行機器人路徑規(guī)劃。
1 混沌遺傳算法
　CGA的基本思想是利用混沌優(yōu)化策略的遍歷性生成較優(yōu)良的初始種群,，根據(jù)適者生存的原則,，對其進行選擇、雜交,、變異遺傳操作,，同時加入刪除和插入操作加快遺傳算法收斂速度，然后利用混沌的隨機性在種群中加入擾動,，避免遺傳算法的早熟收斂現(xiàn)象,，增強算法的魯棒性，通過不斷繁衍進化,，最后得到適合環(huán)境的較優(yōu)個體,。算法流程圖如圖1所示。

2 路徑規(guī)劃方法
2.1 基于地理信息的編碼
　如何將問題的解轉(zhuǎn)換為編碼表達的染色體,，在xoy坐標系中表示障礙物信息,，并利于后續(xù)約束條件下的優(yōu)化操作是遺傳算法的關(guān)鍵問題。在遺傳算法中,，對于固定的適應(yīng)度函數(shù),，編碼的長度和搜索空間的大小直接決定了在線的計算時間。因此必須設(shè)計一種簡捷實用的編碼技術(shù),，才能縮短規(guī)劃時間,，實現(xiàn)實時控制。在實際運動中,，路徑點是二維的,，如果能對路徑坐標點進行降維處理，必將大大提高計算速度,。因此本文采用了簡化編碼長度的技術(shù),，即把路徑的二維編碼簡化為一維編碼。編碼形式如圖2所示,。

　在xoy坐標系中,，機器人運動的起始點是(X1，Y1),，目標點是(Xn,，Yn)，把起始點和目標點按x坐標等分成n段，則每個點的坐標可表示為(Xi,，Yi)(i=1,，2，…,，n),。在初始化種群時,，由于x坐標被等分,，所以每個個體表示的路徑的區(qū)別僅僅是路徑的縱坐標不同，縱坐標y的改變可以使機器人避開障礙物并按照不同的路徑運動到目標點,。

2.3 基于約束條件的適應(yīng)度函數(shù)
　根據(jù)以上分析,，在機器人路徑規(guī)劃中適應(yīng)度函數(shù)需要滿足兩個條件：避障和路徑最短。假設(shè)障礙物的位置信息可由機器人的超聲波傳感器檢測到,，由此信息計算出機器人與障礙物的距離和夾角,，然后進行編碼，以直角坐標的形式表示在以機器人位置為原點的直角坐標系中,，若種群中個體包含障礙物坐標越多則適應(yīng)度越小,，反之就比較大，適應(yīng)度函數(shù)為f1,。評價路徑最短的適應(yīng)度函數(shù)為個體的前后基因的距離和,，距離越大則適應(yīng)度越小，反之就比較大,，適應(yīng)度函數(shù)為f2,。遺傳算法的適應(yīng)度函數(shù)可用如下關(guān)系表示：
 
其中(Xi，Yi)為個體基因,，n為基因個數(shù),，(xj，yj)為障礙物坐標,，m為障礙物個數(shù),。F是把2個約束條件有機結(jié)合起來的綜合適應(yīng)度函數(shù)，a和b為加權(quán)系數(shù),。
2.4 路徑規(guī)劃方法步驟
　(1)初始化參數(shù),。設(shè)定種群大小為npop，交叉概率為pc,，變異概率為pm,，最大迭代次數(shù)為counter。
　(2)環(huán)境建模,。此地圖信息建立在xoy坐標下的柵格,，將機器人傳感器獲得外界地理信息轉(zhuǎn)化為柵格坐標，包括障礙物的坐標點和非障礙物的坐標點。柵格大小以機器人自由轉(zhuǎn)身來確定,，若障礙物大小不滿一個柵格也占據(jù)一個柵格的坐標,。
　(3)種群初始化。首先隨機生成一維編碼的種群,，然后把此種群每個個體分別進行Logistic混沌映射,，產(chǎn)生的新個體的適應(yīng)值若大于原個體，則新個體替換原個體,，否則保留原個體,，經(jīng)混沌優(yōu)化后得到初始種群Gi(i=1，2,，…,，npop)。
　(4)進入循環(huán),。判斷循環(huán)次數(shù)是否滿足終止條件,，若滿足，則跳轉(zhuǎn)到步驟9,，否則執(zhí)行下一步,。
　(5)將種群進行混沌擾動。
?、俪跏蓟河秒S機方法產(chǎn)生新的種群Ci(i=1,，2，…,，cpop),，種群數(shù)量為cpop=pch×npop，其中pch為混沌擾動概率,。
?、趯⑸傻幕煦缧蛄蠧i映射到區(qū)間[0，1]內(nèi),，設(shè)mx為種群中最大基因值,，mi為種群中最小基因值，則01映射公式為CHi(Ci-mi)/(mx-mi),。
?、垡訡Hi為初始值，用Logistic映射得到序列CSi,，Logistic映射公式為CSi=μ×CHi×(1-CHi),，μ為混沌算子中的吸引算子。
?、芨鶕?jù)01映射公式作逆映射得到基因序列,，將此基因序列替換掉Gi種群中適應(yīng)度較高的個體,，形成新的Gi種群。
　(6)以混沌擾動后的個體為基準進行遺傳操作,。
?、佥啽P賭法選擇操作。選擇操作采用自適應(yīng)調(diào)整的選擇概率ps進行操作,，根據(jù)適應(yīng)度函數(shù)計算種群適應(yīng)度的平均值fmean和最優(yōu)個體的適應(yīng)值ftop,。ftop-fmean越大則表明個體適應(yīng)值差別較大，ftop-fmean越小則表明個體之間的適應(yīng)值差別較小,，說明此種群容易達到局部最優(yōu),，過早收斂的可能性越大。因此可以近似地用最優(yōu)個體的適應(yīng)值和平均適應(yīng)值之差來反映種群的收斂程度,。這樣選擇概率ps的自適應(yīng)計算公式表示為ps=c(ftop-fmean)/k,，其中k為算法迭代次數(shù)，c為比例系數(shù),。
　②交叉操作,。以設(shè)定好的交叉概率pc進行個體的交叉操作,，適應(yīng)度高的個體和適應(yīng)度低的個體進行交叉。首先找到兩個交叉?zhèn)€體的交叉點,，即相同的基因值,，然后從此基因開始交換兩個個體后面的基因。
?、圩儺惒僮?。變異操作目的是在個體結(jié)構(gòu)一定的前提下，加入隨機擾動,，以尋找最優(yōu)解,，以此來避免丟失一些有用的遺傳因子。具體操作是隨機產(chǎn)生一個[0,，1]空間的數(shù)值與Pm進行比較,，若小于Pm，則進行變異操作,，將變異后的個體替代原個體,；若隨機產(chǎn)生的隨機數(shù)大于Pm，則不做變換,。
　(7)對種群進行刪除和插入操作,。刪除操作通過刪除個體中包含的障礙物基因，可以使不可行路徑變?yōu)橐粭l可行的路徑,。插入操作即在不連續(xù)的路徑處插入基因使路徑成為一條連續(xù)可行的路徑,。
　(8)計算終止條件。終止條件包括迭代次數(shù)和適應(yīng)值，其中迭代次數(shù)加一,，并計算當前種群的適應(yīng)度函數(shù)值,，然后跳轉(zhuǎn)到步驟(4)。
　(9)進行輸出,，終止此次機器人行走的路徑規(guī)劃,。
3 仿真結(jié)果
　為了驗證本文提出的基于混沌遺傳算法的路徑規(guī)劃方法的有效性和正確性，在MATLAB7.0中對算法進行了仿真試驗,，仿真試驗的主要參數(shù)設(shè)置為：9×9矩形場地,，種群規(guī)模為50，交叉概率為0.8,，變異概率為0.1,，最大迭代次數(shù)為100，混沌吸引算子為4,。
　設(shè)定移動機器人運動的起始點為左下角柵格,，目標點為右上角柵格，這里用圓圈表示移動機器人走過的柵格,，用矩形表示障礙物,，SGA仿真實驗分別對基本遺傳算法(Simple Genetic Algorithm)和本文所設(shè)計的CGA進行仿真實驗，圖4給出其中一次應(yīng)用CGA的仿真結(jié)果,。

　基于混沌遺傳算法的移動機器人路徑規(guī)劃方法,，把遺傳算法和混沌優(yōu)化方法各自優(yōu)點結(jié)合起來，可以克服遺傳算法在求解可行解空間巨大的大范圍優(yōu)化問題時容易陷入局部最優(yōu)值的局限,，對提高路徑規(guī)劃的質(zhì)量和效率有較好的效果,。仿真結(jié)果說明混沌遺傳算法在移動機器人路徑規(guī)劃中的可行性和有效性。但在移動機器人運動過程中,，運動精度還有待提高,。
參考文獻
[1] ASHIRU I， CZARNECKI C,， ROUTENT. Characteristics of a genetic based approach to path planning for mobile robots[J]. Journal of Network and Computer Applications,， 1996，19： 149-159.
[2] 孫樹棟,，曲彥賓．遺傳算法在機器人路徑規(guī)劃中的應(yīng)用研究[J]．西北工業(yè)大學學報,，1998，16(1)：79-83．
[3] 陳剛,，沈林成．復雜環(huán)境下路徑規(guī)劃問題的遺傳路徑規(guī)劃方法[J]．機器人,，2001，23(1)：40-44．
[4] 章敬東,，劉小輝,，鄧飛其,，等．混沌優(yōu)化與遺傳算法的智能集成[J]．計算機工程與應(yīng)用，2003(17)：17-20．
[5] ABDULLAH H A,， AREIBI S. Mobile robots path planning optimization in static and dynamic environments[J]. Ahmed ELSHAMLI,， 2004， 12-15.
[6] 周明,，孫樹棟,，彭炎午．使用遺傳算法規(guī)劃移動機器人路徑[J]．西北工業(yè)大學學報，1998,，16(4)：581-583．
[7] 羅熊,，樊曉平，易最,，等．具有大量不規(guī)則障礙物的環(huán)境下機器人路徑規(guī)劃的一種新型遺傳算法[J]．機器人,，2004，26：23-24．
[8] 馮琦,，周德云．極坐標系下基于遺傳算法的路徑規(guī)劃方法[J]．機械科學與技術(shù),，2004，23(5)：45-48．