改进哈里斯鹰算法的仓储机器人路径规划研究

为提高静态环境下仓储移动机器人路径规划效率，解决传统哈里斯鹰（Harris Hawks optimization, HHO）算法在路径规划中存在收敛速度慢且易陷入局部最优的问题，提出了一种基于Tent混沌映射融合柯西反学习变异的哈里斯鹰优化算法（HHO algorithmbasedon Tentchaotic mapping hybrid Cauchy mutation and inverse learning, TCLHHO）。通过Tent混沌映射增加种群多样性，以提高算法的收敛速度；提出指数型的猎物逃逸能量更新策略，以平衡算法的全局搜索和局部开发能力；通过柯西反学习变异策略对最优个体进行扰动，扩大算法的搜索范围，增强全局搜索能力。根据真实仓储环境搭建二维栅格环境模型，并在Matlab中进行仿真对比实验。结果表明：该算法的规划速度、最优路径长度以及最优路径转折次数较对比算法具有较好的效果，验证了应用于智能仓储环境下改进的HHO路径规划问题的可行性和鲁棒性。