CN108037758A - 一种基于改进afsa的移动机器人路径规划方法 - Google Patents
一种基于改进afsa的移动机器人路径规划方法 Download PDFInfo
- Publication number
- CN108037758A CN108037758A CN201711243731.9A CN201711243731A CN108037758A CN 108037758 A CN108037758 A CN 108037758A CN 201711243731 A CN201711243731 A CN 201711243731A CN 108037758 A CN108037758 A CN 108037758A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- mtr
- artificial fish
- 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 31
- 230000006872 improvement Effects 0.000 title claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 230000004888 barrier function Effects 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 21
- 230000000007 visual effect Effects 0.000 claims abstract description 16
- 241000251468 Actinopterygii Species 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000007704 transition Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000001027 hydrothermal synthesis Methods 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 7
- 238000010276 construction Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011664 nicotinic acid Substances 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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于改进AFSA的移动机器人路径规划方法，属于机器人导航领域。该方法包括步骤：S1选择栅格地图模型，完成障碍物的栅格化处理，提出最短路径的编码方法；S2针对标准人工鱼群算缺点，引入了反向学习策略构建反向鱼群，优化人工鱼个体在工作空间中的位置分布，增强鱼群的搜索速度；S3针对标准人工鱼群算法已陷入局部最优的特性，引入权重因子和自适应参数，构建自适应视觉及步长，提出基于惯性权重的自适应行为，平衡算法的全局搜索能力与局部搜索能力，提高算法的优化精度；S4针对路径规划的最短性问题进行目标函数改进。本发明提高了算法的解的精度，平衡了算法的全局搜索能力和局部搜索能，增强算法的搜索速度和收敛精度。
Description
技术领域
本发明属于机器人导航领域，涉及一种基于改进AFSA的移动机器人路径规划方法。
背景技术
随着科技的进步与社会的发展，对机器人的研究已经呈现出蓬勃发展态势，以往只能在 自动化工厂才可以见到的机器人，如今已经慢慢地出现在医院、酒店等场所。机器人的广泛 应用极大地推动了人类社会的进步，并改变了人们的生活方式。路径规划是移动服务机器人 自主导航中非常重要的问题，是移动服务机器人自主导航系统的一个重要分支。所谓移动服 务机器人的最优或者次优路径规划问题，就是机器人根据某个或某些优化标准或者指标(例 如能量消耗最小、完成时间最短、路径平滑性更好、行走路径最短等)，在其工作空间中规 划到一条从起始位置到目标位置的完全无碰撞的最优可行路径。近年来，随着人工智能技术 的兴起和不断发展，机器人路径规划技术正由传统方法走向智能仿生化方向发展。
移动机器人在执行装配运输、抢险救灾以及助老助残等任务时，已经广泛地运用到了路 径规划技术。采用良好的路径规划技术不仅可以大量减少机器人的作业时间、降低机器人磨 损，同时也可以节约不少人力和物力成本。因此，开展移动机器人路径规划技术的研究工作 是十分有意义和有价值的。因此，对移动机器人技术的研究，特别是对路径规划技术的研究， 无论针对单个机器人还是多个机器人，利用群集智能方法来解决这些问题，都有着非常可观 的应用前景和影响深远的意义。
人工鱼群算法是李晓磊等人于2002年提出的一种基于动物自治体的优化方法,是集群智 能思想的一个具体应用，该算法根据水域中鱼生存数目最多的地方就是本水域中富含营养物 质最多的地方这一特点来模拟鱼群的觅食行为而实现寻优。该算法不需要了解问题的特殊信 息,只需要对问题进行优劣的比较,通过各人工鱼个体的局部寻优行为,最终在群体中使全局最 优值突现出来,有着较快的收敛速度。
人工鱼群算法主要利用鱼的三大基本行为：觅食、聚群和追尾行为，采用自上而下的寻 优模式从构造个体的底层行为开始，通过鱼群中各个体的局部寻优，达到全局最优值在群体 中凸显出来的目的。
由于人工鱼群算法具有并行计算、效率高、全局优化能力强的特点，广泛应用于移动机 器人的路径规划问题，具有良好的适应能力和优化精度。在某种程度上，将人工鱼群算法用 于移动机器人路径规划研究，这将促进智能算法的实际应用和发展，推动移动机器人导航技 术的发展与进步。
发明内容
有鉴于此，本发明的目的在于提供一种基于改进AFSA的移动机器人路径规划方法，可 以平衡全局搜索能力和局部搜索能力，搜索速度快、收敛精度高。
为达到上述目的，本发明提供如下技术方案：
一种基于改进AFSA的移动机器人路径规划方法，该方法包括如下步骤：
S1：选择环境地图模型；
S2：障碍物栅格化及路径编码；
S3：完成目标函数的改进；
S4：将目标函数导入改进的算法中；
S5：规划路径。
进一步，所述步骤S1具体为：
选择栅格地图实例模型，灰色网格为障碍物占据的栅格；在栅格地图模型中，障碍物需 要根据环境模型的特征选择合适的表示方法，同一环境模型中障碍物具有不同的表示方法， 根据实际需求，选择占据栅格法或障碍物增加安全距离方式表征环境障碍物。
进一步，所述步骤S2具体为：
将在障碍物投射的栅格区域中，占据完整栅格的处理为一个栅格单元，占据部分的也按 照一个完整的栅格单元处理，最终实现障碍物的全部栅格化，从而非结构化环境处理为结构 化环境，提出最短路径的编码方法。
进一步，所述步骤S3具体为：
根据栅格地图定义路径规划的目标函数，基于栅格地图的特性，机器人起点位置到达目 标位置的距离最短作为评价标准；
最短路径由一系列有序栅格构成，则栅格地图中将每条搜索路径的长度作为路径评价函 数：
式中，f为适应度评价函数，定义为节点之间的距离之和，pi是路径中的一个连接点， n是节点的个数，D(pipi+1)是两个节点之间的欧式距离，xi和yi分标表示当前节点的水平和 垂直位置坐标，xi+1和yi+1是下一个节点的水平和垂直位置坐标；如果在生成的路径中有障碍 物区域，则在适应度评价函数中追加一个惩罚值penalty，惩罚值penalty大于在环境中搜索到 的路径中长度的最大值；
选择增加障碍物安全距离方式，保证机器人在移动过程不会碰撞；在基于栅格的环境工 作空间中，对栅格进行排序，生成有序编号的栅格，每个编号分别对应的不同的栅格单元， 则机器人仿真路径由带编号的栅格单元构成；
在每次迭代前，引入反向学习策略，构建基于反向学习的人工鱼群，增强人工鱼群的适 应度值；定义常数a和b为问题空间X的上限和下限，即X∈[a,b]，假设第i条人工鱼个体的 当前状态向量为Xi，Xi∈[a,b]，i∈[1,m]，引入过渡人工鱼群群体x＝{x1,x2,...,xj,...,xm}， 初始过渡人工鱼种群定义为：
xi的反向人工鱼个体定义为计算公式为
鱼群xi和的适应度值，即食物浓度，分别为Y(xi)和当生成反向人工鱼群后， 过渡人工鱼群体和反向过渡人工鱼群群体共同构成新的人工鱼群体，在反向鱼群策略中，新 的人工鱼群体中的人工鱼个体根据其适应度值优劣进行排序为：
其中i∈[1，m]，在新的人工鱼群体中有2m个个体，个体的适应度值从好到坏排序为从 左至右，选择新的人工鱼群体中排序靠前的m个个体作为新的初始种群，表达式为：
在迭代过程中，针对算对参数依赖自身参数而导致的全局优化能力与局部优化能力不平 衡的现象，采用一种基于自适应因子的自适应步长和视觉，使得算法在迭代的初始阶段，全 局搜索能力较强，人工鱼个体快速靠近全局极值点并收敛，加快算法的收敛性；在迭代的后 期，全局搜索能力降低，局部搜索能力提高。
进一步，在步骤S3中所述改进的具体为：
1)自适应视觉Visual
引入参数α来改进人工鱼的视觉Visual，α＝exp(-25×(t/Tmax)3)，
式中t表示当前迭代次数，Tmax表示算法的最大迭代次数，0≤t≤Tmax，α在区间0≤t≤Tmax内是单调递减函数，人工鱼自适应视觉表达式为：Visual＝Visual×α+Visualmin，
式中Visualmin是根据优化问题而设定的视觉最小值；
2)自适应步长Step
引入了高斯分布函数来改进人工鱼的步长，高斯分布函数的表达式为
式中，μ表示数学期望值，将μ设置为0，σ表示标准偏差，f(x)是在区间0≤x内是单调递减函数，自适应步长的表达式为：Step＝Step×f(t/Tmax)+Stepmin
式中Stepmin是由问题空间确定的最小值；
3)权重因子β
引入惯性权重因子β，平衡人工鱼群算法的全局搜索和局部搜索能力，
式中t为当前迭代次数，tmax表示最大迭代次数，βstart和βend分别是开始和结束时的惯性 权重。
本发明的有益效果在于：本发明提高了算法的解的精度，平衡了算法的全局搜索能力和 局部搜索能，增强算法的搜索速度和收敛精度，可以在鱼群规模较小的情况下完成工作空间 的路径规划，减小对存储空间的占用，提高机器人的工作效率。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明提供选择环境地图与障碍物的表示图；
图2为本发明提供路径编码表示图；
图3为本发明提供四种算法的路径规划仿真结果图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
改进算法执行步骤为：
1)初始化人工鱼的参数：步长Step，视觉Visual，最大迭代次数MAX-gen和最大尝试 次数Try-number；
2)构建基于反向鱼群的新人工鱼群体。
3)保存每次迭代生成的最佳值，并记录于公告板中：
在每次迭代中，新的人工鱼群的最佳位置由下式给出：
Xbest＝X1
4)分别执行改进后的觅食行为、聚群行为、追尾行为，根据最优解决定人工鱼最终执行 哪种行为；
5)如果步骤4)的得到的全局最优解优于公告板中的数据，则更新公告板；反之，执行 步骤6)；
6)如果满足终止条件，则输出优化结果；否则返回S2。
1.选择环境地图与障碍物的表示：
如图1所示，为栅格地图实例模型，图中灰色网格为障碍物占据的栅格。在实际环境中 障碍物通常是不规则和非结构的，具有不规则轮廓和夹角，将这些障碍物投影到栅格地图中， 需要将这些障碍物进行栅格化处理，占据完整栅格的处理为一个栅格单元，占据部分的也按 照一个完整的栅格单元处理。如图1所示，最终实现障碍物的全部栅格化，从而非结构化环 境处理为结构化环境。
2.最短路径的表示
在基于栅格的环境工作空间中，对栅格进行排序，生成有序编号的栅格，每个编号分别 对应的不同的栅格单元，则机器人仿真路径可由带编号的栅格单元构成，例如：以图2中1 号栅格为起点，100号栅格为目标点，则机器人路径可表示为(1,23,45,56,86,89,100)，其中 栅格23、45、56、86、89分别为算法进行路径规划选定的中间栅格点。
3.栅格路径适应度评价函数
最短路径由一系列有序栅格构成，则栅格地图中将每条搜索路径的长度作为路径评价函 数，如下式：
式中，f为适应度评价函数，定义为节点之间的距离之和，pi是路径中的一个连接点， n是节点的个数，D(pipi+1)是两个节点之间的欧式距离，xi和yi分标表示当前节点的水平和 垂直位置坐标，xi+1和yi+1是下一个节点的水平和垂直位置坐标。如果在生成的路径中有障碍 物区域，则在适应度评价函数中追加一个惩罚值penalty，惩罚值penalty大于在环境中搜索到 的路径中长度的最大值。
4.基于改进人工鱼群算法路径规划仿真
如图3所示，栅格地图模型为20×20，包含有9个由单个栅格组成的障碍物，实验设置 为随机障碍物环境，图中单个栅格为1×1小方格。实验目的是为机器人为规划一条从起始点 到目标点的最优无碰撞路径。将PSO算法、GA算法、IDSFSA算法与本申请提出的IAFSA算法进行路径搜索对比，实验结果如图3所示，图3(a)为PSO算法路径搜索，图3(b) 为GA算法路径搜索，图3(c)为IDSFSA算法路径搜索，图3(d)为IAFSA算法路径搜 索。可以看出，上述四种算法均可以完成基于栅格地图的路径规划，避开栅格空间的障碍物， PSO算法、GA算法、IDSFSA算法虽然也能实现路径规划，但其结果不是最优解；本申请提 出的IAFSA算法规划的路径更短。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述 优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和 细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。
Claims (5)
1.一种基于改进AFSA的移动机器人路径规划方法，其特征在于：该方法包括如下步骤：
S1：选择环境地图模型；
S2：障碍物栅格化及路径编码；
S3：完成目标函数的改进；
S4：将目标函数导入改进的算法中；
S5：规划路径。
2.根据权利要求1所述的一种基于改进AFSA的移动机器人路径规划方法，其特征在于：所述步骤S1具体为：
选择栅格地图实例模型，灰色网格为障碍物占据的栅格；在栅格地图模型中，障碍物需要根据环境模型的特征选择合适的表示方法，同一环境模型中障碍物具有不同的表示方法，根据实际需求，选择占据栅格法或障碍物增加安全距离方式表征环境障碍物。
3.根据权利要求1所述的一种基于改进AFSA的移动机器人路径规划方法，其特征在于：所述步骤S2具体为：
将在障碍物投射的栅格区域中，占据完整栅格的处理为一个栅格单元，占据部分的也按照一个完整的栅格单元处理，最终实现障碍物的全部栅格化，从而非结构化环境处理为结构化环境，提出最短路径的编码方法。
4.根据权利要求1所述的一种基于改进AFSA的移动机器人路径规划方法，其特征在于：所述步骤S3具体为：
根据栅格地图定义路径规划的目标函数，基于栅格地图的特性，机器人起点位置到达目标位置的距离最短作为评价标准；
最短路径由一系列有序栅格构成，则栅格地图中将每条搜索路径的长度作为路径评价函数：
<mrow>
<mi>f</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mi>e</mi>
<mi>a</mi>
<mi>s</mi>
<mi>i</mi>
<mi>b</mi>
<mi>l</mi>
<mi>e</mi>
<mi> </mi>
<mi>p</mi>
<mi>a</mi>
<mi>t</mi>
<mi>h</mi>
<mi>s</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>p</mi>
<mi>e</mi>
<mi>n</mi>
<mi>a</mi>
<mi>l</mi>
<mi>t</mi>
<mi>y</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>inf</mi>
<mi>e</mi>
<mi>a</mi>
<mi>s</mi>
<mi>i</mi>
<mi>b</mi>
<mi>l</mi>
<mi>e</mi>
<mi> </mi>
<mi>p</mi>
<mi>a</mi>
<mi>t</mi>
<mi>h</mi>
<mi>s</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
式中，f为适应度评价函数，定义为节点之间的距离之和，pi是路径中的一个连接点，n是节点的个数，D(pipi+1)是两个节点之间的欧式距离，xi和yi分标表示当前节点的水平和垂直位置坐标，xi+1和yi+1是下一个节点的水平和垂直位置坐标；如果在生成的路径中有障碍物区域，则在适应度评价函数中追加一个惩罚值penalty，惩罚值penalty大于在环境中搜索到的路径中长度的最大值；
选择增加障碍物安全距离方式，保证机器人在移动过程不会碰撞；在基于栅格的环境工作空间中，对栅格进行排序，生成有序编号的栅格，每个编号分别对应的不同的栅格单元，则机器人仿真路径由带编号的栅格单元构成；
在每次迭代前，引入反向学习策略，构建基于反向学习的人工鱼群，增强人工鱼群的适应度值；定义常数a和b为问题空间X的上限和下限，即X∈[a,b]，假设第i条人工鱼个体的当前状态向量为Xi，Xi∈[a,b]，i∈[1,m]，引入过渡人工鱼群群体x＝{x1,x2,...,xj,...,xm}，初始过渡人工鱼种群定义为：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<msub>
<mi>X</mi>
<mi>m</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>j</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mi>m</mi>
<mo>&rsqb;</mo>
</mrow>
xi的反向人工鱼个体定义为 计算公式为
鱼群xi和的适应度值，即食物浓度，分别为Y(xi)和当生成反向人工鱼群后，过渡人工鱼群体和反向过渡人工鱼群群体共同构成新的人工鱼群体，在反向鱼群策略中，新的人工鱼群体中的人工鱼个体根据其适应度值优劣进行排序为：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>2</mn>
</mtd>
<mtd>
<mn>3</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mi>m</mi>
</mtd>
<mtd>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<mn>2</mn>
<mi>m</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>2</mn>
<mi>m</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>2</mn>
<mi>m</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>4</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>7</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<msub>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>m</mi>
</msub>
</mtd>
<mtd>
<msub>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>4</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>7</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
其中i∈[1，m]，在新的人工鱼群体中有2m个个体，个体的适应度值从好到坏排序为从左至右，选择新的人工鱼群体中排序靠前的m个个体作为新的初始种群，表达式为：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>m</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>X</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mn>4</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>j</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mi>m</mi>
<mo>&rsqb;</mo>
</mrow>
在迭代过程中，针对算对参数依赖自身参数而导致的全局优化能力与局部优化能力不平衡的现象，采用一种基于自适应因子的自适应步长和视觉，使得算法在迭代的初始阶段，全局搜索能力较强，人工鱼个体快速靠近全局极值点并收敛，加快算法的收敛性；在迭代的后期，全局搜索能力降低，局部搜索能力提高。
5.根据权利要求1所述的一种基于改进AFSA的移动机器人路径规划方法，其特征在于：在步骤S3中所述改进的具体为：
1)自适应视觉Visual
引入参数α来改进人工鱼的视觉Visual，α＝exp(-25×(t/Tmax)3)，
式中t表示当前迭代次数，Tmax表示算法的最大迭代次数，0≤t≤Tmax，α在区间0≤t≤Tmax内是单调递减函数，人工鱼自适应视觉表达式为：Visual＝Visual×α+Visualmin，
式中Visualmin是根据优化问题而设定的视觉最小值；
2)自适应步长Step
引入了高斯分布函数来改进人工鱼的步长，高斯分布函数的表达式为
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>&sigma;</mi>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mrow>
式中，μ表示数学期望值，将μ设置为0，σ表示标准偏差，f(x)是在区间0≤x内是单调递减函数，自适应步长的表达式为：Step＝Step×f(t/Tmax)+Stepmin
式中Stepmin是由问题空间确定的最小值；
3)权重因子β
引入惯性权重因子β，平衡人工鱼群算法的全局搜索和局部搜索能力，
<mrow>
<mi>&beta;</mi>
<mo>=</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
<mi>a</mi>
<mi>r</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
<mi>a</mi>
<mi>r</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>e</mi>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mfrac>
<mo>&times;</mo>
<mi>t</mi>
</mrow>
式中t为当前迭代次数，tmax表示最大迭代次数，βstart和βend分别是开始和结束时的惯性权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711243731.9A CN108037758A (zh) | 2017-11-30 | 2017-11-30 | 一种基于改进afsa的移动机器人路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711243731.9A CN108037758A (zh) | 2017-11-30 | 2017-11-30 | 一种基于改进afsa的移动机器人路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108037758A true CN108037758A (zh) | 2018-05-15 |
Family
ID=62094768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711243731.9A Pending CN108037758A (zh) | 2017-11-30 | 2017-11-30 | 一种基于改进afsa的移动机器人路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108037758A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109057776A (zh) * | 2018-07-03 | 2018-12-21 | 东北大学 | 一种基于改进鱼群算法的抽油井故障诊断方法 |
| CN109262612A (zh) * | 2018-10-09 | 2019-01-25 | 北京邮电大学 | 一种基于改进粒子群算法的欠驱动机械臂关节角寻优方法 |
| CN109839933A (zh) * | 2019-02-20 | 2019-06-04 | 哈尔滨工程大学 | 一种基于vdsom算法的多机器人任务分配方法 |
| CN111551184A (zh) * | 2020-03-27 | 2020-08-18 | 上海大学 | 一种移动机器人slam的地图优化方法及系统 |
| CN111964682A (zh) * | 2020-08-10 | 2020-11-20 | 北京轩宇空间科技有限公司 | 适应未知动态空间的快速路径规划方法、装置及存储介质 |
| CN112269381A (zh) * | 2020-10-20 | 2021-01-26 | 安徽工程大学 | 基于改进人工鱼群算法的移动机器人路径规划方法 |
| CN112461247A (zh) * | 2020-12-16 | 2021-03-09 | 广州大学 | 一种基于自适应麻雀搜索算法的机器人路径规划方法 |
| CN112947403A (zh) * | 2019-11-22 | 2021-06-11 | 医达科技公司 | 用于障碍物规避的确定性机器人路径规划 |
| CN113110520A (zh) * | 2021-05-26 | 2021-07-13 | 重庆邮智机器人研究院有限公司 | 一种多智能优化并行算法的机器人路径规划方法 |
| CN114343490A (zh) * | 2021-12-28 | 2022-04-15 | 深圳市银星智能科技股份有限公司 | 机器人清扫方法、机器人及存储介质 |
| CN114925915A (zh) * | 2022-05-23 | 2022-08-19 | 广东工业大学 | 一种针对大规模下料的切割路径规划方法及系统 |
| CN115357021A (zh) * | 2022-08-25 | 2022-11-18 | 齐齐哈尔大学 | 一种基于改进凌日搜索算法的水面无人艇路径规划方法 |
| CN115639828A (zh) * | 2022-12-23 | 2023-01-24 | 河北科技大学 | 基于改进人工鱼群算法的机器人路径规划方法及装置 |
| CN116774719A (zh) * | 2023-08-18 | 2023-09-19 | 成都庆龙航空科技有限公司 | 一种无人机飞行参数自诊断方法及系统 |
| CN117454927A (zh) * | 2023-12-26 | 2024-01-26 | 同济大学 | 多无人潜航器协同排查海底管路油气泄漏的检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288192A (zh) * | 2011-07-01 | 2011-12-21 | 重庆邮电大学 | 基于Ad Hoc网络的多机器人路径规划方法 |
| CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
| CN103576680A (zh) * | 2012-07-25 | 2014-02-12 | 中国原子能科学研究院 | 一种机器人路径规划方法及装置 |
| CN103970135A (zh) * | 2014-04-22 | 2014-08-06 | 重庆邮电大学 | 一种基于mapso优化粒子滤波的多移动机器人协作定位方法 |
| CN103968841A (zh) * | 2014-06-03 | 2014-08-06 | 哈尔滨工程大学 | 一种基于改进萤火虫算法的auv三维航路规划方法 |
| CN105527964A (zh) * | 2015-12-28 | 2016-04-27 | 桂林电子科技大学 | 一种机器人路径规划方法 |
| CN106323293A (zh) * | 2016-10-14 | 2017-01-11 | 淮安信息职业技术学院 | 基于多目标搜索的两群多向机器人路径规划方法 |
| CN106409288A (zh) * | 2016-06-27 | 2017-02-15 | 太原理工大学 | 一种利用变异鱼群算法优化的svm进行语音识别的方法 |
-
2017
- 2017-11-30 CN CN201711243731.9A patent/CN108037758A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288192A (zh) * | 2011-07-01 | 2011-12-21 | 重庆邮电大学 | 基于Ad Hoc网络的多机器人路径规划方法 |
| CN103576680A (zh) * | 2012-07-25 | 2014-02-12 | 中国原子能科学研究院 | 一种机器人路径规划方法及装置 |
| CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
| CN103970135A (zh) * | 2014-04-22 | 2014-08-06 | 重庆邮电大学 | 一种基于mapso优化粒子滤波的多移动机器人协作定位方法 |
| CN103968841A (zh) * | 2014-06-03 | 2014-08-06 | 哈尔滨工程大学 | 一种基于改进萤火虫算法的auv三维航路规划方法 |
| CN105527964A (zh) * | 2015-12-28 | 2016-04-27 | 桂林电子科技大学 | 一种机器人路径规划方法 |
| CN106409288A (zh) * | 2016-06-27 | 2017-02-15 | 太原理工大学 | 一种利用变异鱼群算法优化的svm进行语音识别的方法 |
| CN106323293A (zh) * | 2016-10-14 | 2017-01-11 | 淮安信息职业技术学院 | 基于多目标搜索的两群多向机器人路径规划方法 |
Non-Patent Citations (5)
| Title |
|---|
| YI ZHANG, XUERONG TONG2 ,YUAN LUO: "Dynamic obstacle avoidance algorithm for the mobile robot based on depth image of kinect sensor", 《ENGINEERING AND MANUFACTURING TECHNOLOGIES》 * |
| 余炳辉: "《整体分布优化算法研究及应用》", 31 December 2012 * |
| 张照胜: "云计算环境下基于改进粒子群算法的任务调度", 《电子设计工程》 * |
| 张锴: "基于自适应量子人工鱼群算法的动态路径诱导研究", 《中国优秀硕士学位论文全文数据库》 * |
| 韦磊鹏: "自适应重生鱼群优化算法", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109057776A (zh) * | 2018-07-03 | 2018-12-21 | 东北大学 | 一种基于改进鱼群算法的抽油井故障诊断方法 |
| CN109262612A (zh) * | 2018-10-09 | 2019-01-25 | 北京邮电大学 | 一种基于改进粒子群算法的欠驱动机械臂关节角寻优方法 |
| CN109262612B (zh) * | 2018-10-09 | 2021-09-17 | 北京邮电大学 | 一种基于改进粒子群算法的欠驱动机械臂关节角寻优方法 |
| CN109839933B (zh) * | 2019-02-20 | 2022-04-29 | 哈尔滨工程大学 | 一种基于vdsom算法的多机器人任务分配方法 |
| CN109839933A (zh) * | 2019-02-20 | 2019-06-04 | 哈尔滨工程大学 | 一种基于vdsom算法的多机器人任务分配方法 |
| CN112947403A (zh) * | 2019-11-22 | 2021-06-11 | 医达科技公司 | 用于障碍物规避的确定性机器人路径规划 |
| CN111551184A (zh) * | 2020-03-27 | 2020-08-18 | 上海大学 | 一种移动机器人slam的地图优化方法及系统 |
| CN111551184B (zh) * | 2020-03-27 | 2021-11-26 | 上海大学 | 一种移动机器人slam的地图优化方法及系统 |
| CN111964682A (zh) * | 2020-08-10 | 2020-11-20 | 北京轩宇空间科技有限公司 | 适应未知动态空间的快速路径规划方法、装置及存储介质 |
| CN112269381A (zh) * | 2020-10-20 | 2021-01-26 | 安徽工程大学 | 基于改进人工鱼群算法的移动机器人路径规划方法 |
| CN112269381B (zh) * | 2020-10-20 | 2022-06-17 | 安徽工程大学 | 基于改进人工鱼群算法的移动机器人路径规划方法 |
| CN112461247A (zh) * | 2020-12-16 | 2021-03-09 | 广州大学 | 一种基于自适应麻雀搜索算法的机器人路径规划方法 |
| CN112461247B (zh) * | 2020-12-16 | 2023-05-23 | 广州大学 | 一种基于自适应麻雀搜索算法的机器人路径规划方法 |
| CN113110520A (zh) * | 2021-05-26 | 2021-07-13 | 重庆邮智机器人研究院有限公司 | 一种多智能优化并行算法的机器人路径规划方法 |
| CN113110520B (zh) * | 2021-05-26 | 2022-08-09 | 重庆邮智机器人研究院有限公司 | 一种多智能优化并行算法的机器人路径规划方法 |
| CN114343490B (zh) * | 2021-12-28 | 2023-01-17 | 深圳银星智能集团股份有限公司 | 机器人清扫方法、机器人及存储介质 |
| CN114343490A (zh) * | 2021-12-28 | 2022-04-15 | 深圳市银星智能科技股份有限公司 | 机器人清扫方法、机器人及存储介质 |
| CN114925915A (zh) * | 2022-05-23 | 2022-08-19 | 广东工业大学 | 一种针对大规模下料的切割路径规划方法及系统 |
| CN115357021A (zh) * | 2022-08-25 | 2022-11-18 | 齐齐哈尔大学 | 一种基于改进凌日搜索算法的水面无人艇路径规划方法 |
| CN115357021B (zh) * | 2022-08-25 | 2023-10-10 | 齐齐哈尔大学 | 一种基于改进凌日搜索算法的水面无人艇路径规划方法 |
| CN115639828A (zh) * | 2022-12-23 | 2023-01-24 | 河北科技大学 | 基于改进人工鱼群算法的机器人路径规划方法及装置 |
| CN115639828B (zh) * | 2022-12-23 | 2023-03-31 | 河北科技大学 | 基于改进人工鱼群算法的机器人路径规划方法及装置 |
| CN116774719A (zh) * | 2023-08-18 | 2023-09-19 | 成都庆龙航空科技有限公司 | 一种无人机飞行参数自诊断方法及系统 |
| CN116774719B (zh) * | 2023-08-18 | 2023-11-07 | 成都庆龙航空科技有限公司 | 一种无人机飞行参数自诊断方法及系统 |
| CN117454927A (zh) * | 2023-12-26 | 2024-01-26 | 同济大学 | 多无人潜航器协同排查海底管路油气泄漏的检测方法 |
| CN117454927B (zh) * | 2023-12-26 | 2024-03-22 | 同济大学 | 多无人潜航器协同排查海底管路油气泄漏的检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108037758A (zh) | 一种基于改进afsa的移动机器人路径规划方法 | |
| CN105527964B (zh) | 一种机器人路径规划方法 | |
| CN109945881A (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
| CN102778229B (zh) | 未知环境下基于改进蚁群算法的移动Agent路径规划方法 | |
| CN107229287A (zh) | 一种基于遗传蚂蚁算法的无人机全局路径规划方法 | |
| CN112650229B (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
| CN112461247A (zh) | 一种基于自适应麻雀搜索算法的机器人路径规划方法 | |
| CN113110520B (zh) | 一种多智能优化并行算法的机器人路径规划方法 | |
| CN106323293A (zh) | 基于多目标搜索的两群多向机器人路径规划方法 | |
| CN112666957A (zh) | 一种基于改进蚁群算法的水下机器人路径规划方法 | |
| CN112947480B (zh) | 一种移动机器人路径规划方法、存储介质及系统 | |
| CN106363633A (zh) | 基于改良粒子群算法的机器人稳定步态规划方法和装置 | |
| CN112327876A (zh) | 一种基于终距指数的机器人路径规划方法 | |
| CN115562273A (zh) | 基于混合改进蚁群算法的移动机器人路径规划方法及系统 | |
| CN114995390A (zh) | 一种基于动态自适应参数调整的蜉蝣算法的移动机器人路径规划方法 | |
| CN113917925B (zh) | 一种基于改进遗传算法的移动机器人路径规划方法 | |
| Huang et al. | Mobile robot path planning based on improved genetic algorithm | |
| Liu et al. | An efficient robot exploration method based on heuristics biased sampling | |
| CN112504274A (zh) | 一种基于Dsl_GA算法的移动机器人路径规划方法 | |
| CN113219989B (zh) | 一种基于改进的蝴蝶优化算法移动机器人路径规划方法 | |
| Ma et al. | Robot path planning using fusion algorithm of ant colony optimization and genetic algorithm | |
| CN115933669A (zh) | 基于改进蝴蝶优化算法的移动机器人路径规划方法 | |
| CN115129064A (zh) | 基于改进萤火虫算法与动态窗口法融合的路径规划方法 | |
| CN115655279A (zh) | 一种基于改进鲸鱼算法的海上无人救援飞艇路径规划方法 | |
| Song et al. | Towards efficient exploration in unknown spaces: A novel hierarchical approach based on intrinsic rewards |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180515 |