基于混沌增强多策略大鹅优化算法的机器人全局路径规划OA

针对新兴的大鹅优化算法(GOOSE)在全局搜索能力上存在不足、易陷入局部最优的问题,提出了一种改进的GOOSE算法(IGOOSE)。IGOOSE通过融合混沌映射和精英反向学习策略提升种群多样性,从而增强全局搜索能力;采用非线性正弦Alpha控制函数以避免早熟收敛,同时引入混沌随机Lévy飞行策略来提升高维搜索效率。为平衡局部和全局搜索能力,IGOOSE结合改进的柯西逆累积分布函数与黄金正弦策略,加快了算法的收敛速度并提升了局部开发能力;此外,通过最优爆炸粒子策略有效避免陷入局部最优,并通过去冗余点策略进一步优化路径规划。仿真实验结果显示,IGOOSE算法在2维平面长度和3维飞行路径中表现出显著优势:相比GOOSE,最短路径长度缩短了6.31%,平均路径长度减少了7.53%,稳定性提升了34.72%,验证了其在复杂环境中的实用性。