求解多目标点路径规划问题的离散头脑风暴算法

多目标点路径规划技术是移动机器人完成自主导航任务的前提与基础，其目的在于使移动机器人能在具有障碍物的环境中按照路径最短的评价标准寻找一条经过所有目标点的无碰撞路径[1]。在实际生产生活中为尽量减少往返于各个目标点之间所需的路程和能耗，则需要优化各个任务的执行顺序，即考虑移动机器人的多目标点路径规划问题[2-3],其求解方法主要有精确算法[4]和启发式算法[5-6]两类。精确算法主要用于解决规模相对较小的组合类优化问题，其计算时间往往随问题规模的增大呈爆炸式增长。启发式算法在可接受范围内给出问题的解，相比于精确算法，在处理大规模多目标点路径规划技术时，具有更高的鲁棒性、可行性[7]。因此国内外学者主要采用启发式算法对多目标点路径规划技术及其变体问题进行研究，并针对不同地图环境提出了多种优化方法[8-16]。文献[8]提出一种移动机器人多目标搜寻的D*–蚁群融合算法，计算出各目标点之间的最短避障距离，并将其作为评价依据规划出一条最优路径；文献[9]针对粒子群算法存在的早熟现象，将反向学习策略引入粒子群算法，并针对相应的惯性权重和学习因子进行改进。与传统的启发式算法相比，离散头脑风暴(discrete brain storm optimization, DBSO)算法[10]具有结构简单、设计参数少以及较强的搜索能力等优点，被广泛应用于无人机路径规划[11]、机器人定位建图[12]、多目标协同搜索范式[13]、多车型绿色车辆路径优化[14]、水面清理垃圾机器人[15]、变电站的巡检机器人[16]等领域。文献[13]通过在环境和机器人约束下，将机器人群中的成员与DBSO算法中的个体进行匹配，提出了一种基于机器人BSO的群体机器人协同搜索框架。文献[14]设计DBSO算法解决以系统总成本最小为目标的多目标绿色车辆路径优化模型。针对DBSO算法在解决多目标路径规划时易陷入局部最优而导致早熟收敛的问题，许多学者提出了不同的解决方案[17-18]