基于差分扰动HBO算法的巡检机器人路径规划OA

针对巡检机器人需在电站复杂环境下多任务点遍历巡检路径规划问题,提出一种多策略差分扰动机制改进的堆优化(Heap-Based Optimizer,HBO)算法。对不同个体实行差异化的扰动策略,增强新解的多样性。针对巡检任务起终点一致的特性,使用交错同步搜索策略,双种群各执行一半搜索任务,降低了搜索时间,提高了收敛速度。环境建模引入了无限邻域机制,可搜索邻域个数变为连续任意方向,减少了转折点数,使用四阶最小Snap平滑算法平滑整体路径,增大路径平顺度,满足机器人动力学特性。经仿真对比,改进后HBO算法在多任务点遍历巡检任务中性能提升明显,相对于改进前HBO算法和对比的混合粒子群灰狼(Hybrid Gray Wolf Optimizer with Particle Swarm Optimization,HGWOP)算法的步数最低,路径最平滑,最优路径分别缩短了11.1%和20.0%,平均迭代次数分别降低了25.78%和10.53%。