CN107390690A - 融合混沌和精英反向学习的机器人路径规划方法 - Google Patents
融合混沌和精英反向学习的机器人路径规划方法 Download PDFInfo
- Publication number
- CN107390690A CN107390690A CN201710627856.5A CN201710627856A CN107390690A CN 107390690 A CN107390690 A CN 107390690A CN 201710627856 A CN201710627856 A CN 201710627856A CN 107390690 A CN107390690 A CN 107390690A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- individual
- population
- path planning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 13
- 230000010152 pollination Effects 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000000739 chaotic effect Effects 0.000 claims description 9
- 230000000977 initiatory effect Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000010153 self-pollination Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 19
- 238000005457 optimization Methods 0.000 abstract description 3
- 239000003245 coal Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种融合混沌和精英反向学习的机器人路径规划方法。本发明使用关键节点表示机器人的路径，利用融合混沌和精英反向学习的花授粉算法优化机器人路径的关键节点。在该算法中，引入基于精英个体的反向学习策略，然后使用Kent混沌序列构造的混沌权重，将其与差分学习策略加权，作为花授粉算法的新算子。通过引入混沌和精英反向学习，增强了花授粉算法的全局搜索能力，提高解的质量。本发明能够提高机器人路径规划的效率。
Description
技术领域
本发明涉及机器人路径规划领域，尤其是涉及一种融合混沌和精英反向学习的机器人路径规划方法。
背景技术
机器人在社会生产服务等各个领域的应用日益深入，比如水下机器人、排爆机器人、扫地机器人等等。机器人要在环境中自主的完成任务，就必须具备路径规划能力，这是其自主行动的必要条件。机器人路径规划是指机器人根据自身传感器对环境的感知，在满足一定的约束条件下，自行规划出一条从出发点到终止点的最优或次优路线。因此可以将路径规划视为带约束条件的复杂优化问题。现有的路径规划已有多种确定性方法，但是当机器人路径规划的场景比较复杂，或路径规划的范围比较大的时候，确定性方法耗费的时间较长，无法为机器人及时有效的规划路径。
演化算法作为智能仿生算法，在解决规模较大的优化问题时，与确定性方法相比有其独特优势，如适应性强，计算量可控，实时性好。因此，演化算法已被广泛应用于机器人路径规划问题。例如：王雷等人改进传统遗传算法，增添了自适应变异概率和精英策略，提高规划路径的质量(王雷,李明,唐敦兵,蔡劲草.基于改进遗传算法的机器人动态路径规划.南京航空航天大学学报,2016,48(6):841-846)；冯翔等人将社会群体搜索算法用于机器人路径规划，并通过实验证明求解路径规划问题的有效性(冯翔,马美怡,施尹,虞慧群.基于社会群体搜索算法的机器人路径规划.计算机研究与发展,2013,50(12):2543-2553)；杜隆胤设计实现了吸尘机器人，将混沌引入遗传算法，用于路径规划(杜隆胤.基于混沌遗传的智能吸尘器避障研究.计算机测量与控制,2013,21(3):762-765)；张文辉等人引入方向算子改进人工鱼群算法，并用于机器人路径规划(张文辉,林子安,刘彤,张延豪.基于改进人工鱼群算法的机器人路径规划.计算机仿真,2016,33(12):374-379,448)；李晓静和余东满针对三维空间，改进蚁群算法，设计了用于煤炭勘探及救援机器人的路径规划方法(李晓静,余东满.煤炭勘探及救援机器人最优路径规划研究.工矿自动化,2017,43(3):24-29)。
综上所述，演化算法已经广泛应用于机器人路径规划问题。花授粉算法作为模拟自然界中花授粉过程的新型演化算法，可以用于求解机器人路径规划问题。但传统花授粉算法在求解机器人路径规划问题时易陷入局部最优，路径规划效率不高。
发明内容
本发明的目的是提供一种融合混沌和精英反向学习的机器人路径规划方法，它克服了传统花授粉算法在求解机器人路径规划问题时容易陷入局部最优，路径规划效率不高的缺点，还能够提高机器人路径规划的效率。
本发明的技术方案：一种融合混沌和精英反向学习的机器人路径规划方法，包括以下步骤：
步骤1，根据机器人路径规划区域的环境，得到路径规划区域的地图，然后对地图进行栅格化；
步骤2，用户初始化参数，所述初始化参数包括种群大小Popsize，交叉授粉率PCR，反向学习率OBC，缩放因子CF，机器人规划路径中的关键节点数量D，精英数量Num，最大评价次数MAX_FEs；
步骤3，输入机器人路径规划的起始点坐标和终止点坐标；
步骤4，令当前演化代数t＝0，及当前评价次数FEs＝0；
步骤5，初始化Kent混沌映射变量KX为(0,1)区间内的随机实数；
步骤6，随机产生初始种群其中个体下标i＝1,2,...,Popsize，为种群中第i个个体，存储了D个关键节点的横坐标和纵坐标，其中维度下标j＝1,2,...,2×D；
步骤7，计算当前种群Pt中的每个个体的适应值；
步骤8，令当前评价次数FEs＝FEs+Popsize；
步骤9，保存当前种群Pt中的最优个体Bestt；
步骤10，令计数器ki＝1，然后令候选种群PUt为空集；
步骤11，如果计数器ki大于Popsize，则转到步骤17，否则转到步骤12；
步骤12，执行精英反向学习搜索策略，产生候选个体具体操作如下：
步骤12.1，在[1,Popsize]区间内随机产生两个不相等且都不等于ki的正整数Rx和Ry；
步骤12.2，利用Kent混沌映射，按公式(1)计算反向学习混沌权重W；
步骤12.3，更新Kent混沌映射变量KX＝W；
步骤12.4，令计数器tj＝1；
步骤12.5，如果计数器tj大于2×D，则转到步骤13，否则转到步骤12.6；
步骤12.6，随机产生服从Levy分布的一个实数TL；
步骤12.7，在[0,1]之间随机产生一个实数PCRT；
步骤12.8，如果PCRT小于PCR，则转到步骤12.9，否则转到步骤12.11；
步骤12.9，执行交叉授粉操作，计算
步骤12.10，转到步骤12.18；
步骤12.11，在[0,1]之间随机产生一个实数TOB；
步骤12.12，如果TOB小于OBC，则转到步骤12.13，否则转到步骤12.17；
步骤12.13，在当前种群Pt中选择Num个优秀的个体，组成精英种群其中个体下标ni＝1,2,...,Num；
步骤12.14，在[1,Num]之间随机产生一个正整数NTR；
步骤12.15，使用混沌权重融合精英反向学习与差分学习，按公式(2)计算候选个体的第tj维
步骤12.16，转到步骤12.18；
步骤12.17，执行自花授粉操作，按公式(3)计算候选个体的第tj维
其中，rand(0,1)为在[0,1]之间服从均匀分布的随机实数产生函数；
步骤12.18，将解码为对应的关键节点坐标Pot，若坐标Pot不在地图范围内或在地图中的位置标记有障碍，则随机产生的值，直到的值对应的关键节点坐标在地图中且未标记障碍；
步骤12.19，令计数器tj＝tj+1，转到步骤12.5；
步骤13，对个体进行局部搜索，具体操作如下：
步骤13.1，将个体进行解码得到D个关键节点的坐标:TP1,TP2,...,TPD；
步骤13.2，令TP0为机器人路径规划的起始点坐标，并令TPD+1为机器人路径规划的终止点坐标；
步骤13.3，依次对规划路径上的每个关键节点TPbi，执行100次寻优操作,其中下标bi＝1,2,...,D；在寻优操作中，令RangeA为整个地图无障碍区域，并令RangeB为由TPbi-1、TPbi+1的连线作为直径确定的圆形区域，然后从RangeA和RangeB中随机选择一个记为搜索区域RangeS；每次在搜索区域RangeS内，随机选取一点，坐标记为TPR，如果经过TPR的路径优于经过TPbi的路径，则令TPbi＝TPR，且更新个体
步骤14，计算个体的适应值；
步骤15，将个体加入到候选种群PUt中；
步骤16，计数器ki＝ki+1，转到步骤11；
步骤17，从当前种群Pt与候选种群PUt中选择出下一代种群Pt+1；
步骤18，令当前评价次数FEs＝FEs+Popsize；
步骤19，令当前演化代数t＝t+1；
步骤20，保存当前种群Pt中的最优个体Bestt；
步骤21，重复步骤10至步骤20，直至当前评价次数FEs大于或等于MAX_FEs后结束；
步骤22，将最优个体Bestt解码为D个关键节点的坐标，即可得到机器人的规划路径。
本发明公开了一种融合混沌和精英反向学习的机器人路径规划方法。本发明使用关键节点表示机器人的路径，利用融合混沌和精英反向学习的花授粉算法优化机器人路径的关键节点。在该算法中，引入基于精英个体的反向学习策略，然后使用Kent混沌序列构造的混沌权重，将其与差分学习策略加权，作为花授粉算法的新算子。通过引入混沌和精英反向学习，增强了花授粉算法的全局搜索能力，提高解的质量。本发明能够提高机器人路径规划的效率。
附图说明
图1为本发明的流程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
步骤1，根据机器人路径规划区域的环境，得到路径规划区域的地图，然后对地图进行栅格化；
步骤2，用户初始化参数，所述初始化参数包括种群大小Popsize＝30，交叉授粉率PCR＝0.48，反向学习率OBC＝0.4，缩放因子CF＝0.5，机器人规划路径中的关键节点数量D＝8，精英数量Num＝4，最大评价次数MAX_FEs＝3000；
步骤3，输入机器人路径规划的起始点坐标和终止点坐标；
步骤4，令当前演化代数t＝0，及当前评价次数FEs＝0；
步骤5，初始化Kent混沌映射变量KX为(0,1)区间内的随机实数；
步骤6，随机产生初始种群其中个体下标i＝1,2,...,Popsize，为种群中第i个个体，存储了8个关键节点的横坐标和纵坐标，其中维度下标j＝1,2,...,2×D；
步骤7，计算当前种群Pt中的每个个体的适应值；
步骤8，令当前评价次数FEs＝FEs+Popsize；
步骤9，保存当前种群Pt中的最优个体Bestt；
步骤10，令计数器ki＝1，然后令候选种群PUt为空集；
步骤11，如果计数器ki大于Popsize，则转到步骤17，否则转到步骤12；
步骤12，执行精英反向学习搜索策略，产生候选个体，具体操作如下：
步骤12.1，在[1,Popsize]区间内随机产生两个不相等且都不等于ki的正整数Rx和Ry；
步骤12.2，利用Kent混沌映射，按公式(1)计算反向学习混沌权重W；
步骤12.3，更新Kent混沌映射变量KX＝W；
步骤12.4，令计数器tj＝1；
步骤12.5，如果计数器tj大于2×D，则转到步骤13，否则转到步骤12.6；
步骤12.6，随机产生服从Levy分布的一个实数TL；
步骤12.7，在[0,1]之间随机产生一个实数PCRT；
步骤12.8，如果PCRT小于PCR，则转到步骤12.9，否则转到步骤12.11；
步骤12.9，执行交叉授粉操作，计算
步骤12.10，转到步骤12.18；
步骤12.11，在[0,1]之间随机产生一个实数TOB；
步骤12.12，如果TOB小于OBC，则转到步骤12.13，否则转到步骤12.17；
步骤12.13，在当前种群Pt中选择Num个优秀的个体，组成精英种群其中个体下标ni＝1,2,...,Num；
步骤12.14，在[1,Num]之间随机产生一个正整数NTR；
步骤12.15，使用混沌权重融合精英反向学习与差分学习，按公式(2)计算候选个体的第tj维
步骤12.16，转到步骤12.18；
步骤12.17，执行自花授粉操作，按公式(3)计算候选个体的第tj维
其中，rand(0,1)为在[0,1]之间服从均匀分布的随机实数产生函数；
步骤12.18，将解码为对应的关键节点坐标Pot，若坐标Pot不在地图范围内或在地图中的位置标记有障碍，则随机产生的值，直到的值对应的关键节点坐标在地图中且未标记障碍；
步骤12.19，令计数器tj＝tj+1，转到步骤12.5；
步骤13，对个体进行局部搜索，具体操作如下：
步骤13.1，将个体进行解码得到D个关键节点的坐标:TP1,TP2,...,TPD；
步骤13.2，令TP0为机器人路径规划的起始点坐标，并令TPD+1为机器人路径规划的终止点坐标；
步骤13.3，依次对规划路径上的每个关键节点TPbi，执行100次寻优操作,其中下标bi＝1,2,...,D；在寻优操作中，令RangeA为整个地图无障碍区域，并令RangeB为由TPbi-1、TPbi+1的连线作为直径确定的圆形区域，然后从RangeA和RangeB中随机选择一个记为搜索区域RangeS；每次在搜索区域RangeS内，随机选取一点，坐标记为TPR，如果经过TPR的路径优于经过TPbi的路径，则令TPbi＝TPR，且更新个体
步骤14，计算个体的适应值；
步骤15，将个体加入到候选种群PUt中；
步骤16，计数器ki＝ki+1，转到步骤11；
步骤17，从当前种群Pt与候选种群PUt中选择出下一代种群Pt+1；
步骤18，令当前评价次数FEs＝FEs+Popsize；
步骤19，令当前演化代数t＝t+1；
步骤20，保存当前种群Pt中的最优个体Bestt；
步骤21，重复步骤10至步骤20，直至当前评价次数FEs大于或等于MAX_FEs后结束；
步骤22，将最优个体Bestt解码为8个关键节点的坐标，即可得到机器人的规划路径。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (1)
1.融合混沌和精英反向学习的机器人路径规划方法，其特征在于，包括以下步骤：
步骤1，根据机器人路径规划区域的环境，得到路径规划区域的地图，然后对地图进行栅格化；
步骤2，用户初始化参数，所述初始化参数包括种群大小Popsize，交叉授粉率PCR，反向学习率OBC，缩放因子CF，机器人规划路径中的关键节点数量D，精英数量Num，最大评价次数MAX_FEs；
步骤3，输入机器人路径规划的起始点坐标和终止点坐标；
步骤4，令当前演化代数t＝0，及当前评价次数FEs＝0；
步骤5，初始化Kent混沌映射变量KX为(0,1)区间内的随机实数；
步骤6，随机产生初始种群其中个体下标i＝1,2,...,Popsize，为种群中第i个个体，存储了D个关键节点的横坐标和纵坐标，其中维度下标j＝1,2,...,2×D；
步骤7，计算当前种群Pt中的每个个体的适应值；
步骤8，令当前评价次数FEs＝FEs+Popsize；
步骤9，保存当前种群Pt中的最优个体Bestt；
步骤10，令计数器ki＝1，然后令候选种群PUt为空集；
步骤11，如果计数器ki大于Popsize，则转到步骤17，否则转到步骤12；
步骤12，执行精英反向学习搜索策略，产生候选个体具体操作如下：
步骤12.1，在[1,Popsize]区间内随机产生两个不相等且都不等于ki的正整数Rx和Ry；
步骤12.2，利用Kent混沌映射，按公式(1)计算反向学习混沌权重W；
步骤12.3，更新Kent混沌映射变量KX＝W；
步骤12.4，令计数器tj＝1；
步骤12.5，如果计数器tj大于2×D，则转到步骤13，否则转到步骤12.6；
步骤12.6，随机产生服从Levy分布的一个实数TL；
步骤12.7，在[0,1]之间随机产生一个实数PCRT；
步骤12.8，如果PCRT小于PCR，则转到步骤12.9，否则转到步骤12.11；
步骤12.9，执行交叉授粉操作，计算
步骤12.10，转到步骤12.18；
步骤12.11，在[0,1]之间随机产生一个实数TOB；
步骤12.12，如果TOB小于OBC，则转到步骤12.13，否则转到步骤12.17；
步骤12.13，在当前种群Pt中选择Num个优秀的个体，组成精英种群其中个体下标ni＝1,2,...,Num；
步骤12.14，在[1,Num]之间随机产生一个正整数NTR；
步骤12.15，使用混沌权重融合精英反向学习与差分学习，按公式(2)计算候选个体的第tj维
<mrow>
<msubsup>
<mi>U</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
<mi>j</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>=</mo>
<mi>W</mi>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>&times;</mo>
<msubsup>
<mi>BA</mi>
<mrow>
<mi>N</mi>
<mi>T</mi>
<mi>R</mi>
<mo>,</mo>
<mi>t</mi>
<mi>j</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>A</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
<mi>j</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>W</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mo>&lsqb;</mo>
<msubsup>
<mi>A</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
<mi>j</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>+</mo>
<mi>C</mi>
<mi>F</mi>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>A</mi>
<mrow>
<mi>R</mi>
<mi>x</mi>
<mo>,</mo>
<mi>t</mi>
<mi>j</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>A</mi>
<mrow>
<mi>R</mi>
<mi>y</mi>
<mo>,</mo>
<mi>t</mi>
<mi>j</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤12.16，转到步骤12.18；
步骤12.17，执行自花授粉操作，按公式(3)计算候选个体的第tj维
<mrow>
<msubsup>
<mi>U</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
<mi>j</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>A</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
<mi>j</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>+</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>A</mi>
<mrow>
<mi>R</mi>
<mi>x</mi>
<mo>,</mo>
<mi>t</mi>
<mi>j</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>A</mi>
<mrow>
<mi>R</mi>
<mi>y</mi>
<mo>,</mo>
<mi>t</mi>
<mi>j</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，rand(0,1)为在[0,1]之间服从均匀分布的随机实数产生函数；
步骤12.18，将解码为对应的关键节点坐标Pot，若坐标Pot不在地图范围内或在地图中的位置标记有障碍，则随机产生的值，直到的值对应的关键节点坐标在地图中且未标记障碍；
步骤12.19，令计数器tj＝tj+1，转到步骤12.5；
步骤13，对个体进行局部搜索，具体操作如下：
步骤13.1，将个体进行解码得到D个关键节点的坐标:TP1,TP2,...,TPD；
步骤13.2，令TP0为机器人路径规划的起始点坐标，并令TPD+1为机器人路径规划的终止点坐标；
步骤13.3，依次对规划路径上的每个关键节点TPbi，执行100次寻优操作,其中下标bi＝1,2,...,D；在寻优操作中，令RangeA为整个地图无障碍区域，并令RangeB为由TPbi-1、TPbi+1的连线作为直径确定的圆形区域，然后从RangeA和RangeB中随机选择一个记为搜索区域RangeS；每次在搜索区域RangeS内，随机选取一点，坐标记为TPR，如果经过TPR的路径优于经过TPbi的路径，则令TPbi＝TPR，且更新个体
步骤14，计算个体的适应值；
步骤15，将个体加入到候选种群PUt中；
步骤16，计数器ki＝ki+1，转到步骤11；
步骤17，从当前种群Pt与候选种群PUt中选择出下一代种群Pt+1；
步骤18，令当前评价次数FEs＝FEs+Popsize；
步骤19，令当前演化代数t＝t+1；
步骤20，保存当前种群Pt中的最优个体Bestt；
步骤21，重复步骤10至步骤20，直至当前评价次数FEs大于或等于MAX_FEs后结束；
步骤22，将最优个体Bestt解码为D个关键节点的坐标，即可得到机器人的规划路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710627856.5A CN107390690A (zh) | 2017-07-28 | 2017-07-28 | 融合混沌和精英反向学习的机器人路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710627856.5A CN107390690A (zh) | 2017-07-28 | 2017-07-28 | 融合混沌和精英反向学习的机器人路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107390690A true CN107390690A (zh) | 2017-11-24 |
Family
ID=60342936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710627856.5A Pending CN107390690A (zh) | 2017-07-28 | 2017-07-28 | 融合混沌和精英反向学习的机器人路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107390690A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108255178A (zh) * | 2018-01-18 | 2018-07-06 | 山东理工大学 | 一种巡逻机器人全覆盖遍历路径规划算法的设计方法 |
| CN110944342A (zh) * | 2019-10-24 | 2020-03-31 | 江西理工大学 | 无线传感器网络部署优化方法、装置、系统及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7693653B2 (en) * | 2004-03-24 | 2010-04-06 | Bbn Technologies Corp | Vehicle routing and path planning |
| CN106485314A (zh) * | 2016-09-21 | 2017-03-08 | 常熟理工学院 | 一种基于自适应高斯变异的花朵授粉算法的优化方法 |
-
2017
- 2017-07-28 CN CN201710627856.5A patent/CN107390690A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7693653B2 (en) * | 2004-03-24 | 2010-04-06 | Bbn Technologies Corp | Vehicle routing and path planning |
| CN106485314A (zh) * | 2016-09-21 | 2017-03-08 | 常熟理工学院 | 一种基于自适应高斯变异的花朵授粉算法的优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| MEERA RAMADAS ; SUSHIL KUMAR: "An efficient hybrid approach using differential evolution and flower pollination algorithm", 《 2016 6TH INTERNATIONAL CONFERENCE - CLOUD SYSTEM AND BIG DATA ENGINEERING (CONFLUENCE)》 * |
| 井福荣，郭肇禄，罗会兰: "一种使用反向学习策略的改进花粉授粉算法", 《江西理工大学学报》 * |
| 王睿: "植物花授粉算法及应用研究", 《2017年中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108255178A (zh) * | 2018-01-18 | 2018-07-06 | 山东理工大学 | 一种巡逻机器人全覆盖遍历路径规划算法的设计方法 |
| CN110944342A (zh) * | 2019-10-24 | 2020-03-31 | 江西理工大学 | 无线传感器网络部署优化方法、装置、系统及存储介质 |
| CN110944342B (zh) * | 2019-10-24 | 2023-03-10 | 江西理工大学 | 无线传感器网络部署优化方法、装置、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lamini et al. | Genetic algorithm based approach for autonomous mobile robot path planning | |
| Rao | Jaya: an advanced optimization algorithm and its engineering applications | |
| CN105717929B (zh) | 一种多分辨率障碍物环境下移动机器人混合路径规划方法 | |
| Nagib et al. | Path planning for a mobile robot using genetic algorithms | |
| CN102207736A (zh) | 基于贝塞尔曲线的机器人路径规划方法及装置 | |
| CN107422734B (zh) | 基于混沌反向花授粉算法的机器人路径规划方法 | |
| CN112596525B (zh) | 基于遗传算法和改进人工势场法的机器人路径规划方法 | |
| Sugihara et al. | Genetic algorithms for adaptive planning of path and trajectory of a mobile robot in 2d terrains | |
| CN107390690A (zh) | 融合混沌和精英反向学习的机器人路径规划方法 | |
| CN102831479A (zh) | Nsga-ii多目标优化搜索方法 | |
| Sasaki et al. | Adaptive path planning for cleaning robots considering dust distribution | |
| Lin et al. | 2D-span resampling of bi-RRT in dynamic path planning | |
| CN106096724A (zh) | 基于elm神经网络的转炉炼钢工艺成本控制方法及系统 | |
| CN108984275A (zh) | 基于Unity3D和深度增强学习的智能无人农用驾驶训练方法 | |
| Pathak et al. | Traveling salesman problem using bee colony with SPV | |
| Zhang et al. | Global path planning for mobile robot based on A∗ algorithm and genetic algorithm | |
| BAYGIN et al. | PSO based path planning approach for multi service robots in dynamic environments | |
| Alajlan et al. | Global robot path planning using GA for large grid maps: Modelling performance and experimentation | |
| Zhang et al. | Mobile robot path planning base on the hybrid genetic algorithm in unknown environment | |
| CN106611213A (zh) | 一种求解作业车间调度问题的混合粒子群算法 | |
| Zhan | Research on path planning method of humanoid robot based on improved genetic algorithm | |
| Kent et al. | Construction of an object manipulation database from grasp demonstrations | |
| CN115167419B (zh) | 一种基于dqn算法的机器人路径规划方法 | |
| Loo et al. | Mobile robot path planning using hybrid genetic algorithm and traversability vectors method | |
| Sadeghian et al. | An experimental study on vision based controlling of a spherical rolling robot |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171124 |