针对传统多目标遗传算法存在收敛速度慢和难以得到Pareto最优解的缺点,提出了一种在三维环境下具有修正策略的改进带精英策略的非支配排序的遗传算法(NSGA-Ⅱ)。首先建立能使路径最短、能耗最小、起伏最少的多目标函数;其次加入修正算子来减少冗余的路径点,实现快速收敛;然后在选择算子中加入辅助决策算子来比较优先级,提高解的多样性。为了测试改进算法的效果,将传统算法与改进算法进行对比,改进算法得到的解更优且在不同环境下具有多个Pareto前沿分布解,其中修正算子使迭代次数减少了约63%,验证了改进算法的可行性和有效性。

针对复杂地图环境下的机器人路径规划问题提出一种聚类融合交叉粒子群算法,以避免传统粒子群算法(Particle Swarm Optimization,PSO)容易陷入早熟且搜索精度差的问题。首先,根据粒子的适应度值对粒子进行k均值聚类,使较多的良性群体极值位置得到保存,从而增强粒子的探索能力;其次,用交叉、变异算子增加粒子多样性,避免在迭代前期粒子陷入早熟导致算法停滞;然后,采用自适应粒子群参数设置,减少粒子走入局部最优概率。最后,对比不同复杂度的地图算例结果发现,改进后的算法最终在安全避开障碍物的同时,具有搜索精度高、稳定性好且路径更优的效果,在路径规划上具有一定的实用价值。