CN105203097A - 一种适用于灾后环境的多机器人多目标点救援路径规划方法 - Google Patents

Abstract

本发明公开了一种多机器人多目标点灾后救援路径规划方法，步骤如下：目标点分类阶段，在工作空间中，将在机器人最大搜索范围内的目标点分成一类，形成一个子任务，从而，可以将整个救援行动划分为多个子任务；在得到具体的目标点分配之后，进入微粒群的优化求解阶段，首先将每个救援路径看成一个微粒，对微粒进行整数编码，通过取余等解码操作，获取每个子任务以及目标点的救援分配情况；考虑到目标点存在生命期限的约束，将机器人所能救援的目标点的个数作为适应值函数，执行基于整数微粒群优化的多机器人多目标优化方法，确定各个子任务以及具体目标点的救援顺序，从而得到整个救援行动的救援个数。本发明采用微粒群优化方法的全局优化性能，充分发挥了多机器人系统搜索速度快，效率高的特点，在机器人灾后救援方面具有广泛的应用前景。

Description

一种适用于灾后环境的多机器人多目标点救援路径规划方法

技术领域

本发明涉及机器人和群体智能领域，特别是用于多机器人多目标点的救援方法。它借鉴微粒群进化的思想，提出一种适用于灾后环境救援的多机器人多目标点路径规划方法。

背景知识

在我国，各种灾难频发，比如煤矿瓦斯爆炸，地震，海啸等的发生，这些灾难的发生不可预测，只能采取灾后救援的措施，因此灾后救援的效率和速度至关重要。然而，灾难发生后，环境复杂恶劣，还有可能发生二次灾难，这势必会危及救援人员的人身安全，因此，救援人员很难进入受灾区，这势必会影响救援工作的有效开展。考虑到机器人能够深入复杂且恶劣的环境，代替救援人员完成救援任务，从而可以将灾后环境信息反馈给救援人员。这样不仅可以提高应急救援能力，而且还可以为救援人员的决策提供帮助。因此，越来越多的机器人被用于灾后救援工作中。

现有的机器人救援方法主要是机器人根据实时探测的信息，进行局部路径规划，然而这样得到的救援人数往往不是最大。如果在机器人救援之前，根据已有信息，规划出一条或者多条全局最优路径，保证机器人救援的人数最多，在机器人实时救援的过程中给予指导，从而，可以保证救援机器人准确、快速的完成救援任务。

在实际救援环境中，存在这样的情况，一些区域被困人员分散得比较集中，另外一些区域被困人员则比较稀疏。比如，在煤矿井下环境，作业面人员较多，而在巷道其他地方，人员较少；再如，在一些城市中，居民区或者工厂厂区的人口密度比较高，分布较为集中，而公园街道上的人口相对较稀疏，所以，一旦发生灾难，在人口密集区域中被困人员较多，稀疏区域较少。此外，发生灾难后，被困人员的生命期限有限，救援人员需要在有限的时间内将其救起。目前，针对上述情况下的救援规划尚没有相关成果，并且救援问题对人们的生产生活尤为重要，所以研究灾后环境下，被困人员存在生命期限情况下的机器人救援路径规划问题，是非常重要且有必要的。

考虑到机器人可以代替救援人员，深入危险区域，有效完成救援任务，很多研究人员尝试采用机器人来完成救援任务。近年来，针对机器人灾后救援问题，主要有两个研究方向，其一，设计可靠耐用的救援机器人。如中国实用新型专利“一种机器人救援系统”(授权公告号：CN203738800U，授权公告日：20140730)设计的包括侦查，搭桥，以及机械手机器人；在第六届IEEEConferenceonAutomationScienceandEngineering上发表的论文“AHierarchicalReinforcementLearningBasedControlArchitectureforSemi-AutonomousRescueRobotsinClutteredEnvironments”设计的半自主救援机器人；以及在2013年InformaticsinControl,AutomationandRobotics期刊上发表的“StudyandDevelopmentoftheRescueRobottoAccommodateVictimsunderEarthquakeDisasters”一文根据地震发生后可能出现的情况，构建了一个机器人原型系统，等等。这些成果对机器人以后的救援具有重要的指导作用，但是研究重点在机器人的设计，对机器人的救援策略研究较少。

其二是机器人救援策略研究，根据采用救援方式的不同，现有的方法可以分成两类：其一，对机器人运动控制的研究。如，2009年在会议InternationalConferenceonRoboticsandAutomation发表的“StudyonMineRescueRobotSystem”一文中研究具有运输和搜索两种功能的煤炭救援机器人，分析各自的动力学方程，给出他们的运动控制参数，并提出了煤矿基于地理信息系统的救援机器人自主导航方法；在2007年第76期StudiesinComputationalIntelligence上发表的“Multi-RobotSearchandRescue:APotentialFieldBasedApproach”一文基于人工势场法的多机器人搜索和救援问题，建立了悲观和乐观两种救援系统；以及中国专利“一种地空异构多机器人搜救系统”(公开号：CN101382429B，授权公开日：20110622)给出的多机器人自主智能控制与搜救指挥遥控相结合的控制方法，这些方法具有独到的一面，但是对于全局救援规划，由于无法准确把握全局信息，通常难以得到理想结果；其二是采用群智能方法，在救援开始之前，规划出一个保证救援个数最多的全局最优路径，代表方法有，在2014年《MathematicalProbleminEngineering》出版的“PSO-basedrobotpathplanningformulti-survivorrescueinlimitedsurvivaltime”一文提出在机器人执行救援之前，采用微粒群(PSO)来规划全局路径，给实际的救援以指导。由于群智能方法应用于救援机器人路径规划方面的成果较少，有必要进一步研究该方法在救援规划领域的应用，尤其是在工厂，矿区，居民区的灾后救援工作研究。

发明内容

本发明所要解决的技术问题是，克服现有技术的不足，研究灾后被困人员存在生命期限情况下的多机器人救援问题，并采用微粒群优化方法来规划路径。为使算法能够得到较好的优化结果，本发明在规划救援路径之前，将区域分布距离较近的目标点分为一类，看作一个救援子任务，并根目标点的分配情况设计PSO优化方法。它是一种多机器人自主分配救援任务方法，可以用于实际灾后救援环境。

本方法的技术解决方案：在优化路径之前，给出目标点分配策略，设计微粒的编码和解码方法，然后，建立多机器人多目标点救援路径规划问题的数学模型，给出该模型的PSO求解方法。其特征包括如下两个阶段：

阶段1：目标点分配方法

考虑到实际救援环境中，部分目标点分布较为集中，根据这些目标点的位置以及机器人搜索最大半径，将在机器人最大搜索范围内的目标点，归为一类，看作一个子任务，符合上述条件的目标点都可以分到同一个子任务中，如图1所示。具体步骤如下(如图2所示)：

步骤1：随机选取一个目标点，并将其在已有序列中删除，在剩下的序列中寻找与其在机器人最大搜索半径范围内的目标点，并将其分在同一子任务中；如果没有找到在机器人最大搜索半径内的目标点，则该目标点自成一个子任务。

步骤2:将满足式步骤1的所有目标点分到同一个子任务中，若子任务中目标点的个数大于设定值，则需要对其中的目标点进行删除，保留距离彼此最近的几个目标点，即，保留分布最为密集的目标点，分布相对稀疏的目标点从该类中删除。计算一个目标点距离其他所有目标点之间的距离之和，保留所得结果中最小的几个目标点，将其分到同一个子任务中。

步骤3：判断已有序列中是否还有目标点没有得到分配，如果有，则转入步骤1继续；否则，目标点分配完成，转入第二阶段。

阶段2：基于微粒群优化的多机器人多目标点救援路径规划策略。

该阶段设计PSO算法以优化多机器人多目标点的救援路径规划问题。

本发明基于优化问题特性，给出新的编码和解码方法，算法中，一个微粒代表一个路径，即，救援任务；且，救援任务由若干子任务构成。所提算法的执行步骤如下(如图3所示)：

步骤1：微粒群初始化。设定微粒当前位置为其个体极值，微粒群发现的最优位置为其全局极值，初始化微粒位置的更新次数t＝1；

步骤2：采用关于全局极值和个体极值的整数微粒群更新公式，产生新的微粒位置X_i(t+1)；

步骤3：当微粒X_i到达新生位置后，解码得到救援顺序，并计算当前位置上微粒的适应值；

步骤3.1：已知微粒X_i，选取X_i前U个整数序列(U为子任务的个数)，即(x₁,x₂,…,x_U)，对这个序列中的整数执行取余操作，并在取余操作后加1，即Mod(x_ij,M)+1(M为机器人的个数)，由此，解码得到一个序列，表示子任务分配到各个机器人救援的情况。

步骤3.2：对前面U个整数，进行大小排序，排序结果表示子任务得到救援的先后顺序，越大则表示越优先得到救援；

步骤3.3：针对各个子任务中的目标点，假设第一个子任务列表中含有N₁个目标点，从x_U+1开始依次往后选取N₁个整数，对这N₁个整数从大到小排序，最大的标记为1，最小的标记为N₁，由此可以得到一个序列，其中整数标记为几，则表示该目标点第几个得到救援。采用相同方法，依次选取N₂，N₃，…，N_U个，进行排序，可以得到整个救援任务的目标点救援顺序。

步骤3.4：根据适应值计算公式，计算步骤3.3所得救援顺序的适应值。

步骤4：更新微粒X_i的个体极值和全局极值。个体极值选取微粒目前为止找到的具有最大适应值(救援个数)的微粒，即，微粒自身的记忆。微粒的全局极值为目前为止微粒群发现的最好位置，即，微粒同伴的经验。本发现选择根据上述方法选择全局和个体极值；

步骤5：t＝t+1；如果t<最大迭代次数，则执行步骤3，否则算法结束，输出全局最优值。

本发明与现有技术相比的优点在于：

(1)针对多机器人多目标点路径规划问题，考虑待救目标点生命期限有限的约束，完成了多目标点的任务分配。根据目标点的位置信息，将距离在一定范围内的目标点分为一类，即，一个子任务，这样在同一子任务中的目标点在短时间可以得到救援，提高了机器人的搜索效率；采用PSO求解，给出新的解码方法，保证了多个机器人在救援的过程中，不会发生多个机器人重复救援同一个目标点的情况，避免了冲突的发生。

(2)相对单个机器人，采用多机器人搜救，效率更高。在多机器人系统中，采用PSO对多机器人进行全局路径规划，充分利用环境的全局信息，保证得到全局最优解，达到最大的救援个数。从而，机器人搜索效率更高。

(3)不同于已有的机器人搜救方法，本发明采用整数微粒群进化方法来对机器人搜救任务进行规划，智能优化方法很少用在机器人搜救领域，本发明的使用必然会拓宽智能优化方法的应用范围。

(4)指导性强。现有文献和方法大多研究局部搜索方法，往往得到的救援结果不是最优解，本发明采用全局规划方法，旨在给后来的搜救任务提供一个全局优化解，对以后的实时搜救策略给予指导。

附图说明

图1多机器人多目标点救援场景

图2目标点分配方法

图3PSO求解方法执行步骤

图4场景一中,各个机器人的救援顺序

图5场景二中,各个机器人的救援顺序

图6场景三中,各个机器人的救援顺序

具体实施方式

下面结合具体附图和实例对本发明所提方法的实施方案进行详细说明。

如图1所示，本发明针对图中救援场景进行规划，从图中可以看出，一些区域被困人员距离较近，比较集中，另外一些区域被困人员分别比较稀少，所以首先要对这些被困人员进行任务分配，然后采用PSO对上述救援问题进行求解，两个阶段有机结合，最终达到救援最多目标点的目的。

1.目标点分配方法

假设环境中有N个分布在各处的目标点，且这N个目标点中，部分目标点分布比较集中。采用M个机器人进行救援，机器人的最大搜索半径为R_m。

考虑到该救援问题中，对于一些分布比较集中的目标点，根据机器人的最大搜索半径，将在机器人最大搜索范围内的目标点，归为一类，看作一个子任务，记为Q，符合如下条件的目标点都可以分在同一个子任务中。

从N个目标点中任选一个目标点i，计算其他任一目标点j到目标点i之间的欧式距离：

d＝|p_i-p_j|(1)

其中p_i,p_j为目标点所在位置，i,j<N,i≠j。如果

d<R_m(2)

则可以分到同一个子任务中；否则，则将其排除在该子任务范围之外。

具体的任务分配步骤如下：

步骤1：随机选取一个目标点i，并将其在目标点待救序列中删除，在剩下的序列中寻找与目标点i在R_m内的目标点，即，满足式(2)，并将其分到与目标点i所在的子任务中；如果没有满足在R_m范围内的目标点，则该目标点自成一个子任务。

步骤2:将满足式(2)的所有目标点分到同一个子任务中，若子任务中目标点的个数大于则需要删除子任务中多余的目标点，保留彼此距离最近的个，即，保留分布最密集的目标点，分布相对稀疏的目标点从该子任务中删除。采用下式计算一个目标点距离其他所有目标点之间的距离之和，即：保留上式中最小的个目标点，将其到同一子任务中。

步骤3：判断已有序列中是否还有目标点没有得到分配，如果有，则转入Step1继续；否则，目标点任务分配完成，给每个子任务以及子任务中的目标点进行重新编号。

2基于微粒群优化的多机器人多目标点救援路径规划策略。

结合附图3，进一步说明所提算法。

(1)微粒编码方法

本发明公开的算法是基于离散救援序列的编码方式来进行整个算法设计。因此，本发明采用整数编码，一个完整的路径代表种群中的一个解(即微粒)，解的维数为机器人数与待救目标点数之和。针对第i个微粒，x_i，其可以表示为：

$\left(\right(x_1,x_2,...,x_U),(x_{U+1},...,x_{U+N_1}),(x_{U+N_1+1},...,x_{U+N_1+N_2}),...,(x_{U+N_1+...N_{U-1}+1}...x_{U+N_1+...N_{U-1}+N_U}\left)\right)$

其中，前面U个整数表示U个子任务分配给M个机器人的情况，后面表示分配之后，每个子任务内部的救援顺序。

救援序列解码后，前U个整数表示机器人救援各个子任务的分配情况，剩下的序列则表示每个子任务中被困目标点的救援顺序。如图1所示的救援路径表示为((1)(1,2)(1,2,3)(1,2,3,4,5,6)(1,2,3,4,5,6)(1,2,3,4))。

(2)微粒解码方法

序列前U个整数表示子任务的救援顺序，对他们执行取余加1操作，即，每个整数对M取余后加1，得出结果为子任务的分配到的机器人的序号；序列中第U个整数后的序列表示所有目标点的被救顺序，根据每个子任务中目标点的个数，取出对应数量的整数序列，对该序列按照从大到小的顺序进行排序，最大的标记为1，依次往后标记，则可以解码为一串数字，数字的大小表示目标点的被救顺序，数字越大表示越优先得到救援。假设解码后的救援序列表示为S，S的具体求取方法可以由以下步骤来说明：

Step1：已知微粒X_i，选取X_i前U个整数序列，即(x_i1,x_i2,…,x_iU)，对这个序列中的整数执行取余操作，并在取余操作后加1，即Mod(x_ij,M)+1，由此，解码得到一个序列，表示子任务分配到各个机器人的情况。

Step2：对于解码后分配到同一个机器人救援的子任务，对它们解码前的整数进行大小排序，排序结果越大表示越优先得到救援；

Step3：针对各个子任务中的目标点，假设第一个子任务中含有N₁个目标点，从x_U+1开始依次往后选取N₁个整数，对这N₁个整数根据其大小依次进行排序，最大的标记为1，最小的标记为N₁，由此可以得到一个整数序列，其中整数标记为几，则表示该目标点第几个得到救援。采用相同方法，依次选取N₂，N₃，…，N_U个，进行排序，可以得到整个救援行动的目标点救援顺序。

通过上述三个步骤，可以得到解码后的救援序列。为了更好的说明本发明的解码方法，通过如下例子，详细了解整个解码过程。

针对图1所示环境，假设可以分为6个子任务，即，U＝6，假设需要3个机器人对这些目标点进行救援，即，M＝3。假设粒子可以表示为X＝(10,20,4,5,8,78,22,48,96,4,7,8,14,15,78,62,36,55,5,22,1,47,21,31,5,47,9,6)。对前6个整数执行对M取余加1操作，即对(10,20,4,5,8,78)中的整数对3进行取余加1操作，对于第一个整数10，Mod(10,3)+1＝2，依次对上述整数执行取余加1操作，得到的结果为：(2,3,2,3,3,1)，表示第一个和第3个子任务由机器人2执行救援，第二个，第四个和第五个子任务由机器人3执行救援，第六个则由机器人1执行救援。比较机器人2救援的两个任务列表解码之前的整数大小，10>4，所以机器人2先对第一个子任务进行救援，然后对第3个子任务进行救援；采用相同方法，机器人3救援的子任务依次为2，5，4。序列后面表示的是各个子任务中包含的目标点顺序，针对图1，第一个子任务列表内只有一个目标点，则无需解码；第二个子任务有两个目标点，对X中第U+2与U+3个整数进行排序，大的标记为1，小的标记为2，即对48,96进行排序，解码为(2,1)，表示为机器人先对第2个目标点进行救援，然后再对第一个进行救援。依次对各个子任务执行排序操作，则依次解码为(3,2,1)(6,5,1,2,4,3)(5,3,6,1,4,2)(4,1,2,3)，表示机器人对各个子任务的救援顺序，排序结果的大小则表示机器人救援该目标点的先后顺序。由此，针对图1所示环境，采用本发明解码方法，可以得到如下序列：S_i＝(2,3,2,3,3,1,1,2,1,3,2,1,6,5,1,2,4,3,5,3,6,1,4,2,4,1,2,3)，该序列表示的意义为，机器人1对子任务6执行救援操作，救援的顺序为目标点4-1-2-3；机器人2对子任务1和3救援，救援的顺序为1，3-2-1；剩下的由机器人3来救援，救援的顺序为子任务2(2-1)，5(5-3-6-1-4-2)和4(6-5-1-2-4-3)。依照上述救援顺序，完成整个救援任务。

(3)适应值计算

假设将上述N个目标分成U个子任务，记为{Q₁,Q₂,…,Q_U}，假设每个子任务列表中的目标点个数分别为{N₁,N₂,…,N_U}，每个目标点的生命强度为σ_i，生命强度阈值为△σ。

如果机器人到达目标点的时候其生命强度大于△σ，则目标点个数加1；否则，目标点个数保持不变。基于此，本文所求问题的救援个数可以表示如下：

$F=\underset{k=1}{\overset{U}{\&Sigma;}}\underset{j=1}{\overset{N_k}{\&Sigma;}}\mathrm{sgn}\left(\right({\mathrm{\&sigma;}}_{kj}-\mathrm{\&Delta;}\mathrm{\&sigma;}),0)---\left(3\right)$

基于以上分析，本文所要求的救援问题表示如下：

(4)微粒速度和位置更新公式

本文中，微粒采用整数编码，要求更新后的微粒位置为整数，所以对微粒位置更新公式执行取整操作，保证所得结果为整数。采用如下两个公式进行速度和位置的更新，表示如下：

V_ij(t+1)＝wV_ij(t)+c₁r₁(p_ij(t)-X_ij(t))+c₂r₂(p_gj(t)-X_ij(t))(5)

其中，V表示微粒的速度，X表示微粒的位置，表示向下取整函数。

(5)全局和个体极值更新策略

全局极值在整个算法运行过程中，引导粒子飞行，保证微粒在整个过程中，找到问题的最优解。全局极值在整个算法的寻优过程中起着非常重要的作用，因此，它的选择尤为重要，如何选择全局极值是本部分研究的问题。

全局极值从个体极值中选取，首先更新微粒的个体极值，具体思想是：引入一个可选集合，将微粒中较优的解放入该集合中，以选取全局极值，如果当前微粒适应值大于个体极值，则个体极值更新为当前微粒，删除可选集合中的微粒，并将当前微粒保存在可选集合中；如果等于个体极值，则个体极值更新为当前微粒，并将其保存在可选集合中；如果当前微粒小于当前个体极值，则个体极值保持不变，并将个体极值保存在可选集合中。

全局极值从可选集合中选取，如果可选集合的微粒适应值等于或者全部大于全局极值，则全局极值更新为其中一个微粒；如果可选集合中微粒适应值小于全局极值，则全局极值保持不变。如果同时存在两个或者两个以上微粒满足上述要求，则随机从中选取一个作为全局极值。

应用实例

算法仿真环境为：3.0GHzCPU,2G内存以及Intel(R)Core(TM)的处理器。仿真程序在MATLABR2009a上编程和运行，微粒群算法的参数设置如下：c₁＝c₂＝2，ω＝ω_max-(ω_max-ω_min)*t/T_max，ω_max＝0.9，ω_min＝0.4；种群规模为100，进化代数为120；机器人所在的救援环境为一个100m*100m的二维平面；目标点的生命强度阈值为1.0；机器人移动速度为0.3；ST＝5，机器人的最大搜索半径为20，即在机器人搜索半径范围内的目标点都可以分配到同一个子任务中去。

对本发明进行仿真，并分析所得结果性能。本发明考虑了3个场景，分别是：16，24和48个目标点的救援。仿真分别采用5，5和10个机器人组成的多机器人系统对上述目标点进行救援，每个机器人设定相同的移动速度，本发明设置为3m/s；每种场景分析均仿真20次。

A.16个目标点的救援

采用5个机器人对表1中16个目标点进行救援，每个目标点的具体信息如表1所示。

表1仿真场景1中的目标点信息

目标	1	2	3	4	5	6	7	8
									位置	(52,35)	(15,28)	(29,81)	(59,14)	(6,33)	(92,67)	(82,73)	(7,30)
生命强度	36.14	64.10	36.44	55.12	68.44	25.97	16.06	69.26
									目标	9	10	11	12	13	14	15	16
位置	(65,25)	(95,20)	(12,11)	(20,45)	(15,65)	(36,87)	(41,22)	(40,88)
									生命强度	43.80	57.11	78.11	50.28	49.05	32.42	52.47	29.61

根据分类方法，以及16个目标点的位置，可以将其分为7个子任务，即，目标点(15，9，1),(12，11，2，5，8),(14，16，3)，4，(6，7)，10，13分别组成。根据上述分配情况，采用PSO对上述问题进行求解，运行算法20次，得出的结果如图4以及表2所示，5个机器人可以完成对12个机器人的救援，平均算法运行时间为3.712s。

表2场景1仿真结果

B.24个目标点的救援

采用5个机器人对表3中24个目标点进行救援，每个目标点的具体信息如表3所示。

根据分类方法，以及24个目标点的位置，目标点信息如表3所示。

表3仿真场景2中的目标点信息

目标	1	2	3	4	5	6	7	8
									位置	(70,0)	(60,25)	(95,20)	(2,11)	(20,45)	(15,65)	(36,87)	(41,22)
生命强度	68.98	44.08	57.11	85.11	50.28	49.05	32.42	52.47
									目标	9	10	11	12	13	14	15	16

位置	(40,28)	(52,35)	(15,14)	(29,18)	(59,44)	(6,33)	(92,61)	(82,73)
									生命强度	47.68	36.14	73.87	62.05	25.48	68.44	27.26	16.06
目标	17	18	19	20	21	22	23	24
									位置	(52,35)	(15,20)	(29,71)	(59,54)	(6,3)	(92,27)	(82,79)	(7,36)
生命强度	36.14	69.51	34.81	45.6	66.07	43.18	9.62	52.06

根据分类方法，可以将24个目标点分为10个|子任务，即，目标点(21，1),(2，8，10，13，17，22),3,(4，11，18),(5，14，20，24)，(6，19)，7,(9，12),(15，16),33分别组成一个子任务。根据上述分配情况，采用PSO对上述问题进行求解，运行算法20次，得出的结果如图5所示，5个机器人可以完成对23个机器人的救援，平均算法运行时间为5.688s，具体结果如表4所示。

表4场景2仿真结果

C.48个目标点的救援

采用10个机器人对表5中48个目标点进行救援，目标点信息如表5所示。

表5仿真场景3中的目标点信息

目标	1	2	3	4	5	6	7	8
									位置	(70,0)	(60,25)	(95,20)	(2,11)	(20,45)	(15,65)	(36,87)	(41,22)
生命强度	68.98	44.08	57.11	85.11	50.28	49.05	32.42	52.47
									目标	9	10	11	12	13	14	15	16
位置	(40,88)	(52,35)	(15,28)	(29,81)	(59,14)	(6,33)	(92,67)	(82,73)
									生命强度	29.61	36.14	64.10	36.44	55.12	68.44	25.97	16.06
目标	17	18	19	20	21	22	23	24
									位置	(52,35)	(15,20)	(29,71)	(59,54)	(6,3)	(92,27)	(82,79)	(7,36)
生命强度	36.14	69.51	34.81	15.89	88.07	49.57	18.04	66.03
									目标	25	26	27	28	29	30	31	32
位置	(12,22)	(25,16)	(8,15)	(11,63)	(32,15)	(22,14)	(81,42)	(51,63)

生命强度	70.31	66.00	78.01	53.25	62.94	69.40	31.05	14.45
									目标	33	34	35	36	37	38	39	40
位置	(25,5)	(59,53)	(18,23)	(98,27)	(23,85)	(33,19)	(27,36)	(79,38)
									生命强度	75.1217	16.83	65.27	53.00	43.40	59.01	49.79	33.73
目标	41	42	43	44	45	46	47	48
									位置	(66,10)	(41,50)	(35,45)	(72,28)	(74,26)	(63,51)	(30,56)	(99,42)
生命强度	58.81	30.04	37.85	41.38	43.71	17.91	35.80	42.85

由表6可知，目标点(1，13，41),(2，8，10，17，44，45),(3，22，36),(4，18，21，25，27)，(5，11，14，24，39，43，47)，(6，19，28)，(7，9，12，37)，(15，16，23),(20，32，34，42，46)，(26，29，30，33，35，38)以及(31，40，48)分别组成一个子任务。根据上述分配情况，采用PSO对上述问题进行求解，运行算法20次，得出的结果如图6所示，10个机器人可以完成对40个机器人的救援，平均算法运行时间为8.861s，具体结果可参见表6.

表6场景3仿真结果

Claims (4)

1.一种适于灾后环境的多机器人多目标点救援路径规划方法，其特征在于如下所述的两个阶段：

目标点分类阶段：在工作空间中，针对每个机器人，将其最大搜索范围内的目标点划分为一类，看成一个子任务，根据具体的分配准则，可以将需要救援的目标点划分为多个子任务；

基于微粒群优化的多机器人多目标点救援路径规划阶段：将每个救援路径看成一个微粒，对微粒进行整数编码，通过取余等解码操作，获取每个子任务的救援分配情况；将机器人所能救援的目标点的个数作为适应度函数，执行基于整数微粒群优化的多机器人多目标优化方法，确定机器人对各个子任务以及目标点的救援顺序，从而得到最终的救援顺序。

2.根据权利要求1所述的目标点分类方法，其特征在于，在规划路径之前，根据目标点之间的距离，将在机器人最大搜索半径范围内的目标点划分到同一个子任务中，由此，可以将需要救援的目标点分为若干个子任务，执行步骤如下：

步骤1：从目标点序列中，任选一个目标点i，并计算序列中所剩目标点与目标点i之间的距离L；

步骤2：判断L与机器人最大搜索半径R_m之间的大小关系，如果L<R_m，则将该目标点与目标点i分到同一个子任务中，并从目标点序列中将其删除；如果没有一个满足L<R_m的目标点，则目标点i自成一个子任务。

步骤3：判断目标点i所在子任务中的目标点个数是否大于设定值如果大于，则计算该子任务中每个目标点与其他目标点之间的距离之和，并按照从小到大的顺序排列，保留前面个，其余不被选择的目标点则重新放回目标点序列中，转步骤1；否则，如果小于，转步骤4；

步骤4：判断目标点序列中是否还有目标点没被分配，如果没有，则结束；否则，转步骤1。

3.根据权利要求1所述的基于微粒群优化的多机器人多目标点救援路径规划策略，其特征在于采用微粒群优化方法搜索粒子的位置，以第i个微粒为例，表现为循环执行如下步骤：

步骤1：根据设定值，将目标点分为若干类，形成不同的子任务；

步骤2：初始化微粒的各个参数；初始化微粒的个体和全局极值；

步骤3：采用整数微粒群位置和速度更新公式，产生新的微粒位置；

步骤4：采用所提解码方法将微粒解码，并计算微粒的适应值；

步骤5：更新微粒的全局极值和个体极值；

步骤6：判断算法是否达到最大迭代次数，如果是，输出最优值；否则，返回步骤2。

4.根据权利要求1所述的基于微粒群优化的多机器人多目标点救援路径规划策略，其特征在于采用新的微粒解码方法来得到机器人的救援顺序，以第i个微粒X_i为例，假设采用M个机器人执行救援任务，表现为循环执行如下步骤：

步骤1：选取X_i前U(U为子任务的数量)个整数序列，即(x_i1,x_i2,…,x_iU)，该序列中的整数一次对M执行取余操作，并在取余操作后加1，即Mod(x_ij,M)+1，由此，依次解码得到一个序列，表示为各个子任务分配到每个机器人救援的情况；

步骤2：对解码后的序列，如果存在两个或者两个以上的子任务被分配给同一个机器人，则对上述子任务解码前的整数，按照从大到小的顺序进行排序，排序结果表示救援的先后顺序，越大表示越先得到救援；

步骤3：从X_i中选取第U+1之后的所有整数序列，针对各个子任务中的目标点，假设第一个子任务需要救援N₁个目标点，从x_i(U+1)开始依次往后选取N₁个整数，对这N₁个整数按照大小依次排序，最大的标记为1，最小的标记为N₁，由此可以得到一个序列，其中，整数标记序号表示目标点被救援的次序；采用相同方法，依次选取N₂，N₃，…，N_U个，进行排序，可以得到整个救援行动的目标点救援顺序。