第2期 李擎等：一种基于遗传算法参数优化的改进人工势场法 ·205· 20.0r 。改进算法路径点 9 ◆基于CA的改进算法路径点 19.0 18.5 18.0 -5 18.5 17.0 2 16.5 0 1015 20.25 30 进化代数 12345678910 图6改进人工势场法参数整定过程中最优路径长度的变化 图8第二种U型槽时的路径规划 Fig.6 Change of the optimal path length in the parameters tuning Fig.8 Path planning in the second U-groove environment process of the improved artificial potential field method 文针对三种不同的U型槽情况，分别运用本文中提 取0=-30°，r=0.5时，路径长度为18.3.采用遗 出的改进算法以及基于遗传算法参数优化的改进算 传算法进行优化后的0=-50°，r=0.7,对应的最优 法进行路径规划. 路径长度为16.9. 3.1第一种U型槽情况 。改进算法路径点 针对如图7所示的第一种U型槽情况，随机选 9 +基于GA的改进算法路径点 取0=80°，r=0.6时路径长度为13.4.采用遗传算 8 法进行优化后0=60°，r=0.7,对应的最优路径长度 7 为12.1. 6 10「。改进算法路径点 9 ◆基于GA的改进算法路径点 345678910 图9第三种U型槽时的路径规划 Fig.9 Path planning in the third U-groove environment 3.4统计意义下的对比结果 2345678910 为了更好地说明遗传算法参数优化的作用，本 文在三种不同U型槽环境下分别将改进人工势场 图7第一种U型槽时的路径规划 Fig.7 Path planning in the first U-groove environment 法的参数0取为±15°、±30°、±45°、±60°和 ±75°，此时为了确保不出现再次回到局部最小的现 3.2第二种U型槽情况 象，r应取得较大一些，这里r取为固定值0.7，这10 针对如图8所示的第二种U型槽情况，随机选 种情况得到一个平均最优路径长度.考虑到遗传算 取0=60°，r=0.5时，路径长度为14.8.采用遗传 法初始参数选取的随机性，本文连续使用五次遗传 算法进行优化后0=20°，r=0.4,对应的最优路径长 算法进行参数优化，得到另一个平均最优路径长度， 度为13.1. 其结果如表1所示.从表1可以看出，基于遗传算 3.3第三种U型槽情况 法的改进人工势场法在一定程度上减小了路径规划 针对如图9所示的第三种U型槽情况，随机选 的长度第 2 期 李 擎等: 一种基于遗传算法参数优化的改进人工势场法 图 6 改进人工势场法参数整定过程中最优路径长度的变化 Fig． 6 Change of the optimal path length in the parameters tuning process of the improved artificial potential field method 文针对三种不同的 U 型槽情况，分别运用本文中提 出的改进算法以及基于遗传算法参数优化的改进算 法进行路径规划． 3. 1 第一种 U 型槽情况 针对如图 7 所示的第一种 U 型槽情况，随机选 取 θ = 80°，r = 0. 6 时路径长度为 13. 4． 采用遗传算 法进行优化后 θ = 60°，r = 0. 7，对应的最优路径长度 为 12. 1． 图 7 第一种 U 型槽时的路径规划 Fig． 7 Path planning in the first U-groove environment 3. 2 第二种 U 型槽情况 针对如图 8 所示的第二种 U 型槽情况，随机选 取 θ = 60°，r = 0. 5 时，路径长度为 14. 8． 采用遗传 算法进行优化后 θ = 20°，r = 0. 4，对应的最优路径长 度为 13. 1． 3. 3 第三种 U 型槽情况 针对如图 9 所示的第三种 U 型槽情况，随机选 图 8 第二种 U 型槽时的路径规划 Fig． 8 Path planning in the second U-groove environment 取 θ = － 30°，r = 0. 5 时，路径长度为 18. 3． 采用遗 传算法进行优化后的 θ = － 50°，r = 0. 7，对应的最优 路径长度为 16. 9． 图 9 第三种 U 型槽时的路径规划 Fig． 9 Path planning in the third U-groove environment 3. 4 统计意义下的对比结果 为了更好地说明遗传算法参数优化的作用，本 文在三种不同 U 型槽环境下分别将改进人工势场 法的 参 数 θ 取 为 ± 15°、± 30°、± 45°、± 60° 和 ± 75°，此时为了确保不出现再次回到局部最小的现 象，r 应取得较大一些，这里 r 取为固定值 0. 7，这 10 种情况得到一个平均最优路径长度． 考虑到遗传算 法初始参数选取的随机性，本文连续使用五次遗传 算法进行参数优化，得到另一个平均最优路径长度， 其结果如表 1 所示． 从表 1 可以看出，基于遗传算 法的改进人工势场法在一定程度上减小了路径规划 的长度． ·205·