基于自适应调整哈里斯鹰优化算法求解机器人路径规划问题

doi:10.11772/j.issn.1001-9081.2022121847

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (12): 3840-3847.DOI: 10.11772/j.issn.1001-9081.2022121847

所属专题：先进计算

基于自适应调整哈里斯鹰优化算法求解机器人路径规划问题

黄霖¹, 符强¹^,²(), 童楠²

^1.宁波大学信息科学与工程学院，浙江宁波 315000
^2.宁波大学科学技术学院信息工程学院，浙江宁波 315300

收稿日期:2022-12-13 修回日期:2023-03-03 接受日期:2023-03-06 发布日期:2023-03-27 出版日期:2023-12-10
通讯作者: 符强
作者简介:黄霖（1997—），男，江西赣州人，硕士研究生，主要研究方向：群智能算法、机器学习
符强（1975—），男，江西赣州人，副教授，博士，CCF会员，主要研究方向：群智能算法、机器学习；Email：fuqiang@nbu.edu.cn
童楠（1981—），女，浙江绍兴人，讲师，硕士，主要研究方向：路径规划、群智能算法。
基金资助:
宁波市自然科学基金资助项目(2021J135)

Solving robot path planning problem by adaptively adjusted Harris hawk optimization algorithm

Lin HUANG¹, Qiang FU¹^,²(), Nan TONG²

^1.School of Information Science and Engineering，Ningbo University，Ningbo Zhejiang 315000，China
^2.School of Information Engineering，College of Science and Technology Ningbo University，Ningbo Zhejiang 315300，China

Received:2022-12-13 Revised:2023-03-03 Accepted:2023-03-06 Online:2023-03-27 Published:2023-12-10
Contact: Qiang FU
About author:HUANG Lin， born in 1997， M.S. candidate. His research interests include swarm intelligence algorithm， machine learning.
TONG Nan， born in 1981， M.S.， lecturer. Her research interests include path planning， swarm intelligence algorithm.
Supported by:
Ningbo Natural Science Foundation(2021J135)

摘要/Abstract

摘要：

针对启发式算法在机器人路径规划过程中存在路径长度不稳定和易陷入局部极小点的问题，提出一种基于自适应调整哈里斯鹰优化（AAHHO）算法。首先，利用收敛因子调整策略，调节全局搜索阶段和局部搜索阶段的平衡，同时利用自然常数为底数，提高搜索效率和收敛精度；其次，在全局搜索阶段，采用精英合作引导搜索策略，通过3个精英哈里斯鹰合作引导其他个体更新位置以提高搜索性能，通过3个最优位置加强种群间的信息交流；最后，通过模拟种内竞争策略增强哈里斯鹰跳出局部最优的能力。函数测试和机器人路径规划对比实验结果表明，所提算法无论是函数测试还是机器人路径规划都优于IHHO（Improve Harris Hawk Optimization）和CHHO（Chaotic Harris Hawk Optimization）等对比算法，对于求解机器人的路径规划具有较好的有效性、可行性和稳定性。

关键词: 机器人, 路径规划, 哈里斯鹰优化算法, 收敛因子调整, 精英合作引导搜索, 种内竞争

Abstract:

Aiming at the problem that the heuristic algorithms have unstable path lengths and are easy to fall into local minimum in the process of robot path planning， an Adaptively Adjusted Harris Hawk Optimization （AAHHO） algorithm was proposed. Firstly， the convergence factor adjustment strategy was used to adjust the balance between the global search stage and the local search stage， and the natural constant was used as the base to improve the search efficiency and convergence accuracy. Then， in the global search phase， the elite cooperation guided search strategy was adopted， by three elite Harris hawks cooperatively guiding other individuals to update the positions， so that the search performance was enhanced， and the information exchange among the populations was enhanced through the three optimal positions. Finally， by simulating the intraspecific competition strategy， the ability of the Harris hawks to jump out of the local optimum was improved. The comparative experimental results of function testing and robot path planning show that the proposed algorithm is superior to comparison algorithms such as IHHO（Improve Harris Hawk Optimization） and CHHO（Chaotic Harris Hawk Optimization）， in both function testing and path planning， and it has better effectiveness， feasibility and stability in robot path planning.

Key words: robot, path planning, Harris Hawk Optimization (HHO) algorithm, convergence factor adjustment, elite cooperation guided search, intraspecific competition

中图分类号:

TP242

黄霖, 符强, 童楠. 基于自适应调整哈里斯鹰优化算法求解机器人路径规划问题[J]. 计算机应用, 2023, 43(12): 3840-3847.

Lin HUANG, Qiang FU, Nan TONG. Solving robot path planning problem by adaptively adjusted Harris hawk optimization algorithm[J]. Journal of Computer Applications, 2023, 43(12): 3840-3847.

图/表 6

图1 逃逸能量对比

Fig. 1 Escape energy contrast

表1 测试函数

Tab. 1 Test functions

函数类型	函数公式	维度	取值范围	最优值
单峰函数	$f 1 (x) = ∑ i = 1 n x i 2$	30	［-100，100］	0
	$f 2 (x) = ∑ i = 1 n x i + ∏ i = 1 n x i$	30	［-10，10］	0
	$f 3 (x) = m a x i x i, 1 ≤ i ≤ n$	30	［-100，100］	0
	$f 4 (x) = ∑ i = 1 n - 1 100 (x i + 1 - x i 2) 2 + (x i - 1) 2$	30	［-30，30］	0
	$f 5 (x) = ∑ i = 1 n ([x i + 0.5]) 2$	30	［-100，100］	0
	$f 6 (x) = ∑ i = 1 n i x i 4 + r a n d o m [0,1)$	30	［-128，128］	0
多峰函数	$f 7 (x) = ∑ i = 1 n - x i s i n x i$	30	［-500，500］	-418.982 9×n
	$f 8 (x) = - 20 e x p - 0.2 1 n ∑ i = 1 n x i 2 - e x p 1 n ∑ i = 1 n c o s (2 π x i) + 20 + e$	30	［-32，32］	0
	$f 9 (x) = 1 4 000 ∑ i = 1 n x i 2 - ∏ i = 1 n c o s x i / i + 1$	30	［-600，600］	0
	$f 10 (x) = π n 10 s i n (π y 1) + ∑ i = 1 n - 1 (y i - 1) 2 [1 + 10 s i n 2 π y i + 1)] + (y n - 1) 2 + ∑ i = 1 n u (x i, 10,100,4); y i = 1 + x i + 1 4, u (x i, a, k, m) = k (x i - a) m, x i > a 0, - a ≤ x i ≤ a k (- x i - a) m, x i < - a$	30	［-50，50］	0
	$f 11 (x) = 0.1 s i n 2 (3 π x 1) + ∑ i = 1 n (x i - 1) 2 [1 + s i n 2 (3 π x i + 1)] + (x n - 1) 2 [1 + {s i n 2 (2 π x n)] + ∑ i = 1 n u (x i, 5,100,4)$	30	［-50，50］	0
	$f 12 (x) = 1500 + ∑ j = 1 25 1 j + ∑ i = 1 2 (x i - a i j) 6 - 1$	2	［-65，65］	1
	$f 13 (x) = ∑ i = 1 11 a - i x 1 (b i 2 + b i x 2) b i 2 + b i x 3 + x 4 2$	4	［-5，5］	0.000 3
	$f 14 (x) = 4 x 12 - 2.1 x 14 + 13 x 16 + x 1 x 2 - 4 x 22 + 4 x 24$	2	［-5，5］	-1.031 6
	$f 15 (x) = - ∑ i = 1 10 [(X - a i) (X - a i) T + c i] - 1$	4	［0，10］	-10.536 3

表1 测试函数

Tab. 1 Test functions

函数类型	函数公式	维度	取值范围	最优值
单峰函数	$f 1 (x) = ∑ i = 1 n x i 2$	30	［-100，100］	0
	$f 2 (x) = ∑ i = 1 n x i + ∏ i = 1 n x i$	30	［-10，10］	0
	$f 3 (x) = m a x i x i, 1 ≤ i ≤ n$	30	［-100，100］	0
	$f 4 (x) = ∑ i = 1 n - 1 100 (x i + 1 - x i 2) 2 + (x i - 1) 2$	30	［-30，30］	0
	$f 5 (x) = ∑ i = 1 n ([x i + 0.5]) 2$	30	［-100，100］	0
	$f 6 (x) = ∑ i = 1 n i x i 4 + r a n d o m [0,1)$	30	［-128，128］	0
多峰函数	$f 7 (x) = ∑ i = 1 n - x i s i n x i$	30	［-500，500］	-418.982 9×n
	$f 8 (x) = - 20 e x p - 0.2 1 n ∑ i = 1 n x i 2 - e x p 1 n ∑ i = 1 n c o s (2 π x i) + 20 + e$	30	［-32，32］	0
	$f 9 (x) = 1 4 000 ∑ i = 1 n x i 2 - ∏ i = 1 n c o s x i / i + 1$	30	［-600，600］	0
	$f 10 (x) = π n 10 s i n (π y 1) + ∑ i = 1 n - 1 (y i - 1) 2 [1 + 10 s i n 2 π y i + 1)] + (y n - 1) 2 + ∑ i = 1 n u (x i, 10,100,4); y i = 1 + x i + 1 4, u (x i, a, k, m) = k (x i - a) m, x i > a 0, - a ≤ x i ≤ a k (- x i - a) m, x i < - a$	30	［-50，50］	0
	$f 11 (x) = 0.1 s i n 2 (3 π x 1) + ∑ i = 1 n (x i - 1) 2 [1 + s i n 2 (3 π x i + 1)] + (x n - 1) 2 [1 + {s i n 2 (2 π x n)] + ∑ i = 1 n u (x i, 5,100,4)$	30	［-50，50］	0
	$f 12 (x) = 1500 + ∑ j = 1 25 1 j + ∑ i = 1 2 (x i - a i j) 6 - 1$	2	［-65，65］	1
	$f 13 (x) = ∑ i = 1 11 a - i x 1 (b i 2 + b i x 2) b i 2 + b i x 3 + x 4 2$	4	［-5，5］	0.000 3
	$f 14 (x) = 4 x 12 - 2.1 x 14 + 13 x 16 + x 1 x 2 - 4 x 22 + 4 x 24$	2	［-5，5］	-1.031 6
	$f 15 (x) = - ∑ i = 1 10 [(X - a i) (X - a i) T + c i] - 1$	4	［0，10］	-10.536 3

表2 6种算法在固定迭代次数下寻优结果比较

Tab. 2 Comparison of optimization results of six algorithms under fixed number of iterations

测试函数	指标	HSCA	TGWO	HHO	IHHO	CHHO	AAHHO
$f 1$	AVG	8.84E-07	2.56E-299	2.44E-95	4.76E-99	9.52E-128	0
$f 1$	STD	4.60E-06	9.89E-299	9.05E-95	2.16E-98	4.59E-127	0
$f 2$	AVG	1.78E-06	1.68E-164	6.77E-49	9.75E-48	8.32E-68	0
$f 2$	STD	4.76E-06	2.69E-164	1.41E-49	2.05E-48	1.75E-68	0
$f 3$	AVG	4.13E-07	4.16E-150	3.67E-49	6.10E-48	1.70E-63	3.30E-175
$f 3$	STD	1.06E-06	2.26E-150	1.17E-49	2.14E-47	9.15E-63	4.31E-184
$f 4$	AVG	8.75E+00	2.83E+01	1.02E-02	1.35E+00	1.22E-02	8.01E-04
$f 4$	STD	9.27E-02	3.34E-01	1.24E-02	7.42E-01	1.77E-02	1.27E-03
$f 5$	AVG	6.07E-04	5.40E+00	3.12E-04	1.04E-02	3.09E-04	2.84E-05
$f 5$	STD	2.95E-04	1.87E-01	3.14E-04	5.81E-03	2.27E-04	2.92E-05
$f 6$	AVG	2.64E-04	8.98E-05	1.22E-04	3.86E-04	9.64E-05	4.75E-05
$f 6$	STD	6.32E-04	8.57E-05	1.41E-04	4.70E-04	7.15E-05	3.33E-05
$f 7$	AVG	-2.54E+03	-2.36E+03	-1.24E+04	-1.12E+04	-8.57E+03	-1.26E+04
$f 7$	STD	4.23E+02	2.96E+02	8.52E+02	1.75E+03	2.14E+03	1.41E-02
$f 8$	AVG	1.07E-05	8.88E-16	8.88E-16	8.88E-16	8.88E-16	8.88E-16
$f 8$	STD	4.45E-05	0	0	0	0	0
$f 9$	AVG	4.70E-02	0	0	0	0	0
$f 9$	STD	1.57E-01	0	0	0	0	0
$f 10$	AVG	1.31E-04	7.47E-01	1.14E-05	4.98E-04	7.03E-05	2.11E-06
$f 10$	STD	1.55E-04	5.74E-02	2.10E-05	3.60E-04	8.73E-05	2.41E-06
$f 11$	AVG	1.23E-02	2.65E+00	1.34E-04	7.20E-03	6.24E-04	2.14E-05
$f 11$	STD	6.33E-02	5.79E-02	1.73E-04	7.98E-03	1.58E-03	2.11E-05
$f 12$	AVG	1.88E+00	3.85E+00	1.22E+00	2.74E+00	2.43E+00	9.98E-01
$f 12$	STD	1.05E+00	2.59E+00	4.38E-01	3.42E+00	1.65E+00	2.70E-04
$f 13$	AVG	4.56E-04	5.54E-04	3.57E-04	3.97E-04	4.99E-04	3.38E-04
$f 13$	STD	3.92E-04	1.29E-04	4.94E-05	1.23E-04	2.95E-04	3.70E-05
$f 14$	AVG	-1.0316	-1.0316	-1.0316	-1.0316	-1.0316	-1.0316
	STD	0	0	0	0	0	0
	STD	0	4.97E-04	0	0	0	0
$f 15$	AVG	-7.17E+00	-3.88E+00	-5.21E+00	-7.74E+00	-5.30E+00	-1.05E+01
$f 15$	STD	2.49E+00	6.11E-01	1.13E+00	2.75E+00	1.96E+00	1.39E-02

表2 6种算法在固定迭代次数下寻优结果比较

Tab. 2 Comparison of optimization results of six algorithms under fixed number of iterations

测试函数	指标	HSCA	TGWO	HHO	IHHO	CHHO	AAHHO
$f 1$	AVG	8.84E-07	2.56E-299	2.44E-95	4.76E-99	9.52E-128	0
$f 1$	STD	4.60E-06	9.89E-299	9.05E-95	2.16E-98	4.59E-127	0
$f 2$	AVG	1.78E-06	1.68E-164	6.77E-49	9.75E-48	8.32E-68	0
$f 2$	STD	4.76E-06	2.69E-164	1.41E-49	2.05E-48	1.75E-68	0
$f 3$	AVG	4.13E-07	4.16E-150	3.67E-49	6.10E-48	1.70E-63	3.30E-175
$f 3$	STD	1.06E-06	2.26E-150	1.17E-49	2.14E-47	9.15E-63	4.31E-184
$f 4$	AVG	8.75E+00	2.83E+01	1.02E-02	1.35E+00	1.22E-02	8.01E-04
$f 4$	STD	9.27E-02	3.34E-01	1.24E-02	7.42E-01	1.77E-02	1.27E-03
$f 5$	AVG	6.07E-04	5.40E+00	3.12E-04	1.04E-02	3.09E-04	2.84E-05
$f 5$	STD	2.95E-04	1.87E-01	3.14E-04	5.81E-03	2.27E-04	2.92E-05
$f 6$	AVG	2.64E-04	8.98E-05	1.22E-04	3.86E-04	9.64E-05	4.75E-05
$f 6$	STD	6.32E-04	8.57E-05	1.41E-04	4.70E-04	7.15E-05	3.33E-05
$f 7$	AVG	-2.54E+03	-2.36E+03	-1.24E+04	-1.12E+04	-8.57E+03	-1.26E+04
$f 7$	STD	4.23E+02	2.96E+02	8.52E+02	1.75E+03	2.14E+03	1.41E-02
$f 8$	AVG	1.07E-05	8.88E-16	8.88E-16	8.88E-16	8.88E-16	8.88E-16
$f 8$	STD	4.45E-05	0	0	0	0	0
$f 9$	AVG	4.70E-02	0	0	0	0	0
$f 9$	STD	1.57E-01	0	0	0	0	0
$f 10$	AVG	1.31E-04	7.47E-01	1.14E-05	4.98E-04	7.03E-05	2.11E-06
$f 10$	STD	1.55E-04	5.74E-02	2.10E-05	3.60E-04	8.73E-05	2.41E-06
$f 11$	AVG	1.23E-02	2.65E+00	1.34E-04	7.20E-03	6.24E-04	2.14E-05
$f 11$	STD	6.33E-02	5.79E-02	1.73E-04	7.98E-03	1.58E-03	2.11E-05
$f 12$	AVG	1.88E+00	3.85E+00	1.22E+00	2.74E+00	2.43E+00	9.98E-01
$f 12$	STD	1.05E+00	2.59E+00	4.38E-01	3.42E+00	1.65E+00	2.70E-04
$f 13$	AVG	4.56E-04	5.54E-04	3.57E-04	3.97E-04	4.99E-04	3.38E-04
$f 13$	STD	3.92E-04	1.29E-04	4.94E-05	1.23E-04	2.95E-04	3.70E-05
$f 14$	AVG	-1.0316	-1.0316	-1.0316	-1.0316	-1.0316	-1.0316
	STD	0	0	0	0	0	0
	STD	0	4.97E-04	0	0	0	0
$f 15$	AVG	-7.17E+00	-3.88E+00	-5.21E+00	-7.74E+00	-5.30E+00	-1.05E+01
$f 15$	STD	2.49E+00	6.11E-01	1.13E+00	2.75E+00	1.96E+00	1.39E-02

图2 15个基准函数收敛曲线

Fig. 2 Convergence curves of 15 benchmark functions

图3 不同场景的路径规划和收敛曲线对比

Fig.3 Comparison of path plannings and convergence curves for different scenes

表3 6种算法在不同场景下的路径比较

Tab.3 Path comparison of six algorithms in different scenarios

场景	算法	最优值	最差值	平均值	方差
场景一	HSCA	5.727 2	7.281 9	6.170 7	0.395 6
	TGWO	5.704 6	5.916 8	5.809 4	0.005 7
	HHO	5.671 6	6.531 9	5.849 0	0.101 5
	IHHO	5.669 6	6.428 3	5.817 7	0.069 1
	CHHO	5.669 6	6.368 8	5.760 0	0.045 1
	AAHHO	5.671 0	5.678 2	5.673 2	5.27E-06
场景二	HSCA	9.142 1	10.939 9	9.869 7	0.783 5
	TGWO	8.868 9	11.152 3	9.560 8	1.139 4
	HHO	8.721 0	10.933 0	9.869 6	1.501 6
	IHHO	8.727 5	9.273 6	8.967 0	0.062 6
	CHHO	8.630 2	10.779 3	9.429 8	0.884 0
	AAHHO	8.639 7	8.872 9	8.756 5	0.010 5

参考文献 26

1	DENG X， LI R， ZHAO L， et al. Multi-obstacle path planning and optimization for mobile robot［J］. Expert Systems with Applications， 2021， 183： 115445. 10.1016/j.eswa.2021.115445
2	徐小强，王明勇，冒燕.基于改进人工势场法的移动机器人路径规划［J］.计算机应用，2020，40（12）：3508-3512. 10.11772/j.issn.1001-9081.2020050640
	XU X Q， WANG M Y， MAO Y.Path planning of mobile robot based on improved artificial potential field method ［J］. Journal of Computer Applications， 2020，40 （12）： 3508-3512. 10.11772/j.issn.1001-9081.2020050640
3	HUANG H， LI Y， BAI Q. An improved A star algorithm for wheeled robots path planning with jump points search and pruning method ［J］. Complex Engineering Systems， 2022， 2（3）： 11. 10.20517/ces.2022.12
4	李伟，金世俊.基于人工势场法和启发式采样的最优路径收敛方法［J］.计算机应用，2021，41（10）：2912-2918. 10.11772/j.issn.1001-9081.2020122021
	LI W， JIN S J. Optimal path convergence method based on artificial potential field method and informed sampling ［J］. Journal of Computer Applications， 2021，41（10）： 2912-2918. 10.11772/j.issn.1001-9081.2020122021
5	刘志强，何丽，袁亮，等.采用改进灰狼算法的移动机器人路径规划［J］.西安交通大学学报，2022，56（10）：49-60. 10.7652/xjtuxb202210005
	LIU Z Q， HE L， YUAN L， et al. Path planning of mobile robot based on TGWO algorithm ［J］. Journal of Xi’an Jiaotong University， 2022，56（10）： 49-60. 10.7652/xjtuxb202210005
6	WANG J， LIU J， CHEN W， et al. Robot path planning via neural-network-driven prediction［J］. IEEE Transactions on Artificial Intelligence， 2021， 3（3）： 451-460. 10.1109/tai.2021.3119890
7	WU P， CAO Y， HE Y， et al. Vision-based robot path planning with deep learning［C］// Proceedings of the 11th International Conference on Computer Vision Systems. Cham： Springer， 2017： 101-111. 10.1007/978-3-319-68345-4_9
8	ABDI A， ADHIKARI D， PARK J H. A novel hybrid path planning method based on Q-learning and neural network for robot arm ［J］. Applied Sciences， 2021， 11（15）： 6770. 10.3390/app11156770
9	马莹莹，杜暖男.基于改进正余弦算法的机器人路径规划［J］.重庆交通大学学报（自然科学版），2021，40（9）：17-23. 10.3969/j.issn.1674-0696.2021.09.03
	MA Y Y， DU N N. Robot path planning based on the improved sine cosine algorithm ［J］. Journal of Chongqing Jiaotong University （Natural Sciences）， 2021，40 （9）： 17-23. 10.3969/j.issn.1674-0696.2021.09.03
10	刘景森，吉宏远，李煜.基于改进蝙蝠算法和三次样条插值的机器人路径规划［J］.自动化学报，2021，47（7）：1710-1719.
	LIU J S， JI H Y， LI Y. Robotic path planning based on improved bat algorithm and cubic spline interpolation ［J］. Acta Automatica Sinica， 2021，47 （7）： 1710-1719.
11	HEIDARI A A， MIRJALILI S， FARIS H， et al. Harris hawks optimization： algorithm and applications ［J］. Future Generation Computer Systems， 2019， 97： 849-872. 10.1016/j.future.2019.02.028
12	LIU C. An improved Harris hawks optimizer for job-shop scheduling problem［J］. The Journal of Supercomputing， 2021， 77： 14090-14129. 10.1007/s11227-021-03834-0
13	JIA H， LANG C， OLIVA D， et al. Dynamic Harris hawks optimization with mutation mechanism for satellite image segmentation ［J］. Remote Sensing， 2019， 11（12）： 1421. 10.3390/rs11121421
14	GOLILARZ N A， MIRMOZAFFARI M， GASHTEROODKHANI T A， et al. Optimized wavelet-based satellite image de-noising with multi-population differential evolution-assisted Harris hawks optimization algorithm［J］. IEEE Access， 2020， 8： 133076-133085. 10.1109/access.2020.3010127
15	JIA H， PENG X， KANG L， et al. Pulse coupled neural network based on Harris hawks optimization algorithm for image segmentation ［J］. Multimedia Tools and Applications， 2020， 79： 28369-28392. 10.1007/s11042-020-09228-3
16	BANDYOPADHYAY R， KUNDU R， OLIVA D， et al. Segmentation of brain MRI using an altruistic Harris hawks’ optimization algorithm［J］. Knowledge-Based Systems， 2021， 232： 107468. 10.1016/j.knosys.2021.107468
17	CAMPBELL M O N. The Great Eagles： Their Evolution， Ecology and Conservation ［M］. Boca Raton： CRC Press， 2022：347-363. 10.1201/b21921-8
18	TURABIEH H， AZWARI S A， ROKAYA M， et al. Enhanced Harris hawks optimization as a feature selection for the prediction of student performance ［J］. Computing， 2021， 103： 1417-1438. 10.1007/s00607-020-00894-7
19	ABDEL-BASSET M， DING W， EL-SHAHAT D. A hybrid Harris hawks optimization algorithm with simulated annealing for feature selection ［J］. Artificial Intelligence Review， 2021， 54： 593-637. 10.1007/s10462-020-09860-3
20	SIHWAIL R， OMAR K， ARIFFIN K A Z， et al. Improved Harris hawks optimization using elite opposition-based learning and novel search mechanism for feature selection ［J］. IEEE Access， 2020， 8： 121127-121145. 10.1109/access.2020.3006473
21	AL-SAFI H， MUNILLA J， RAHEBI J. Patient privacy in smart cities by blockchain technology and feature selection with Harris Hawks Optimization （HHO） algorithm and machine learning ［J］. Multimedia Tools and Applications， 2022， 81： 8719-8743. 10.1007/s11042-022-12164-z
22	ZHANG Y， LIU R， WANG X， et al. Boosted binary Harris hawks optimizer and feature selection ［J］. Engineering with Computers， 2021， 37： 3741-3770. 10.1007/s00366-020-01028-5
23	CHAKRABORTY A， KAR A K. Swarm intelligence： a review of algorithms ［M］// Nature-Inspired Computing and Optimization 10. Cham： Springer， 2017： 475-494. 10.1007/978-3-319-50920-4_19
24	BARTHELEMY P， BERTOLOTTI J， WIERSMA D S. A Lévy flight for light ［J］. Nature， 2008， 453： 495-498. 10.1038/nature06948
25	GEZICI H， LIVATYALI H. Chaotic Harris hawks optimization algorithm ［J］. Journal of Computational Design and Engineering， 2022， 9（1）： 216-245. 10.1093/jcde/qwab082
26	刘景森，袁蒙蒙，李煜.基于改进的樽海鞘群算法求解机器人路径规划问题［J］.计算机研究与发展，2022，59（6）：1297-1314. 10.7544/issn1000-1239.20201016
	LIU J S， YUAN M M， LI Y. Robot path planning based on improved salp swarm algorithm ［J］. Journal of Computer Research and Development， 2022，59（6）： 1297-1314. 10.7544/issn1000-1239.20201016

[1]	何浩东, 符浩, 王强, 周帅, 刘伟. 基于深度强化学习的多机器人路径跟随与编队[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2626-2633.
[2]	马天, 席润韬, 吕佳豪, 曾奕杰, 杨嘉怡, 张杰慧. 基于深度强化学习的移动机器人三维路径规划方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2055-2064.
[3]	胡映, 陈志环. 侧滑和打滑下的轮式移动机器人轨迹跟踪控制[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2294-2300.
[4]	田润泽, 周宇龙, 朱洪, 薛岗. 基于局部信息的服务迁移路径选择算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2168-2174.
[5]	唐睿, 岳士博, 张睿智, 刘川, 庞川林. UAV协助下非正交多址接入使能的数据采集系统中能效优化机制[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1209-1218.
[6]	李建强, 何舟. 面向多行程取送货车辆路径问题的混合NSGA-Ⅱ[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1187-1194.
[7]	黄海新, 于广威, 程寿山, 李春明. 基于改进灰狼优化的桥梁检测爬壁机器人全覆盖路径规划[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 966-971.
[8]	邓辅秦, 官桧锋, 谭朝恩, 付兰慧, 王宏民, 林天麟, 张建民. 基于请求与应答通信机制和局部注意力机制的多机器人强化学习路径规划方法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 432-438.
[9]	李源潮, 陶重犇, 王琛. 基于最大熵深度强化学习的双足机器人步态控制方法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 445-451.
[10]	宋紫阳, 李军怀, 王怀军, 苏鑫, 于蕾. 基于路径模仿和SAC强化学习的机械臂路径规划算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 439-444.
[11]	邓辅秦, 谭朝恩, 黎俊炜, 钟家铭, 付兰慧, 张建民, 王宏民, 李楠楠, 姜炳春, 林天麟. 面向大型仓储环境的基于冲突搜索算法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3854-3860.
[12]	孙鉴, 马宝全, 吴隹伟, 杨晓焕, 武涛, 陈攀. 地震场景下无人机群路径规划与任务分配均衡联合优化[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3232-3239.
[13]	乔恩保, 高向阳, 程俊. 基于支持向量机的自恢复自适应蒙特卡洛定位算法[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3246-3251.
[14]	朱东莹, 钟勇, 杨观赐, 李杨. 动态环境下视觉定位与建图的运动分割研究进展[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2537-2545.
[15]	王一, 谢杰, 程佳, 豆立伟. 基于深度学习的RGB图像目标位姿估计综述[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2546-2555.

基于自适应调整哈里斯鹰优化算法求解机器人路径规划问题

Solving robot path planning problem by adaptively adjusted Harris hawk optimization algorithm

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 26

相关文章 15

编辑推荐

Metrics