基于改进河马优化算法的全向移动机器人路径规划方法

《Robotics》：Path Planning Method for Omnidirectional Mobile Robots Based on an Improved Hippopotamus Optimization Algorithm

　　

为了应对复杂环境中移动机器人路径规划的低搜索精度和稳定性不足的问题，研究人员提出了一种改进的河马优化（Improved Hippopotamus Optimization, IHO）算法。在移动机器人航点规划过程中，在种群初始化阶段引入Tent混沌映射（Tent chaotic map），以改善搜索空间中个体分布的均匀性并增强种群多样性。在位置更新阶段，引入非线性自适应权重因子（adaptive weight factor），以动态平衡算法的全局探索和局部开发能力。在算法的第三阶段，引入透镜反向学习（Lens Opposition-Based Learning, LOBL）策略，通过对称映射和候选解的选择来提高全局优化性能。实验结果表明，与包括河马优化（Hippopotamus Optimization, HO）在内的六种基准算法相比，IHO在整体收敛速度和结果稳定性方面表现更优。在三种复杂障碍物环境中，IHO使机器人能够生成更接近全局最优的路径，证明了其在实际路径规划应用中的有效性。

**论文解读：基于改进河马优化算法的全向移动机器人路径规划方法**

**研究背景与问题**

随着自动化和计算机技术的快速发展，移动机器人在农业生产、工业自动化和应急救援等领域的应用日益广泛。路径规划作为自主运动的关键技术，其目标是在复杂或未知环境中生成安全、可行且路径长度短的轨迹。路径规划方法的质量直接影响机器人的效率和环境适应能力，因此高效稳定的路径规划方法具有重要的理论价值和工程意义。传统路径规划方法（如Dijkstra算法、A*算法、快速随机扩展树和动态窗口法）在简单环境中表现出较高效率，但在复杂环境中面临计算量大、实时性差等问题。群智能优化算法（如粒子群优化、鲸鱼优化算法、灰狼优化器和哈里斯鹰优化）因具备良好的环境适应性和快速计算能力而被引入机器人路径规划。其中，河马优化（HO）算法具有收敛快、解精度高、适应性强等优点，已在多个领域得到应用，但其全局搜索能力不足，容易陷入局部最优。为此，研究人员针对全向移动机器人路径规划问题，提出了一种改进的河马优化（IHO）算法，以突破HO算法的局限性。本研究发表在《Robotics》。

**研究内容与贡献**

研究人员提出IHO算法，通过Tent混沌映射、非线性自适应权重因子和透镜反向学习策略对原始HO算法进行改进。实验在标准基准函数和二维栅格地图上进行，验证了IHO在移动机器人路径规划中的有效性。与六种基准算法（包括HO）相比，IHO在收敛速度、结果稳定性和路径质量上均表现出优势，为复杂环境下的路径规划提供了新的解决方案。

**主要技术方法**

（1）**Tent混沌映射**：在种群初始化阶段引入，用以生成更均匀的初始个体分布，增强种群多样性，提升全局探索能力。参数μ设为0.5以最大化遍历性。

（2）**非线性自适应权重因子**：采用分段指数型权重函数，在前期保持较大权重以加强全局搜索，后期快速减小以促进局部开发，动态平衡探索与利用。

（3）**透镜反向学习策略**：基于透镜成像原理生成候选解的对称反向解，通过比较两者择优更新，提高算法跳出局部最优的能力，透镜因子m设为1.5以获得适度扰动。

**研究结果**

**4. 基准函数测试与结果分析**

**4.1 仿真平台**：Windows 11，Intel Core i9-12900H CPU，2.50 GHz，16 GB内存，Python 3.11。

**4.2 基准函数设置**：选取6个代表性基准函数（包含单峰、多峰和固定维度多峰函数），与粒子群优化（PSO）、蝙蝠算法（BA）、鲸鱼优化算法（WOA）、蜻蜓算法（DA）和哈里斯鹰优化（HHO）进行对比，种群规模16，最大迭代100次。

**4.3 基准函数结果与分析**：每个算法独立运行30次。结果显示，对于单峰函数，IHO在最优值、最差值、均值和标准差上均优于所有对比算法；对于多峰函数，IHO更接近理论最优且标准差更低；对于固定维度多峰函数，IHO同样优于多数对比算法，展现了优越的稳定性和精度。收敛曲线表明，IHO早期收敛快，后期持续稳定，有效避免局部最优。

**5. 全局路径规划实验结果与分析**

**5.1 实验设置**：采用二维栅格地图建模环境，使用八邻域运动模式并添加“禁止切角”约束。路径处理删除冗余节点，并进行障碍物膨胀处理以保证安全距离。

**5.2 路径规划结果与分析**：在三种不同障碍物分布的地图（对称、非对称、密集障碍）上，将IHO与HO、HHO、WOA、PSO比较（种群规模20，最大迭代30次）。结果显示，IHO规划的路径更紧凑、转弯点较少且路径长度更短。收敛曲线表明IHO早期快速下降，稳定迭代。经10次独立运行统计，IHO在三种环境下平均路径长度均最短：环境I中为79.2075，比HO短约11.9%；环境II中为73.1543，比HO短约15.2%；环境III中为73.1543，与HHO相同，比HO短约2.9%。标准差方面，IHO在环境II和III中达到0，表明极强稳定性。路径转弯点数量方面，IHO保持较低水平，路径连续性良好。虽然部分环境下IHO运行时间略高，但因其减少无效搜索，实际效率可接受。

**讨论与结论**

**讨论**：三个改进策略分别提升了初始种群均匀性、搜索平衡性和局部最优逃逸能力。Tent映射计算成本低且不破坏HO原有结构；自适应因子仅在前期和中期应用，避免后期过度收缩；透镜反向学习在第三阶段增强局部搜索。这些策略整体上提升了算法性能，但也带来一定计算开销，尤其在密集障碍环境中运行时间增加，但通过减少无效评估部分抵消。IHO在静态环境下表现优异，但对动态障碍的适应性有待提升。

**研究结论**：研究人员提出了一种改进的河马优化（IHO）算法，以解决复杂环境中移动机器人路径规划的低搜索精度和稳定性不足问题。在IHO中，引入Tent混沌映射以增强种群多样性和全局探索；非线性自适应权重因子平衡全局搜索与局部开发；透镜反向学习策略防止算法陷入局部最优，提升其鲁棒性。实验结果表明，与HO算法相比，IHO在解精度和稳定性上显著提升，且整体优化性能优于HHO等其他对比算法。在机器人路径规划仿真实验中，IHO在路径长度、收敛速度和结果稳定性方面表现更优，同时保持合理的路径转弯点数量，生成更短、更稳定且具有更好实际可执行性的路径。未来研究将进一步优化算法计算效率，集成动态环境感知和实时障碍物更新机制，将其扩展至动态场景和多机器人协同路径规划。