CN106951956A - 一种基于果蝇优化算法的多机器人气味源定位方法 - Google Patents

一种基于果蝇优化算法的多机器人气味源定位方法 Download PDF

Info

Publication number
CN106951956A
CN106951956A CN201710148822.8A CN201710148822A CN106951956A CN 106951956 A CN106951956 A CN 106951956A CN 201710148822 A CN201710148822 A CN 201710148822A CN 106951956 A CN106951956 A CN 106951956A
Authority
CN
China
Prior art keywords
value
fruit bat
odor source
optimized algorithm
concentration
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710148822.8A
Other languages
English (en)
Inventor
缪燕子
卜淑萍
许瑞琪
金鑫
李晓东
周笛
金慧杰
许红盛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN201710148822.8A priority Critical patent/CN106951956A/zh
Publication of CN106951956A publication Critical patent/CN106951956A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及一种基于果蝇优化算法的多机器人气味源定位方法，其特征在于该方法包括以下步骤：1）烟羽发现：随机给定机器人群体初始位置Pos，机器人个体以该初始位置为中心，在自适应步长Step*2的方块区域内分散开来，依据得到的最大浓度值是否大于设定的浓度阈值α确定是否转入烟羽追踪阶段；2）烟羽追踪：选择气味浓度最大的机器人作为最优个体Bestsmell，若该个体的浓度大于群体最优Smellbest，将该位置更新为群体最优；3）气味源确认：以设定的浓度阈值C lim 作为迭代终止条件，最大迭代次数内连续3次找到的最优解满足终止条件时，认定完成气味源定位的任务。该方法对原始果蝇算法中的固定步长进行修正，使其依据浓度进行自适应变化，有效提高气味源定位效率。

Description

一种基于果蝇优化算法的多机器人气味源定位方法
技术领域
本发明涉及基于果蝇优化算法的多机器人气味源定位方法的研究，属于机器人主动嗅觉领域。
背景技术
由于危险气体的泄漏导致生命财产受损的事件时常发生，很多自然界的生物可以凭借本身灵敏的嗅觉，判定危险的存在、及时规避危险。受到生物有效利用嗅觉信息的启发，一些学者将配备气体传感器的机器人应用到定位危险化学源的研究中，并将此类研究定义为机器人主动嗅觉。在机器人主动嗅觉研究领域，将危险气体泄漏源定义为气味源。
Hayes将一般性的气味源定位问题定义为在二维的封闭环境中，尽可能快的找到单个气味源的过程，并将该过程分解为3个子任务：烟羽发现、烟羽追踪和气味源确认。在该领域的研究前期，有关单机器人的气味源定位问题得到了广泛研究。使用单机器人进行气味源的定位，无论是基于浓度梯度的趋化性策略，还是基于逆风搜索的趋风性策略，在指导机器人进行气味源定位的过程中都存在效率低下的问题。
近年来，由于机器人技术迅猛发展，研究如何利用多机器人定位气味源得到了重视。相较于单机器人，将多机器人应用到气味源定位研究存在诸多优势，比如可以减少搜索时间、扩大搜索区域、提高搜索效率、具有更高的鲁棒性和抗干扰性，在较为复杂的搜索环境中，可以完成单机器人无法完成的任务。
考虑到多机器人系统的群体性，群体智能优化算法被广泛的应用到气味源定位研究中。果蝇优化算法作为一种新的演化式群体智能算法，具有简单、稳健、易实现、灵活等优点，为复杂的优化应用问题或者能够转化为优化求解的问题提供了一种新的解决途径。目前果蝇优化算法的适用范围大多在连续函数的参数优化领域，针对离散域的寻优问题尚未有直接的应用。
本发明针对单机器人在气味源定位任务中存在的不足，在继承原始果蝇优化算法协作式寻优模式的基础上，将其应用于离散域的寻优过程，对原始果蝇优化算法中的固定步长加以修正，使其能够依据浓度进行自适应变化，在保证高成功率的前提下，极大的提高气味源定位的效率。
发明内容
单机器人在气味源定位任务中对环境已知信息要求高、抗干扰性差、易陷入局部最优状态，针对单机器人应用于机器人主动嗅觉的缺陷，本发明提出了一种基于果蝇优化算法的多机器人气味源定位方法，机器人能够在不依靠风向信息的情况下，充分利用迭代更新的位置信息和浓度信息，高效完成气味源定位的任务。
本发明解决其技术问题所采用的技术方案是。
烟羽发现：随机给定机器人群体初始位置Pos，机器人个体以该初始位置Pos为中心，在自适应步长Step*2的方块区域内分散开来，依据得到的最大浓度值是否大于设定的浓度阈值α确定是否转入烟羽追踪阶段。
烟羽发现：随机给定机器人群体初始位置Pos，机器人个体以该初始位置Pos为中心，在自适应步长Step*2的方块区域内分散开来，依据得到的最大浓度值是否大于设定的浓度阈值α确定是否转入烟羽追踪阶段。
烟羽追踪：选择气味浓度最大的机器人作为最优个体Bestsmell，若该最优个体的浓度值大于群体浓度值，则将该最优个体更新为群体最优值Smellbest，以群体最优值的位置为中心不断进行迭代寻优。在迭代寻优过程中，机器人个体以Pos为中心向外分散时的步长值依据浓度值进行自适应变化。采用自适应变化的步长值，可以保证在气味源定位的整个过程中保持高效率的搜索。
其中，自适应步长值的公式为：
，
L 0 为给定的固定步长值，Scale是步长值自适应变化的比例因子，C max 为预先设定的最大浓度值，α为取值大于1的整数。
气味源确认：以设定的浓度阈值C lim 作为迭代终止条件，在最大迭代次数内，连续3次找到最优解的浓度值大于Clim，才认定完成气味源定位的任务，将群体最优Smellbest最后所处的位置确定为气味源位置；若实际运行的迭代次数大于设定的最大迭代次数，算法终止，宣告气味源定位任务失败。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明方法的流程图。
具体实施方式
1. 初始化。
1.1 设定初始参数：在搜索空间内随机选择一个位置Pos作为机器人群体的初始位置，设定种群的规模Size、初始浓度阈值α和初始步长值L 0 。
1.2 设定算法终止条件：搜索空间的浓度阈值C lim 和最大迭代次数G max 。
2. 烟羽发现和烟羽追踪：果蝇群体依据自适应变化的步长值进行气味源位置的迭代更新。
2.1 计算自适应步长值Step：自适应步长值的大小由当前的群体最优浓度值Smellbest与预先设定的环境中的最大浓度值C max 之间的大小关系自适应调节，由式(1)决定：
(1)
其中L 0 为给定的固定步长值，Scale是步长值自适应变化的比例因子，C max 为预先设定的最大浓度值，α为取值大于1的整数。
机器人刚进入到搜索环境时，随机选择一个位置作为群体的初始位置。由于气味源的泄漏是一个时变过程，在进行气味源定位的初始阶段，搜索区内的部分区域的浓度值近似为0，自适应步长依据浓度变化，在初始阶段步长值相对较大，全局搜索能力很强，机器人会加强在整个搜索空间的搜索；气味源临近区域内的气味浓度值较大，当机器人群体收敛到气味源邻域时，自适应步长的大小相对较小，具有很强的局部搜索能力，能够快速准确的定位到气味源位置。
2.2 种群位置的更新：果蝇个体从群体最优位置出发，在自适应步长值Step*2限定的方形区域内随机扩散，每个果蝇个体的位置根据式(2)进行更新：
.(2)
其中，Bestsmell表示果蝇群体的当前位置，Loc i * 表示第i个果蝇将要前往的位置，Step表示自适应步长的大小，rand(1,1)产生[-1,1]范围内的随机数。
2.3 保留每次迭代过程中味道浓度最大的果蝇个体，作为最优个体bestSmell。若最优个体的味道浓度大于群体最优值，将该个体设定为群体最优Smellbest。每次迭代都选出味道浓度最大的作为最优个体，不断更新群体最优。
3. 气味源确认：以设定的浓度阈值C lim 作为迭代终止条件，在最大迭代次数内，连续3次找到最优解的浓度值大于C lim ，才认定完成气味源定位的任务，将群体最优的最后位置确定为气味源的位置。若实际运行的迭代次数大于设定的最大迭代次数，算法终止，宣告气味源定位任务失败。

Claims (4)

1.一种基于果蝇优化算法的多机器人气味源定位方法，其特征在于该方法包括的步骤为：
1）基于果蝇优化算法的协作式搜索策略：采用果蝇优化算法协作式的搜索策略，首先在以自适应步长Step*2的方形区域内进行随机初始化；机器人群体进入到搜索空间，依据得到的最大浓度值是否大于设定的浓度阈值α确定是否转入烟羽追踪阶段；在烟羽追踪阶段，果蝇优化算法的步长Step依据浓度自适应变化，利用机器人群体的最优解不断地进行迭代寻优，直到成功找到气味源；在每次的迭代更新过程中，都包括群体最优的浓度信息更新阶段和位置更新阶段；
2）基于果蝇优化算法的烟羽追踪策略：果蝇优化算法依据当前群体最优Smellbest的气体浓度值与预先设定的最大浓度值C max 之间的大小关系自适应地调节步长值Step的大小；
3）气味源确认策略：在气味源确认阶段，本发明以预先设定好的浓度值C lim 作为迭代的终止条件，并且设定在最大迭代次数内连续多次(本发明方法中设定为3次)找到的个体最优解的值大于C lim ，认为成功找到气味源、完成气味源定位的任务；若实际运行的迭代次数大于设定的最大迭代次数，算法终止，宣告气味源定位任务失败。
2.根据权利要求1所述的方法，其特征在于所述的果蝇优化算法中，果蝇个体在设定的步长值Step*2的方形区域内随机地向外扩散；这种随机分配个体位置的方式，能够保证机器人在寻优的过程中避免长时间陷入局部最优值，保证气味源定位任务的高成功率。
3.根据权利要求1所述的方法，其特征在于果蝇优化算法的自适应步长公式：为了让果蝇优化算法更好的适用于气味源定位任务，本发明对原始果蝇优化算法中的固定步长作了修正，根据当前群体最优的气体浓度值Smellbest与预先设定的环境中的最大浓度值C max 之间的大小关系，自适应地调节果蝇优化算法中步长值Step的大小，自适应步长值的公式为：
，其中L 0 为给定的固定步长值，C max 为预先设定的最大浓度值，Scale是步长值自适应变化的比例因子，α为取值大于1的整数。
4.根据权利要求1所述的方法，其特征在于果蝇优化算法的自适应步长策略具有的优势，在进行气味源定位的迭代过程中，群体最优值的浓度值较小时，步长值Step按照一定的比例放大，获得较强的全局搜索能力；群体最优值的浓度值较大时，步长值Step按照一定的比例缩小，获得较强的局部搜索能力；本发明所述方法能够保证机器人群体在进行气味源定位的初期阶段具有较强的全局搜索能力，在后期阶段具有较强的局部搜索能力，从而保证了定位气味源的高效性。
CN201710148822.8A 2017-03-14 2017-03-14 一种基于果蝇优化算法的多机器人气味源定位方法 Pending CN106951956A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710148822.8A CN106951956A (zh) 2017-03-14 2017-03-14 一种基于果蝇优化算法的多机器人气味源定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710148822.8A CN106951956A (zh) 2017-03-14 2017-03-14 一种基于果蝇优化算法的多机器人气味源定位方法

Publications (1)

Publication Number Publication Date
CN106951956A true CN106951956A (zh) 2017-07-14

Family

ID=59466802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710148822.8A Pending CN106951956A (zh) 2017-03-14 2017-03-14 一种基于果蝇优化算法的多机器人气味源定位方法

Country Status (1)

Country Link
CN (1) CN106951956A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108645769A (zh) * 2018-06-05 2018-10-12 广州市荣盛环保科技有限公司 一种基于无人机的环境空气质量监测方法
CN109540141A (zh) * 2018-11-23 2019-03-29 北京科技大学 一种污染源定位移动机器人及污染源定位方法
CN110234120A (zh) * 2018-03-06 2019-09-13 重庆邮电大学 一种受限环境下无线传感器网络节点的优化部署方法
CN110349675A (zh) * 2019-07-16 2019-10-18 广东工业大学 一种心血管疾病预测设备及装置
CN110567913A (zh) * 2019-10-12 2019-12-13 海隆石油工业集团有限公司 一种激光光谱气体漏源搜索定位系统及方法
CN111859688A (zh) * 2020-07-27 2020-10-30 浙江量大智能科技有限公司 一种基于压抑心理函数的多飞行器协同追溯气味源方法
CN112861731A (zh) * 2021-02-09 2021-05-28 西安科技大学 一种基于参数寻优的超声信号去噪方法
CN113406958A (zh) * 2021-05-31 2021-09-17 杭州电子科技大学 一种多嗅觉机器人协同的气味源定位方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101210817A (zh) * 2007-12-24 2008-07-02 河北工业大学 室内环境下机器人自主搜寻气味源的方法
CN102034030A (zh) * 2010-12-28 2011-04-27 杭州电子科技大学 一种多机器人系统合作定位危险气味源方法
CN103278151A (zh) * 2013-02-28 2013-09-04 中国矿业大学 一种动态烟羽环境下多机器人协作搜索气味源方法
CN105022406A (zh) * 2015-06-29 2015-11-04 徐州工程学院 基于改进细菌觅食算法的多机器人协作气味源定位方法
CN105301203A (zh) * 2015-11-27 2016-02-03 中国矿业大学 一种基于烟花算法的气味源定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101210817A (zh) * 2007-12-24 2008-07-02 河北工业大学 室内环境下机器人自主搜寻气味源的方法
CN102034030A (zh) * 2010-12-28 2011-04-27 杭州电子科技大学 一种多机器人系统合作定位危险气味源方法
CN103278151A (zh) * 2013-02-28 2013-09-04 中国矿业大学 一种动态烟羽环境下多机器人协作搜索气味源方法
CN105022406A (zh) * 2015-06-29 2015-11-04 徐州工程学院 基于改进细菌觅食算法的多机器人协作气味源定位方法
CN105301203A (zh) * 2015-11-27 2016-02-03 中国矿业大学 一种基于烟花算法的气味源定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LEI WU等: "An Improved Fruit Fly Optimization Algorithm Based on Changing Iteration Step Values Adaptively", 《JOURNAL OF COMPUTATIONAL AND THEORETICAL NANOSCIENCE》 *
韩俊英等: "自适应混沌果蝇优化算法", 《计算机应用》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110234120A (zh) * 2018-03-06 2019-09-13 重庆邮电大学 一种受限环境下无线传感器网络节点的优化部署方法
CN108645769A (zh) * 2018-06-05 2018-10-12 广州市荣盛环保科技有限公司 一种基于无人机的环境空气质量监测方法
CN108645769B (zh) * 2018-06-05 2020-05-05 广州市荣盛环保科技有限公司 一种基于无人机的环境空气质量监测方法
CN109540141A (zh) * 2018-11-23 2019-03-29 北京科技大学 一种污染源定位移动机器人及污染源定位方法
CN110349675A (zh) * 2019-07-16 2019-10-18 广东工业大学 一种心血管疾病预测设备及装置
CN110567913A (zh) * 2019-10-12 2019-12-13 海隆石油工业集团有限公司 一种激光光谱气体漏源搜索定位系统及方法
CN111859688A (zh) * 2020-07-27 2020-10-30 浙江量大智能科技有限公司 一种基于压抑心理函数的多飞行器协同追溯气味源方法
CN112861731A (zh) * 2021-02-09 2021-05-28 西安科技大学 一种基于参数寻优的超声信号去噪方法
CN113406958A (zh) * 2021-05-31 2021-09-17 杭州电子科技大学 一种多嗅觉机器人协同的气味源定位方法

Similar Documents

Publication Publication Date Title
CN106951956A (zh) 一种基于果蝇优化算法的多机器人气味源定位方法
CN105301203B (zh) 一种基于烟花算法的气味源定位方法
Zhan et al. Orthogonal learning particle swarm optimization
Liu et al. The wolf colony algorithm and its application
Liu et al. Dynamic path planning for mobile robot based on improved genetic algorithm
CN110062390B (zh) 基于改进狼群算法的无线传感器网络节点优化部署方法
CN110401958B (zh) 一种基于虚拟力的节点动态覆盖增强方法
CN111309004A (zh) 一种基于改进的跳点搜索算法移动机器人路径规划方法
CN107016436A (zh) 一种仿生策略优化的混合鲸鱼算法
CN108594803A (zh) 基于q-学习算法的路径规划方法
CN107367938A (zh) 一种用于机械臂时间最优轨迹规划方法
CN108663050A (zh) 一种基于模拟植物生长引导rrt算法的路径规划方法
Kantasewi et al. Multi Q-table Q-learning
CN110516857A (zh) 一种死鱼捕捞路径规划方法、服务器及死鱼捕捞装置
CN107104965B (zh) 基于移动免疫的恶意程序传播控制方法
CN112504274A (zh) 一种基于Dsl_GA算法的移动机器人路径规划方法
CN109976158B (zh) 基于距离进化n-pso的auv能源优化路径搜寻方法
Asl et al. Improved particle swarm optimization for dual-channel speech enhancement
CN113204238B (zh) 一种移动机器人的路径规划方法、设备及存储介质
CN114279636A (zh) 一种基于改进海鸥算法的多无人机气体泄漏源定位方法
Shunyuan et al. A node positioning algorithm in wireless sensor networks based on improved particle swarm optimization
Xu et al. Cognitive radio decision engine using hybrid binary particle swarm optimization
Lu et al. Coverage optimization based on improved firefly algorithm for mobile wireless sensor networks
Miyagawa et al. Particle swarm optimizers with grow-and-reduce structure
Cornejo et al. Connectivity service for mobile ad-hoc networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170714

WD01 Invention patent application deemed withdrawn after publication