Path planning for robots plays a vital role to seek the most feasible path due to power requirement, environmental factors and other limitations. The path planning for the autonomous robots is tedious task as the robot needs to locate a suitable path to move between the source and destination points with multifaceted nature. In this paper, we introduced a new technique named modified grey wolf optimization (MGWO) algorithm to solve the path planning problem for multi-robots. MGWO is modified version of conventional grey wolf optimization (GWO) that belongs to the category of metaheuristic algorithms. This has gained wide popularity for an optimization of different parameters in the discrete search space to solve various problems. The prime goal of the proposed methodology is to determine the optimal path while maintaining a sufficient distance from other objects and moving robots. In MGWO method, omega wolves are treated equally as those of delta wolves in exploration process that helps in escalating the convergence speed and minimizing the execution time. The simulation results show that MGWO gives satisfactory performance than other state of art methods for path planning of multiple mobile robots. The performance of the proposed method is compared with the standard evolutionary algorithms viz., Particle Swarm Optimization (PSO), Intelligent BAT Algorithm (IBA), Grey Wolf Optimization (GWO), and Variable Weight Grey Wolf Optimization (VW-GWO) and yielded better results than all of these.

中文翻译：

---

使用改进的灰太狼优化方法的自主机器人路径规划

由于功率需求，环境因素和其他限制，机器人的路径规划对于寻找最可行的路径起着至关重要的作用。自主机器人的路径规划是一项繁琐的任务，因为机器人需要定位合适的路径以在源点和目标点之间进行多面性移动。在本文中，我们介绍了一种新的技术，称为改进的灰狼优化（MGWO）算法，以解决多机器人的路径规划问题。MGWO是常规灰太狼优化（GWO）的修改版本，属于元启发式算法类别。对于离散搜索空间中的不同参数的优化以解决各种问题，这种方法已广为流行。所提出方法的主要目标是确定最佳路径，同时保持与其他物体和移动机器人的足够距离。在MGWO方法中，在探索过程中将欧米茄狼与三角洲狼同等对待，这有助于提高收敛速度并最小化执行时间。仿真结果表明，与其他先进的方法相比，MGWO在多移动机器人的路径规划方面具有令人满意的性能。将该方法的性能与标准进化算法（即粒子群优化（PSO），智能BAT算法（IBA），灰狼优化（GWO）和可变权灰狼优化（VW-GWO））进行比较并得出结果比所有这些都更好的结果。在探索过程中，欧米茄狼与三角洲狼一样受到同等对待，这有助于提高收敛速度并最大程度地减少执行时间。仿真结果表明，与其他先进的方法相比，MGWO在多移动机器人的路径规划方面具有令人满意的性能。将该方法的性能与标准进化算法（即粒子群优化（PSO），智能BAT算法（IBA），灰狼优化（GWO）和可变权灰狼优化（VW-GWO））进行比较并得出结果比所有这些都更好的结果。在探索过程中，欧米茄狼与三角洲狼一样受到同等对待，这有助于提高收敛速度并最大程度地减少执行时间。仿真结果表明，与其他先进的方法相比，MGWO在多移动机器人的路径规划方面具有令人满意的性能。将该方法的性能与标准进化算法（即粒子群优化（PSO），智能BAT算法（IBA），灰狼优化（GWO）和可变权灰狼优化（VW-GWO））进行比较并得出结果比所有这些都更好的结果。仿真结果表明，与其他先进的方法相比，MGWO在多移动机器人的路径规划方面具有令人满意的性能。将该方法的性能与标准进化算法（即粒子群优化（PSO），智能BAT算法（IBA），灰狼优化（GWO）和可变权灰狼优化（VW-GWO））进行比较并得出结果比所有这些都更好的结果。仿真结果表明，与其他先进的方法相比，MGWO在多移动机器人的路径规划方面具有令人满意的性能。将该方法的性能与标准进化算法（即粒子群优化（PSO），智能BAT算法（IBA），灰狼优化（GWO）和可变权灰狼优化（VW-GWO））进行比较并得出结果比所有这些都更好的结果。