- · 《体育风尚》栏目设置[05/29]
- · 《体育风尚》收稿方向[05/29]
- · 《体育风尚》投稿方式[05/29]
- · 《体育风尚》征稿要求[05/29]
- · 《体育风尚》刊物宗旨[05/29]
来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。 一、投稿方式： 1、 请从 我刊官网 直接投稿 。 2、 请 从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。 二、稿件著作权： 1、 投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、 投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、 投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、 投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、 投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、 第5条所述之网络是指通过我刊官网。 7、 投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。
基于改进粒子群算法的足球机器人路径控制
作者:网站采编关键词:
摘要：1 引言 当前，在体育领域中，足球机器人运动成为一个热点。要在足球机器人运动中提高成绩，路径规划是其中的一个关键。所谓的路径规划是对机器人的运动轨迹进行规划，按照指定
1 引言
当前，在体育领域中，足球机器人运动成为一个热点。要在足球机器人运动中提高成绩，路径规划是其中的一个关键。所谓的路径规划是对机器人的运动轨迹进行规划，按照指定的轨迹运动。而路径规划的重点是算法。一个完善的路径规划的本质，就是不断的对当前机器人运动轨迹算法进行优化[1-2]。而对于当前的路径规划算法中，粒子群算法[3]、人工免疫算法[4-5]、蚁群算法[6-7]等被广泛的应用。同时采用组合算法对路径规划成为当前的一个趋势。本文则在以上基础上，提出一种改进的组合算法，并对其改进的效果进行验证，以此为机器人足球运动提供新的借鉴。
2 标准粒子群优化算法概述
2.1 基本原理
标准PSO 算法中，粒子的速度为Vi=（vi1，vi2，．．．，vin）；粒子当前位置为Xi=（xi1，xi2，xi3，．．．，xin）；算法中第i个粒子截止目前搜索到的最佳位置为Pbesti=（Pbesti1，Pbesti2，．．．，Pbestin）；整个粒子群检索到的最佳位置为Gbesti=（Gbesti1，Gbesti2，．．．，Gbestin）。具体的粒子进化方程为[8]：
具体标准粒子算法流程如图1所示。
图1 标准粒子算法流程
2.2 标准粒子群算法的缺陷
PSO算法（Particle Swarm Optimization）也被称作为粒子群优化算法，其本质上属于基于群体智能方法的迭代寻优技术。POS算法具备其他算法缺乏的特有搜索原理，在应用过程中能够达到极佳的收敛速度[9]。同时，该算法在应用过程中还剧本操作简便、应用广泛等特点，受到了工程优化等众多重要领域的广泛使用。但是，粒子群算法同样也具备随机搜索算法的普片不足，从而使该算法在实际应用的优化过程中具备一定的缺陷，这些缺陷主要包括以下几点：
（1）容易陷入局部极值点
POS 算法自身并不具备变异进化机制，在应用过程中主要以跟踪best P以及best G来对粒子进行更新。因此，当POS算法在单个粒子受到某个局部极值的影响时，该粒子难以逃脱局部极值的约束[10]。在粒子受到约束时，只有利用其它优秀粒子对其进行带领，才能使POS 算法的单个粒子摆脱局部极值。
（2）缺乏收敛精度
POS算法的显著缺陷在于收敛精度不高。
（3）算法易早熟
由于POS 算法自身具备高效的信息共享机制，使算法在应用过程中可能会导致粒子寻优使过分集中，从而使大量粒子涌现某个全局最优点中，最终导致算法早熟。
3 标准粒子群算法改进
粒子群算法在应用过程中虽然具备简单易实现、精度高以及收敛速度快等优点，但当其在开展进化运算工作时，由于算法进化具备极为明确的方向性，容易使算法种群多样性明显下降，从而导致算法的种类单一，极易陷入到局部最优当中。这种传统的粒子群算法显然无法满足路径规划领域提出的实时性以及鲁棒性要求，还需对其作出相应的改进。
人工免疫算法在对生物免疫系统以及免疫调节机理进行模拟后，能够进一步对算法的种群多样性的保持能力进行增强，有效的弥补了传统粒子群算法存在的种群多样性下降这一缺陷。同时，人工免疫算法具有遗传算法具备的交叉及变异计算方式，能够有效的对粒子进化时的明确进化方向进行降低，从而对算法的收敛速度造成影响。基于此，本文就将引入免疫算法的浓度调节机理对传统POS 算法进行改进，借助“抗体浓度选择”策略来对POS算法的优化性能进行提高[11]。具体改进步骤如下：
（1）确定参数
假设学习因子为c1及c2；惯性因子为ωmax及ωmin；种群规模为N；最大进化代数为Dmax。
（2）初始化
在定义空间sn当中产生出M 个粒子Xi以及速度Vi，使粒子开始位置成为该粒子最优位置，以此产生出初始粒子种群t0。
（3）判断约束条件
以某种评价标准为基础，对约束范围进行设定，若最优解的约束函数在约束范围以内，那么程序将会终止并输出最优解；若不在约束范围以内则继续以下步骤。
（4）种群评价
对种群t0中粒子适应度进行计算，以此对全局最优位置Gbest进行更新。
（5）新粒子的生成
通过上文中列出的粒子群优化算法速度及位置更新公式（1）与公式（2）对M 个粒子进行生成，并在此基础上再生成M/2个新粒子。
考虑到粒子群算法在使用后期的局部收敛能力较强这一特性，本文将对粒子群算法的惯性权重ω进行改进，具体改进公式为：
文章来源：《体育风尚》 网址: http://www.tyfszz.cn/qikandaodu/2021/0120/734.html