2025年EAAI SCI1区TOP，自学习人工蜂群算法EABC+多目标路径规划，深度解析+性能实测

---

1.摘要

近年来，路径规划一直是移动机器人领域最受关注的问题之一。本文探讨了一个多目标路径规划问题，重点在于最小化路径长度和最大化路径安全性。基于该问题的特点，建立了数学模型，并提出了一种增强人工蜂群算法（EABC)，设计了一种新的混合初始化策略，用于生成高质量的初始种群。在雇佣蜂阶段，除了交叉和变异算子外，还开发了两个面向目标的进化算子。在 旁观蜂阶段，分别对非支配个体和支配个体应用了两种自学习优化机制。基于协作的优化机制旨在提高非支配个体的质量。支配引导优化机制则引导支配个体向非支配个体学习。在侦察蜂阶段，探讨了一种新的个体重启策略，该策略考虑了全局最优解的有用信息，从而提高了算法的探索能力。

2.多目标路径规划数学模型

假设环境为静态并作为一个离散配置空间通过整数坐标表示；所有障碍物被视为静态多边形；同时，使用Minkowski和的多边形机器人被简化为一个单一的点，并且机器人具备已知环境信息。

路径长度

路径长度尽量短，采用欧式距离度量：
$$\begin{array}{r}L(Path)=\sum _{i=0}^{n}d(P_i,P_{i+1})\end{array}$$

路径安全性

路径安全性用来评估路径与周围障碍物之间的风险程度，本文通过计算可行路径与障碍物之间的最小距离来衡量路径安全性，这与大多数现有研究不同。为了提高路径安全性并最小化目标函数，路径安全目标：
$$S\left(Path\right)=-\underset{0\le i\le n}{\min }\underset{1\le j\le m}{\min }\left\{mindistance\left(\overline{P_i{P}_{i+1}},O_j\right)\right\}$$

因此，多目标机器人路径规划数学模型：
$$\{\begin{array}{ll}Path=[S,P_1,P_2,\dots ,P_n,T]& \\ MinimizeL(Path)& \\ MinimizeS(Path)& \\ s.t.Path\cap O=\varnothing & \end{array}$$

3.人工蜂群算法ABC

【智能算法】人工蜂群算法（ABC）原理及实现

4.自学习人工蜂群算法EABC

混合初始化策略

混合初始化策略旨在提高初始种群的质量。在本文中，初始种群通过三种经典的路径规划方法生成：A* 算法、RRT算法和空间分割方法。A* 算法用于生成优化路径长度的解；空间分割方法通过等间隔的垂直线划分起点和目标点之间的空间，随机选择点并连接形成路径；RRT算法则通过从起点扩展树结构，探索高维空间以生成覆盖尽可能多解空间的路径。利用这三种方法，初始种群可以包含不同类型的路径（如线覆盖、区域覆盖和表面覆盖），从而增强种群的多样性。通过结合这三种方法的优势，生成了一个多样化且高质量的初始种群。

雇佣蜂阶段

雇佣蜂阶段对种群中的所有解进行开发操作，本文开发了四种路径操作算子：路径交叉、路径变异、路径缩短和路径安全，用来增强EABC算法的开发能力。

路径交叉算子通过交换父代路径的路径段，生成包含有利特征的后代路径。通过交换两个选定路径之间的路径段，生成一个新的可行路径。

路径变异算子在现有解的周围进行局部搜索，提升解的质量。路径变异可以通过多点变异或单点变异来实现。与多点变异相比，单点变异具有更好的稳定性，并对可行路径的干扰较小。

路径缩短算子旨在减少路径长度。由于路径上的中间点数量可变，删除冗余点是减少路径长度的一种有效方法。

路径安全算子提升路径安全性，减少与障碍物的碰撞风险。与大多数研究不同，本文基于路径与障碍物的最小距离来衡量路径安全性。该算子通过选择路径段中与障碍物最接近的点，并努力改善该路径段的轨迹，以尽可能避开障碍物。

旁观蜂阶段

旁观蜂阶段主要侧重于围绕选定优质解进一步进行开发。此阶段将解根据支配关系分为两组：对于非支配个体，应用基于协作优化机制以增强算法的收敛性；对于支配个体，采用基于支配引导优化机制。

基于协作优化机制

非支配个体的特性有助于引导进化算法选择合适的局部搜索算子，有效地探索目标空间并改进目标值。为了提高非支配解对算法收敛性的正向影响，研究提出了基于协作优化机制。非支配解被进一步划分为边界解和非边界解，其中边界解指在某个目标上达到最优值的路径，如最佳路径长度或路径安全性。其余非支配解被视为非边界个体。

基于支配引导优化机制

基于支配引导的优化机制旨在帮助支配个体快速接近帕累托前沿，从而加速EABC算法的收敛。

侦察蜂阶段

侦察蜂阶段通过替换停滞的进化解来维持种群质量。为了识别停滞解，统计每个解的连续进化失败次数。本文提出了一种个体重启策略利用最优解的有用信息生成新解，该策略不仅继承帕累托前沿的优良特征，还保持种群的多样性，避免解的过度收敛。

5.结果展示

复现算法结果：

6.参考文献

[1] Ye F, Duan P, Meng L, et al. An enhanced artificial bee colony algorithm with self-learning optimization mechanism for multi-objective path planning problem[J]. Engineering Applications of Artificial Intelligence, 2025, 149: 110444.

7.代码获取

xx

8.算法辅导·应用定制·读者交流