基于改进自适应遗传算法的机器人路径规划

传统的遗传算法由于具有收敛速度较慢、局部搜索能力差等缺点,在解决机器人路径规划问题时所得解的质量不高.为了进一步提高规划效果,将路径的长度和拐点数量同时作为适应度评估指标,并对轮盘赌选择法进行了改进,设计了自适应交叉算子和变异算子,提出了一种新的自适应遗传算法.在栅格环境下进行了实验.结果表明,与传统遗传算法、某自适应遗传算法相比,该算法平均最短路径分别缩短了9.90％和5.37％,路径的拐点数量和算法收敛的迭代次数更少,验证了优化的效果.