编辑推荐：
在移动机器人路径规划领域，为解决现有算法在复杂环境中性能不佳等问题，研究人员开展了 “混合人工蜂群算法（HABC-GA）用于移动机器人安全平滑路径规划” 的研究。结果显示该算法性能优异，对推动机器人导航技术发展意义重大。
在科技飞速发展的今天，移动机器人已广泛应用于制造业、军事、农业等多个领域。路径规划作为机器人系统的核心技术，关乎其能否安全、高效地完成任务。然而，传统的路径规划算法，如细胞分解（CD）、人工势场算法（APF）等，在复杂环境中存在诸多缺陷。CD 算法生成的路径可能过于靠近障碍物边缘，APF 算法容易使机器人陷入局部最优，导致路径不安全或不完整，而路线图法（RM）虽能捕捉环境连通性，但在路径质量方面表现欠佳，无法充分兼顾路径的平滑性和安全性。近年来，元启发式算法因其灵活性和适应性受到关注，其中人工蜂群算法（ABC）应用广泛，但现有研究缺乏深度搜索机制，限制了其性能提升。在这样的背景下，为了让移动机器人在复杂环境中实现安全、平滑的路径规划，提升其导航能力，研究人员开展了相关研究。
研究人员提出了一种结合遗传增强探索机制的混合人工蜂群算法（HABC-GA）。该研究成果发表在《Biomimetic Intelligence and Robotics》上，为移动机器人路径规划领域带来了新的突破。
在研究方法上，研究人员主要运用了以下关键技术：首先，利用快速探索随机树星型算法（RRT*）生成初始化种群，借助其广泛探索配置空间的能力，产生多样的初始解。其次，设计了遗传增强探索机制，包含路径交叉、自适应避障变异和动态精英选择算子；同时采用目标引导优化策略，通过归一化路径长度、路径安全性和路径平滑度等指标，有针对性地优化个体；还开发了双探索重启策略，用于替换进化停滞的个体，以此提升算法性能。
研究结果如下：
- 算法性能验证：通过与 SPSFA、PSO-MFB 等五种高效算法在 24 个实例中的对比实验，HABC-GA 在 22 个实例中取得了最佳平均目标值，在 12 个实例中获得了最小目标值。尽管在另外 12 个实例中最小目标值略逊于 IMO-ABC 算法，但平均目标值更低，表现更稳定。在所有实例的平均目标值方面，HABC-GA 相较于第二好的算法降低了 10.18% ，展现出更高的性能。
- 关键机制有效性验证：分别对遗传增强探索机制、目标引导优化策略和双探索重启策略进行验证。实验表明，HABC-GA 在采用这些机制和策略后，与对比算法相比，取得了更好的结果，平均相对百分比增加（RPI）值更低，且经方差分析（ANOVA）验证，差异具有统计学意义，证明了这些机制和策略的有效性。
- 参数分析：对种群大小、交叉率、变异率和停滞进化阈值四个主要参数进行校准，发现 HABC-GA 在种群大小为 20、交叉率为 0.6、变异率为 0.8、停滞进化阈值为 15 时性能最佳。
研究结论表明，HABC-GA 算法能够有效实现移动机器人的安全平滑路径规划。该算法通过遗传增强探索机制提升了种群质量和全局探索能力，目标引导优化策略加速了收敛，双探索重启策略更新了停滞解。然而，研究也存在一定局限性，如未考虑路径在动态环境中的适应性以及多智能体路径规划问题。未来研究可朝着解决动态环境下的路径规划和多智能体路径规划方向展开。
总的来说，HABC-GA 算法为移动机器人路径规划提供了更有效的解决方案，对推动移动机器人在复杂环境中的应用具有重要意义，也为后续相关研究奠定了基础，指引了新的方向。
