CN102982375A - 基于遗传算法的并行碰撞检测系统及方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的并行碰撞检测系统及方法，该系统至少包括：问题模型建立模组，用于建立两个多面体的线性不等式组围成的凸空间，以将多面体模型相交问题转化为带约束条件的线性规划问题；以及并行碰撞检测模组，将进化过程划分到不同计算节点上，利用遗传算法分布式进行，在对约束条件处理后，通过一定的种群间信息交换策略实现优良基因的交换，以求解多面体模型相交问题，实现碰撞检测，本发明不仅实现了提高碰撞检测速度，同时保证较高的精度的目的，而且适用于任意形状的多面体之间的实时动态碰撞检测。

Description

基于遗传算法的并行碰撞检测系统及方法

技术领域

本发明关于一种并行碰撞检测系统及方法，特别是涉及一种基于遗传算法的并行碰撞检测系统及方法。

背景技术

碰撞问题多年来一直受到较多的关注，碰撞检测方法在计算几何、计算机动画、CAD/CAM，仿真机器人和虚拟现实等领域中都有较好的应用前景。

近些年来，国内外学者在碰撞检测领域中做出了相当多有意义的工作并提出了一些高效的检测方法。从空间域的角度，可以分为基于实体空间的碰撞检测方法和基于图像空间的碰撞检测方法。这两类算法的主要区别在于是利用物体三维几何特性进行求交计算还是利用物体二维投影的图象加上深度信息来进行相交分析。基于图象空间的碰撞检测算法能有效利用图形硬件的绘制加速功能来提高碰撞检测算法的效率。近几年随着图形硬件技术的飞速发展，图形加速卡在性能不断迅速提高的同时甚至出现了可编程的功能，使得基于图象空间的碰撞检测算法进入了一个新的发展阶段。对于基于实体空间的碰撞检测算法，研究人员把各种几何技术如层次表示法、几何推理、代数范式、空间划分、解析方法和最优化方法等应用到碰撞检测中，提出了许多优秀的算法。其中基于空间剖分类算法和基于掠扫和裁剪算法是较优秀的面向含有多个物体的复杂场景的初步检测算法，而基于特征类算法、基于单纯形类算法、基于层次包围体树类算法、基于距离场类算法、基于智能优化技术类算法都是基于离散碰撞检测技术的面向两个物体碰撞逐步求精的方法。

然而，基于图像的碰撞检测算法也普遍存在以下三个缺陷：(1)由于图像本身均是空间离散采样，其精度受图像分辨率的约束，从而影响碰撞检测算法的精度；(2)多数算法仍只能处理凸体之间的碰撞检测；(3)由于使用图形硬件辅助计算，基于图像的碰撞检测还需要考虑如何合理地平衡CPU和图形硬件的计算负荷。

现有的基于实体空间的各类碰撞检测算法也存在一些问题：如检测中刺穿现象和遗漏情况等。碰撞检测方法一般时间复杂度为O(n2)，不能满足实时性的要求，不利于碰撞检测快速实现。基于空间分割技术的几何分解方法，影响该方法效率的一个重要因素是分区的多少，而分区的数目又较难把握。八叉树和其它几何模型在解决碰撞检测的框架之间的几何干涉问题时，不会大幅度提高方法效率。

发明内容

为克服上述现有技术存在的不足，本发明之主要目的在于提供一种基于遗传算法的并行碰撞检测系统及方法，其通过将进化过程划分到不同计算节点上并行进行，并通过一定的种群间信息交换策略实现优良基因的交换，实现了提高碰撞检测速度，同时保证较高的精度的目的，而且本发明适用于任意形状的多面体之间的实时动态碰撞检测。

为达上述及其它目的，本发明提出一种基于遗传算法的并行碰撞检测系统，至少包括：

问题模型建立模组，用于建立两个多面体的线性不等式组围成的凸空间，以将多面体模型相交问题转化为带约束条件的线性规划问题；以及

并行碰撞检测模组，将进化过程划分到不同计算节点上，利用遗传算法分布式进行，在对约束条件处理后，通过一定的种群间信息交换策略实现优良基因的交换，以求解多面体模型相交问题，实现碰撞检测。

进一步地，该问题模型建立模组在n维欧几里德空间中给定一组线性不等式组为：

$\left\{\begin{array}{c}{a}_{11}{x}_1+a_{12}{x}_2+...+a_{1n}{x}_n\≤b_1\\ a_{21}{x}_1+a_{22}{x}_2+...+a_{2n}{x}_n\≤b_2\\ .\\ .\\ .\\ a_{m1}{x}_1+a_{m2}{x}_2+...+a_{\mathrm{mn}}{x}_n\≤b_m\end{array}\right.$

M＝{(x₁，x₂，…，x_n)^T|a_i1x₁+a_i2x₂+…+a_inx_n≤b_i}，i＝1，2…，m

M为一个由n维空间确定的子集，为需优化的目标和约束。

进一步地，该并行碰撞检测模组至少包括：

初始化模组，用于初始化基本的种群及确定工作组中的结点数目；

适应度函数计算模组用于将适应度函数分发到工作组中的各从进程进行计算；

收集种群模组，利用主进程接收各从进程的进化结果；

遗传运算模组，利用遗传算法的三个基本算子对该收集种群模组的收集结果进行操作；

子代种群生成模组，根据经选择、交叉、变异操作后的种群，生成子代种群；以及

判断模组用于判断是否符合结束条件，若满足结束条件，则结束碰撞检测，否则进一步启动初始化模组重新确定工作组中的结点数目。

进一步地，该适应度函数模型为：

Fitness(i)＝f(x)

其中，f(x)为两个多面体的线性不等式组围成的凸空间。

进一步地，该三个基本算子为选择、交叉及变异。

进一步地，该选择操作选用轮盘赌选择法，该交叉算子采用单点交叉，基本变异算子采用对群体中的个体码串随机挑选一个或多个基因座并对该些基因座的基因值做变动。

进一步地，该结束条件为生成的子代种群满足要求。

为达到上述及其他目的，本发明还提供一种基于遗传算法的并行碰撞检测方法，包括如下步骤：

步骤一，建立两个多面体的线性不等式组围成的凸空间，以将多面体模型相交问题转化为带约束条件的线性规划问题；以及

步骤二，将进化过程划分到不同计算节点上，利用遗传算法分布式进行，在对约束条件处理后，通过一定的种群间信息交换策略实现优良基因的交换，以求解多面体模型相交问题，实现碰撞检测。

进一步地，步骤二还包括如下步骤：

步骤1.1，初始化基本的种群；

步骤1.2，分配种群，将群体分为若干个子群体，每个子群体包含一些个体；

步骤1.3，将适应度函数分发到工作组中的各从进程进行计算；

步骤1.4，主进程收集各子进程的进化结果；

步骤1.5，对收集的结果进行选择、交叉及变异操作；

步骤1.6，生成子代种群；以及

步骤1.7，判断是否满足结束条件，若满足结束条件，则终止碰撞检测，否则转至步骤1.2继续进行。

进一步地，结束条件为生成的子代种群满足要求。

与现有技术相比，本发明一种基于遗传算法的并行碰撞检测系统及方法通过将多面体模型相交问题转化为带约束条件的线性规划问题，进化过程划分到不同计算节点上，并行进行，在对约束条件处理后，并通过一定的种群间信息交换策略实现优良基因的交换，来求解多面体模型相交问题，实现碰撞检测算法，本发明不仅提高了碰撞检测速度，同时保证了较高的精度，而且适用于任意形状的多面体之间的实时动态碰撞检测。

附图说明

图1为本发明一种基于遗传算法的并行碰撞检测系统的系统架构图；

图2为本发明较佳实施例问题模型建立模组中的法向量计算的示意图；

图3为本发明一种基于遗传算法的并行碰撞检测方法的步骤流程图；

图4为本发明一种基于遗传算法的并行碰撞检测方法较佳实施例中步骤302的细部流程图。

具体实施方式

以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。

在介绍本发明的系统及方法之前，先对遗传算法、本发明的基本思想及理论基础作一介绍。

遗传算法(Genetic Algorithms)是由美国学者Holland于1975年首次提出的，它是模拟自然界生物进化过程的计算模型，具有自组织、自适应和自学习的特点，其本质是并行的。根据遗传算法的基本原理，本发明研究一种基于遗传算法的并行碰撞检测系统及方法。

遗传算法的并行化就是将进化过程划分到不同计算节点上，分布式进行，也就是直接把每个节点当成一个并行的种群看待，然后有机体根据不同的繁殖方法从一个节点迁移到另一个节点，一定的种群间进行信息交换，通过这样策略实现优良基因的交换。

由于判断三维空间两个多面体模型是否碰撞可以转化为判断两个多面体是否相交的问题。因此，可以采用一个判定由线性不等式组围成的凸空间是否为空的快速方法，该方法采用一组线性不等式组表示一个凸空间。有了该方法，若要判断两个凸多面体是否相交，最简单的方法是把两个凸多面体的线性不等式组合为一个(即表示由两个凸多面体围成的凸空间)，直接判定该不等式组为成的凸空间是否为空，若不空，则两个凸多面体相交，反之亦然。

这个凸空间是使用遗传算法优化碰撞检测方法时，需要优化的目标和约束。判断两个多面体是否相交时，先取两多面体模型顶点作为样本，然后随机初始线性不等式组围成凸空间M，M即为凸空间的一个子集。舍弃迭代过程中子群里超出范围的个体，并重新随机生成一个新的个体。算法结束条件为最优个体的适应度和群体的平均适应度不再提高为止。

最后，为了进一步提高检测速度，本发明引入并行思想，以实现基于遗传算法的的并行碰撞检测，本发明将多面体模型相交问题转化为带约束条件的线性规划问题，将进化过程划分到不同计算节点上，分布式进行，在对约束条件处理后，并通过一定的种群间信息交换策略实现优良基因的交换，来求解多面体模型相交问题，实现碰撞检测算法。本发明可不断提高碰撞检测速度，同时保证较高的精度，而且适用于任意形状的多面体之间的实时动态碰撞检测。

为了方便地叙述本发明基于遗传算法的碰撞检测方法，这里首先给出算法所涉及的基本的数学理论和相关的定义，主要是凸多面体的相关性质。

定义1：本文定义的多面体是由B-rep实体模型来表达的多面体。多面体是由若干平面多边形围成的封闭、单连通的空间域Ω，这些平面多边形称为多面体的面。对于任意一个点P，若P∈Ω，则称P位于多面体的内部；反之位于多面体的外部。

定义2：若多面体位于它的每一面所表示的平面的同侧，则称该多面体为凸多面体。

定义3：凸多面体X₁和X₂相交，当且仅当X₁和X₂至少有一个共同点，该点既属于X₁又属于X₂。如果给定R³中k个不同的点P₁，P₂，…P_K，则点集P＝t₁p₁+t₂P₂+…t_kP_k是由P₁，P₂，…P_K生成的凸组合，且k是P₁，P₂，…P_K的一个组合，其中实数： $t_i\≥0,\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{t}_i=1.$

由上述定义可知：一条线段是有由它的端点的所有凸组合组成，一个三角型则是由它的三个顶点的所有凸组合组成，而四面体是由它的四个角(点)的所有凸组合组成。

定理1：集合是凸集，当且仅当P中点P₁∈P，P₂∈P，...，P_k∈P的凸组合X＝t₁p₁+t₂P₂+…+t_kP_k也包含在P中。

证明：充分性。由定理给定的条件P中点的任意凸组合都位于P中，特别的，对k＝2成立，于是，P₁∈P，P₂∈P，m₁≥0，m₂≥0，m₁+m₂＝1即m₁p₂+m₂p₂∈P，从而P为凸集。

必要性。设P为凸集，对k用归纳法。k＝1时，定理成立；假设k＞1时，定理成立，设：

X＝t₁p₁+t₂P₂+…+t_kP_k+t_k+1P_k+1

假设t_k+1≠1，则：

X＝(1-t_k+1)Z+t_k+1P_k+1

其中：

$Z=\frac{t_1}{1-t_{k+1}}{p}_1+...+\frac{t_k}{1-t_{k+1}}{p}_k$

因为：

$\frac{t_1}{1-t_{k+1}}\≥0,...,\frac{t_k}{1-t_{k+1}}\≥0,\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\frac{t_i}{1-t_{k+1}}=1$

由归纳假设知Z∈P，又由于P为凸集，所以p∈P。定理得证。

定理2：任意多个凸集的交集仍然是凸集。

证明：设p₁，p₂是交集中的任意两个点，这样p₁，p₂也位于形成交集中的每一个凸集当中。从而p＝m₁p₂+m₂p₂也位于形成交集中的每一个凸集当中。所以p＝m₁p₂+m₂p₂位于交集中。定理得证。

定义4：三维空间中点集的凸包CH(X)是包含X的最小的凸集。

点集X的凸包是X中的若干点的所有凸组合的集合。对于d维中点集X，CH(X)是X的d+1(或者更少)个点的所有凸组合的集合，三维空间点集X的凸包是由X中的点确定的所有四面体的并。

图1为本发明一种基于遗传算法的并行碰撞检测系统的系统架构图。如图1所示，本发明一种基于遗传算法的并行碰撞检测系统，至少包括：问题模型建立模组10以及并行碰撞检测模组11。

问题模型建立模组10用于建立两个多面体的线性不等式组围成的凸空间，以将多面体模型相交问题转化为带约束条件的线性规划问题。

设C是n维欧几里德空间Rn中的一个子集。如果对于任意两点X₁∈C，X₂∈C，连接这两点的直线段也位于C中，那么把C称为凸集。设q＝(q₁，q₂)，满足q₁≥0，q₂≥0，并且q₁+q₂＝1。那么凸集又可以这样定义：如果对任意的X₁∈C，X₂∈C，以及任意的满足上面条件的q₁，q₂，都有q₁x₂+q₂x₂∈C，那么C是凸集。对如存在x₀的一个领域U₀，使得

则称x₀为C的内点。如果对x₀的任何领域U，U中即含有C的点，又含有非C的点，那么称x₀为C的边界点。

n维欧几里德空间中的空集，只包含一个点x∈Rⁿ的集合以及集合Rⁿ本身都是凸集。给定空间Rⁿ中的向量x₁，x₂，…，x_n，实数a₁，a₂，…，a_n满足

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i=1,a_i\≥0---\left(1\right)$

这里称向量x＝a₁x₁+a₂x₂+…+a_ka_k为向量x₁，x₂，…，x_n的凸组合。集合S的凸包为包含S的凸集的交，它是包含S的最小凸集，凸集X₁和X₂相交，当且仅当X₁和X₂至少有一个共同点，该点既属于X₁又属于X₂。若要判断两个凸多面体是否相交，最简单的方法是把两个凸多面体的线性不等式组合为一个(即表示由两个凸多面体围成的凸空间)，直接判定该不等式组为成的凸空间即凸组合是否为空，若不空，则两个凸多面体相交，反之亦然。

在n维欧几里德空间中给定一组线性不等式组为：

$\left\{\begin{array}{c}{a}_{11}{x}_1+a_{12}{x}_2+...+a_{1n}{x}_n\≤b_1\\ a_{21}{x}_1+a_{22}{x}_2+...+a_{2n}{x}_n\≤b_2\\ .\\ .\\ .\\ a_{m1}{x}_1+a_{m2}{x}_2+...+a_{\mathrm{mn}}{x}_n\≤b_m\end{array}\right.---\left(2\right)$

M＝{(x₁，X₂，…，x_n)^T|a_i1x₁+a_i2x₂+…+a_inx_n≤b_i|，i＝1，2…，m(3)

M为一个由n维空间确定的子集。这也是我们使用遗传算法时，需要优化的目标和约束。

当空间的维数相对低时，判断该凸空间是否为空并不困难。前面介绍过，当n等于3时，凸空间求法如下：选取两个相交的多面体坐标，取出多面体P的顶点A、B、C的坐标，并且顶点A、B、C构成了平面F。如图2所示。

根据右手法则，由向量AB、BC的叉积即可得到平面的法向量NF。

AB＝(X_B-X_A)i+(Y_B-Y_A)j+(Z_B-Z_A)k

BC＝(X_C-X_B)i+(Y_C-Y_B)j+(Z_C-Z_B)k

$N_F=\mathrm{AB}\×\mathrm{BC}=\left[\begin{array}{ccc}i& j& k\\ (X_B-X_A)& (Y_B-Y_A)& (Z_B-Z_A)\\ (X_C-X_B)& (Y_C-Y_B)& (Z_C-Z_B)\end{array}\right]$

得到法向量NF，就得到了表达式Ax+By+Cz+D≤0中A、B、C的值，再将任一顶点的坐标值代入表达式Ax+By+Cz+D＝0中就得到常数项D的值。由上述方法可求得两个多面体的线性不等式组围成的凸空间，这也是最终需要优化的目标和约束。

并行碰撞检测模组11，将进化过程划分到不同计算节点上，利用遗传算法分布式进行，在对约束条件处理后，通过一定的种群间信息交换策略实现优良基因的交换，以求解多面体模型相交问题，实现碰撞检测。并行碰撞检测模组11进一步包括：初始化模组110、适应度函数计算模组111、收集种群模组112、遗传运算模组113、子代种群生成模组114以及判断模组115。

初始化模组110用于初始化基本的种群及确定工作组中的结点数目；适应度函数计算模组111用于将适应度函数分发到工作组中的各从进程进行计算。

适应度函数的确定对遗传搜索起着至关重要的作用，适应度函数选取的不当可能造成早熟现象或产生的解是局部最优解[HP11]。令样本集合S＝(X_i，Y_i，(X_i，Y_i)∈f(x)，f(x)为两个多面体的线性不等式组围成的凸空间，由于f(x)的值域总是非负的，并且优化目标是求函数的最大值，故这里可将个体的适应度直接取为对应的目标函数值，并且不再对它作其他变换处理。因此，本发明较佳实施例中所选的适应度函数模型为：

Fitness(i)＝f(x)(4)

收集种群模组112利用主进程接收各从进程的结果；遗传运算模组111则利用遗传算法的三个基本算子：选择、交叉及变异对收集种群模组112的收集结果进行操作。

从群体中选择优胜的个体，淘汰劣质个体的操作叫选择。选择的目的是把优化的个体(或解)直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的[ZSY11]。我们选用轮盘赌选择法，在该方法中，各个个体的选择概率和其适应度值成比例。设群体大小为n，其中个体i的适应度为f_i，则i被选择的概率：

显然，概率反映了个体i的适应度在整个群体的个体适应度总和中所占的比例，个体适应度越大，其被选择的概率就越高，反之亦然。计算出群体中各个个体的选择概率后，为了选择交配个体，需要进行多轮选择。每一轮产生一个[0，1]之间均匀随机数，将该随机数作为选择指针来确定被选个体。个体被选后，可随机地组成交配对，以供后面的交叉操作[ZSY11]。

交叉算子采用单点交叉(One-point Crossover)。具体操作是：在个体串中随机设定一个交叉点，实行交叉时，该点前或后的两个个体的部分结构进行互换，并生成两个新个体。下面给出了单点交叉的一个例子：

个体A：1001↑111→1001000新个体

个体B：0011个000→0011111新个体

基本变异算子是指对群体中的个体码串随机挑选一个或多个基因座并对这些基因座的基因值做变动(以变异概率P做变动)，(0，1)二值码串中的基本变异操作如下：

如下：基因位下方标有下划线的基因发生变异。

个体A1011011→1110011新个体

变异率的选取一般受种群大小、染色体长度等因素的影响，通常选取很小的值，一般取0.001-0.1。

子代种群生成模组114，根据对经选择、交叉、变异操作后的种群，生成子代种群；判断模组115用于判断是否符合结束条件，若满足结束条件，则结束碰撞检测，否则进一步启动初始化模组重新确定工作组中的结点数目，结束条件为最优个体的适应度和群体的平均适应度不再提高，即生成的子代种群满足要求。

由于遗传算法采用种群的方式组织搜索，因而可同时搜索解空间内的多个区域，并相互交流信息，使用这种搜索方式，虽然每次只执行与种群规模n成比例的计算，但实质上已进行了大约O(n3)次有效搜索，这就使遗传算法能以较少的计算获得较大的收益。

图3为本发明一种基于遗传算法的并行碰撞检测方法的步骤流程图。如图3所示，本发明一种基于遗传算法的并行碰撞检测方法，包括如下步骤：

步骤301，建立两个多面体的线性不等式组围成的凸空间，以将多面体模型相交问题转化为带约束条件的线性规划问题；以及

步骤302，将进化过程划分到不同计算节点上，利用遗传算法分布式进行，在对约束条件处理后，通过一定的种群间信息交换策略实现优良基因的交换，以求解多面体模型相交问题，实现碰撞检测。

图4为本发明较佳实施例中步骤302的细化步骤流程图。较佳的，步骤302进一步包括如下步骤：

步骤401，初始化基本的种群；

步骤402，分配种群，将群体分为若干个子群体，每个子群体包含一些个体；

步骤403，将适应度函数分发到工作组中的各从进程进行计算，即每个子群体分配一个处理器，让他们相互并行地执行进化；

步骤404，主进程收集各子进程的进化结果；

步骤405，对收集的结果进行选择、交叉及变异操作；

步骤406，生成子代种群；

步骤407，判断是否满足结束条件，若满足结束条件，则终止碰撞检测，否则转至步骤402继续进行，结束条件为最优个体的适应度和群体的平均适应度不再提高，即生成的子代种群满足要求。

综上所述，本发明一种基于遗传算法的并行碰撞检测系统及方法通过将多面体模型相交问题转化为带约束条件的线性规划问题，进化过程划分到不同计算节点上，并行进行，在对约束条件处理后，并通过一定的种群间信息交换策略实现优良基因的交换，来求解多面体模型相交问题，实现碰撞检测算法，与传统方法进行比较，本发明基于遗传算法的并行碰撞检测算法不仅提高了碰撞检测速度，同时保证了较高的精度，而且适用于任意形状的多面体之间的实时动态碰撞检测。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。

Claims (10)

1.一种基于遗传算法的并行碰撞检测系统，至少包括：

问题模型建立模组，用于建立两个多面体的线性不等式组围成的凸空间，以将多面体模型相交问题转化为带约束条件的线性规划问题；以及

并行碰撞检测模组，将进化过程划分到不同计算节点上，利用遗传算法分布式进行，在对约束条件处理后，通过一定的种群间信息交换策略实现优良基因的交换，以求解多面体模型相交问题，实现碰撞检测。

2.如权利要求1所述的一种基于遗传算法的并行碰撞检测系统，其特征在于，该问题模型建立模组在n维欧几里德空间中给定一组线性不等式组为：

$\left\{\begin{array}{c}{a}_{11}{x}_1+a_{12}{x}_2+...+a_{1n}{x}_n\≤b_1\\ a_{21}{x}_1+a_{22}{x}_2+...+a_{2n}{x}_n\≤b_2\\ .\\ .\\ .\\ a_{m1}{x}_1+a_{m2}{x}_2+...+a_{\mathrm{mn}}{x}_n\≤b_m\end{array}\right.$

M＝{(x₁，x₂，…，x_n)^T|a_i1x₁+a_i2x₂+…+a_inx_n≤b_i}，i＝1，2…，m

M为一个由n维空间确定的子集，为需优化的目标和约束。

3.如权利要求2所述的一种基于遗传算法的并行碰撞检测系统，其特征在于，该并行碰撞检测模组至少包括：

初始化模组，用于初始化基本的种群及确定工作组中的结点数目；

适应度函数计算模组用于将适应度函数分发到工作组中的各从进程进行计算；

收集种群模组，利用主进程接收各从进程的进化结果；

遗传运算模组，利用遗传算法的三个基本算子对该收集种群模组的收集结果进行操作；

子代种群生成模组，根据经选择、交叉、变异操作后的种群，生成子代种群；以及

判断模组用于判断是否符合结束条件，若满足结束条件，则结束碰撞检测，否则进一步启动初始化模组重新确定工作组中的结点数目。

4.如权利要求3所述的一种基于遗传算法的并行碰撞检测系统，其特征在于，该适应度函数模型为：

Fitness(i)＝f(x)

其中，f(x)为两个多面体的线性不等式组围成的凸空间。

5.如权利要求4所述的一种基于遗传算法的并行碰撞检测系统，其特征在于：该三个基本算子为选择、交叉及变异。

6.如权利要求5所述的一种基于遗传算法的并行碰撞检测系统，其特征在于：该选择操作选用轮盘赌选择法，该交叉算子采用单点交叉，基本变异算子采用对群体中的个体码串随机挑选一个或多个基因座并对该些基因座的基因值做变动。

7.如权利要求6所述的一种基于遗传算法的并行碰撞检测系统，其特征在于：该结束条件为生成的子代种群满足要求。

8.一种基于遗传算法的并行碰撞检测方法，包括如下步骤：

步骤一，建立两个多面体的线性不等式组围成的凸空间，以将多面体模型相交问题转化为带约束条件的线性规划问题；以及

步骤二，将进化过程划分到不同计算节点上，利用遗传算法分布式进行，在对约束条件处理后，通过一定的种群间信息交换策略实现优良基因的交换，以求解多面体模型相交问题，实现碰撞检测。

9.如权利要求8所述的一种基于遗传算法的并行碰撞检测方法，其特征在于，步骤二还包括如下步骤：

步骤1.1，初始化基本的种群；

步骤1.2，分配种群，将群体分为若干个子群体，每个子群体包含一些个体；

步骤1.3，将适应度函数分发到工作组中的各从进程进行计算；

步骤1.4，主进程收集各子进程的进化结果；

步骤1.5，对收集的结果进行选择、交叉及变异操作；

步骤1.6，生成子代种群；以及

步骤1.7，判断是否满足结束条件，若满足结束条件，则终止碰撞检测，否则转至步骤1.2继续进行。

10.如权利要求9所述的一种基于遗传算法的并行碰撞检测方法，其特征在于：结束条件为生成的子代种群满足要求。

Images