CN108227718A - 一种自适应切换的自动搬运小车路径规划方法 - Google Patents

一种自适应切换的自动搬运小车路径规划方法 Download PDF

Info

Publication number
CN108227718A
CN108227718A CN201810093061.5A CN201810093061A CN108227718A CN 108227718 A CN108227718 A CN 108227718A CN 201810093061 A CN201810093061 A CN 201810093061A CN 108227718 A CN108227718 A CN 108227718A
Authority
CN
China
Prior art keywords
automatic transporting
transporting trolley
path planning
particle
population
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.)
Granted
Application number
CN201810093061.5A
Other languages
English (en)
Other versions
CN108227718B (zh
Inventor
项卫锋
季彩玲
王池如
奚韬
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.)
Anhui Yufeng Intelligent Technology Co Ltd
Original Assignee
Anhui Yufeng Intelligent Technology Co Ltd
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 Anhui Yufeng Intelligent Technology Co Ltd filed Critical Anhui Yufeng Intelligent Technology Co Ltd
Priority to CN201810093061.5A priority Critical patent/CN108227718B/zh
Publication of CN108227718A publication Critical patent/CN108227718A/zh
Application granted granted Critical
Publication of CN108227718B publication Critical patent/CN108227718B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
    • 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
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • 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
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种自适应切换的自动搬运小车路径规划方法，属于路径规划技术领域，包括采用栅格法创建仓库中自动搬运小车的二维工作环境模型；基于所述工二维作环境模型，利用自动搬运小车的探测装置识别当前的工作环境；根据所述当前的工作环境，自适应切换遗传算法和粒子群算法进行路径规划。本方案将遗传算法与粒子群算法相结合，该方法不仅具有遗传算法全局搜索能力强的特点且兼有粒子群算法局部搜索能力强、收敛速度快的特点，提高了工作效率，满足了最优路径的要求。

Description

一种自适应切换的自动搬运小车路径规划方法
技术领域
本发明涉及路径规划技术领域，特别涉及一种基于遗传算法和粒子群算法自适应切换的自动搬运小车路径规划方法。
背景技术
路径规划是自动搬运小车的关键技术之一，目的是确定从开始位置到目的地位置的最优路径，它在一定程度上标志着自动搬运小车智能水平的高低，体现了自动搬运小车的高效性和可靠性。
目前，常用到的路径规划方法有模糊推理法、启发式图搜索法、人工势场法、A*算法等。这些算法有各自的优缺点：例如模糊推理法最大的优点是实时性非常好，但是模糊隶属函数的设计、模糊控制规则的制定主要靠人的经验。人工势场法具有良好的实时性，但存在陷井区域，并且在相近障碍物之间不能发现路径等缺点。A*算法更适用于解决单目标优化问题。因此，上述路径规划方法均无法适用于复杂环境中工作的自动搬运小车的路径规划。
发明内容
本发明的目的在于提供一种自适应切换的自动搬运小车路径规划方法，以适用于复杂环境中工作的自动搬运小车的路径规划。
为实现以上目的，本发明采用的技术方案为：
采用一种自适应切换的自动搬运小车路径规划方法，包括如下步骤：
采用栅格法创建仓库中自动搬运小车的二维工作环境模型；
基于所述工二维作环境模型，利用自动搬运小车的探测装置识别当前的工作环境；
根据所述当前的工作环境，自适应切换遗传算法和粒子群算法进行路径规划。
进一步地，所述采用栅格法创建仓库中自动搬运小车的二维工作环境模型，包括：
对自动搬运小车及其仓库环境进行预处理，得到建模条件；
利用自动搬运小车的探测装置擦采集自动搬运小车的工作环境信息，作为建模参数；
基于所述栅格法，利用所述建模条件和建模参数，创建自动搬运小车的二维工作环境。
进一步地，所述当前的工作环境包括自动搬运小车当前工作仓库的面积和有任务请求的加工工位位置的数量，所述根据所述当前的工作环境，自适应切换遗传算法和粒子群算法进行路径规划，包括：
在所述当前工作仓库的面积大于设定面积阈值且有任务请求的加工工位位置的数量超过设定数量时，采用遗传算法进行路径规划；
在所述当前工作仓库的面积小于设定面积阈值且有任务请求的加工工位位置的数量小于设定数量时，采用粒子群算法进行路径规划。
进一步地，所述采用遗传算法进行路径规划，包括：
S11、采用二进制编码方式对染色体各点坐标进行编码，并通过随机函数产生若干个体作为初始化种群，种群大小为n，种群代数m，该染色体的各点连接起来形成路径；
S12、采用第一适应度函数，计算m代种群的个体的适应度；
S13、根据第m代种群个体的适应度，求个体的累计概率；
S14、通过轮盘操作对累计概率进行处理，选取第m代的n个父染色体；
S15、根据交叉概率，对第m代种群的父染色体进行交叉操作，产生新的个体；
S16、根据变异概率，对交叉生成的新个体进行变异操作，产生新的种群；
S17、判断遗传算法中的目标函数当前的迭代次数是否超过自大迭代次数，若超过则输出路径规划结果，否则执行步骤S12。
需要说明的是，本实施例中的交叉概率、变异概率均为本领域技术人员经过大量实验得到的分别用于进行交叉操作、变异操作的经验值。
进一步地，所述第一适应度函数具体为：
其中，(Xs,Ys)为起点坐标，(XE,YE)为终点坐标，(Xi,Yi)为中间点坐标，i为常数。
进一步地，所述根据交叉概率，对第m代种群的父染色体进行交叉操作，产生新的个体，包括：
以设定的交叉概率在所述父染色体中随机选择一个除起始点与目标点以外的转向点；
将该转向点作为交叉点，把所述路径分成了两个路径段；
选择两个父代染色体，并相互交换交叉点后面的路径段，得到两个子代染色体作为新个体。
进一步地，所述根据变异概率，对交叉生成的新个体进行变异操作，产生新的种群，包括：
以设定的变异概率在所述新个体中间转向点中任意选取一个位置；
将该转向点的位置坐标作一次非一致性变异，并把当前的转向点移至新产生的转向点上，得到新的种群。
进一步地，所述采用粒子群算法进行路径规划，包括：
S21、对粒子群进行随机初始化处理，得到初始化后的粒子群；
S22、根据第二适应度函数，计算初始化后粒子群中每个粒子的适应度值；
S23、对于每个粒子，在其适用度阈值大于个体极值时，用适用度阈值替换个体阈值；
S24、对于每个粒子，在其适用度阈值大于全局极值时，用适用度阈值替换全局极值；
S25、根据速度、位置更新公式，更新粒子的速度和位置；
S26、判断更新次数是否超过最大次数，若是则输出路径规划结果，否则执行步骤S22。
进一步地，所述第二适应度函数具体为：
其中，f为一个粒子中所有相邻顶点之间的直线距离的和，(Xj,Yj)为一个粒子中每个顶点的坐标，d表示顶点数量且为常数。
进一步地，所述速度更新公式为：
Vjd(t+1)＝w·Vjd(t)+c1·rand()(pjd(t)-xjd(t))+c2·rand()(gd(t)-xjd(t))，
其中，Vjd(t)表示第j个粒子在t时刻的速度，rand()为随机变量，w为惯性权重，pjd(t)为第j个粒子在t时刻搜索到的最好的位置，gd(t)为目前整个粒子群搜索到的最好的位置，xjd(t)表示第j个粒子在t时刻的位置，c1、c2均为学习因子；
所述位置更新公式为：
xjd(t+1)＝xjd(t)+vjd(t+1)，
其中，vjd(t+1)表示第j个粒子在t+1时刻的速度，xjd(t)表示第j个粒子在t时刻的位置，xjd(t+1)表示第j个粒子在t+1时刻的位置。
与现有技术相比，本发明存在以下技术效果：本发明将遗传算法和粒子群算法结合在一起，通过根据自动搬运小车的工作环境来自适应切换两种算法。本方法不仅具有遗传算法全局搜索能力强的特点且兼有粒子群算法局部搜索能力强、收敛速度快的特点，提高了工作效率，满足了最优路径的要求。
附图说明
下面结合附图，对本发明的具体实施方式进行详细描述：
图1是一种自适应切换的自动搬运小车路径规划方法的流程示意图；
图2是自动搬运小车路径规划流程图；
图3是采用遗产算法进行路径规划的流程示意图；
图4是采用粒子群算法进行路径规划的流程示意图。
具体实施方式
为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。
如图1至图2所示，本实施例公开了一种自适应切换的自动搬运小车路径规划方法，包括如下步骤S101至S103：
S101、采用栅格法创建仓库中自动搬运小车的二维工作环境模型；
S102、基于所述工二维作环境模型，利用自动搬运小车的探测装置识别当前的工作环境；
S103、根据所述当前的工作环境，自适应切换遗传算法和粒子群算法进行路径规划。
作为进一步优选的方案，上述步骤S101：采用栅格法创建仓库中自动搬运小车的二维工作环境模型，具体包括：
(1)对自动搬运小车及其仓库环境进行预处理，得到建模条件。其中，预处理条件为：
a、自动搬运小车工作环境须简化为二维有限空间；b、假设工作环境中的障碍物位置已知，可用多边形表示，且忽略其高度方向；c、假设自动搬运小车在二维有限空间中匀速运行，忽略其转向、举升及短时驻停等因素；d、自动搬运小车简化为一质点；e、自动搬运小车只能走直线，不走栅格的对角线。
(2)利用自动搬运小车的探测装置擦采集自动搬运小车的工作环境信息，作为建模参数。其中自动搬运小车的探测装置包括其自带的摄像头、雷达传感器、红外线传感器及激光传感器等。采集到的自动搬运小车工作环境信息包括自动搬运小车的起点位置、目标位置、障碍物以及自动搬运小车待充电位置等。
(3)基于所述栅格法，利用所述建模条件和建模参数，创建自动搬运小车的二维工作环境。
作为进一步优选的方案，利用自动搬运小车的探测识别装置识别出当前的工作环境，得到当前工作环境的面积和有任务请求的加工工位位置的数量。
需要说明的是，其工作环境面积以及有任务请求的加工工位位置数量的计算，可以通过自动搬运小车已有的控制系统得到。
作为进一步优选的方案，上述步骤S103：根据所述当前的工作环境，自适应切换遗传算法和粒子群算法进行路径规划，包括：
在所述当前工作仓库的面积大于设定面积阈值且有任务请求的加工工位位置的数量超过设定数量时，采用遗传算法进行路径规划；
在所述当前工作仓库的面积小于设定面积阈值且有任务请求的加工工位位置的数量小于设定数量时，采用粒子群算法进行路径规划。
需要说明的是，本实施例中设定的面积阈值、设定数量均为本领域技术人员经过大量实验得到的用于与当前计算出的工作仓库面积、有任务请求加工工位位置数量分别进行比较的经验值。在实际应用中，该面积阈值或设定数量因具体厂房环境的不同而设置的不同。
作为进一步优选的方案，如图3所示，采用遗传算法进行路径规划，包括：
S11、采用二进制编码方式对染色体各点坐标进行编码，并通过随机函数产生若干个体作为初始化种群，种群大小为n，种群代数m，该染色体的各点连接起来形成路径；
需要说明的是，每个染色体是由目标点、4个中间点、终点连接而成的，其所表示的是一条可行或者不可行的路径。染色体的结构表示为：(X1,Y1)→(X2,Y2)→(X3,Y3)→(X4,Y4)。其中，染色体的长度是固定的，每个中间节点有两个坐标，本实施例中采用二进制编码方式将每个坐标用一个4位二进制串表示，则染色体长度为32。
S12、采用第一适应度函数，计算m代种群的个体的适应度；
需要说明的是，第一适应度函数具体为：
其中，(Xs,Ys)为起点坐标，(XE,YE)为终点坐标，(Xi,Yi)为中间点坐标，i为常数。
S13、根据第m代种群个体的适应度，求个体的累计概率；
S14、通过轮盘操作对累计概率进行处理，选取第m代的n个父染色体；
S15、根据交叉概率，对第m代种群的父染色体进行交叉操作，产生新的个体，其具体过程为：
以设定的交叉概率在所述父染色体中随机选择一个除起始点与目标点以外的转向点；
将该转向点作为交叉点，把所述路径分成了两个路径段；
选择两个父代染色体，并相互交换交叉点后面的路径段，得到两个子代染色体作为新个体。
S16、根据变异概率，对交叉生成的新个体进行变异操作，产生新的种群，其具体包括：
以设定的变异概率在所述新个体中间转向点中任意选取一个转向点的位置；
将该转向点的位置坐标作一次非一致性变异，并把当前的转向点移至新产生的转向点上，得到新的种群。
S17、判断遗传算法中的目标函数当前的迭代次数是否超过自大迭代次数，若超过则输出路径规划结果，否则执行步骤S12。
作为进一步优选的方案，如图4所示，采用粒子群算法进行路径规划，包括：
S21、对粒子群进行随机初始化处理，得到初始化后的粒子群；
S22、根据第二适应度函数，计算初始化后粒子群中每个粒子的适应度值；
需要说明的是，第二适应度函数具体为：
其中，f为一个粒子中所有相邻顶点之间的直线距离的和，(Xj,Yj)为一个粒子中每个顶点的坐标，d表示顶点数量且为常数。
S23、对于每个粒子，在其适用度阈值大于个体极值时，用适用度阈值替换个体阈值；
S24、对于每个粒子，在其适用度阈值大于全局极值时，用适用度阈值替换全局极值；
S25、根据速度、位置更新公式，更新粒子的速度和位置；
需要说明的是，速度更新公式为：
Vjd(t+1)＝w·Vjd(t)+c1·rand()(pjd(t)-xjd(t))+c2·rand()(gd(t)-xjd(t))，
其中，Vjd(t)表示第j个粒子在t时刻的速度，rand()为随机变量，w为惯性权重，pjd(t)为第j个粒子在t时刻搜索到的最好的位置，gd(t)为目前整个粒子群搜索到的最好的位置，xjd(t)表示第j个粒子在t时刻的位置，c1、c2均为学习因子；
所述位置更新公式为：
xjd(t+1)＝xjd(t)+vjd(t+1)，
其中，vjd(t+1)表示第j个粒子在t+1时刻的速度，xjd(t)表示第j个粒子在t时刻的位置，xjd(t+1)表示第j个粒子在t+1时刻的位置。
S26、判断更新次数是否超过最大次数，若是则输出路径规划结果，否则执行步骤S22。
需要说明的是，本实施例通过对自动搬运小车工作环境进行建模；通过自身探测设备识别当前工作环境，根据当前工作环境，自动搬运小车自适应切换遗传算法和粒子群算法进行路径规划。由于遗传算法具有全局搜索能力强的特点，在工作环境面积较大时，自动搬运小车控制系统切换成遗传算法；由于粒子群算法具有局部搜索能力强、收敛速度快的特点，在工作环境面积较小时，自动搬运小车控制系统切换成粒子群算法。通过自适应的切换该两种算法，提高了工作效率，满足了最优路径的要求，尤其适用于复杂工作环境的需要。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种自适应切换的自动搬运小车路径规划方法，其特征在于，包括：
采用栅格法创建仓库中自动搬运小车的二维工作环境模型；
基于所述工二维作环境模型，利用自动搬运小车的探测装置识别当前的工作环境；
根据所述当前的工作环境，自适应切换遗传算法和粒子群算法进行路径规划。
2.如权利要求1所述的自适应切换的自动搬运小车路径规划方法，其特征在于，所述采用栅格法创建仓库中自动搬运小车的二维工作环境模型，包括：
对自动搬运小车及其仓库环境进行预处理，得到建模条件；
利用自动搬运小车的探测装置擦采集自动搬运小车的工作环境信息，作为建模参数；
基于所述栅格法，利用所述建模条件和建模参数，创建自动搬运小车的二维工作环境。
3.如权利要求1所述的自适应切换自动搬运小车路径规划方法，其特征在于，所述当前的工作环境包括自动搬运小车当前工作仓库的面积和有任务请求的加工工位位置的数量，所述根据所述当前的工作环境，自适应切换遗传算法和粒子群算法进行路径规划，包括：
在所述当前工作仓库的面积大于设定面积阈值且有任务请求的加工工位位置的数量超过设定数量时，采用遗传算法进行路径规划；
在所述当前工作仓库的面积小于设定面积阈值且有任务请求的加工工位位置的数量小于设定数量时，采用粒子群算法进行路径规划。
4.如权利要求1所述的自适应切换自动搬运小车路径规划方法，其特征在于，所述采用遗传算法进行路径规划，包括：
S11、采用二进制编码方式对染色体各点坐标进行编码，并通过随机函数产生若干个体作为初始化种群，种群大小为n，种群代数m，该染色体的各点连接起来形成路径；
S12、采用第一适应度函数，计算m代种群的个体的适应度；
S13、根据第m代种群个体的适应度，求个体的累计概率；
S14、通过轮盘操作对累计概率进行处理，选取第m代的n个父染色体；
S15、根据交叉概率，对第m代种群的父染色体进行交叉操作，产生新的个体；
S16、根据变异概率，对交叉生成的新个体进行变异操作，产生新的种群；
S17、判断遗传算法中的目标函数当前的迭代次数是否超过自大迭代次数，若超过则输出路径规划结果，否则执行步骤S12。
5.如权利要求4所述的自适应切换自动搬运小车路径规划方法，其特征在于，所述第一适应度函数具体为：
其中，(Xs,Ys)为起点坐标，(XE,YE)为终点坐标，(Xi,Yi)为中间点坐标，i为常数。
6.如权利要求4所述的自适应切换自动搬运小车路径规划方法，其特征在于，所述根据交叉概率，对第m代种群的父染色体进行交叉操作，产生新的个体，包括：
以设定的交叉概率在所述父染色体中随机选择一个除起始点与目标点以外的转向点；
将该转向点作为交叉点，把所述路径分成了两个路径段；
选择两个父代染色体，并相互交换交叉点后面的路径段，得到两个子代染色体作为新个体。
7.如权利要求4所述的自适应切换自动搬运小车路径规划方法，其特征在于，所述根据变异概率，对交叉生成的新个体进行变异操作，产生新的种群，包括：
以设定的变异概率在所述新个体中间转向点中任意选取一个位置；
将该转向点的位置坐标作一次非一致性变异，并把当前的转向点移至新产生的转向点上，得到新的种群。
8.如权利要求1所述的自适应切换自动搬运小车路径规划方法，其特征在于，所述采用粒子群算法进行路径规划，包括：
S21、对粒子群进行随机初始化处理，得到初始化后的粒子群；
S22、根据第二适应度函数，计算初始化后粒子群中每个粒子的适应度值；
S23、对于每个粒子，在其适用度阈值大于个体极值时，用适用度阈值替换个体阈值；
S24、对于每个粒子，在其适用度阈值大于全局极值时，用适用度阈值替换全局极值；
S25、根据速度、位置更新公式，更新粒子的速度和位置；
S26、判断更新次数是否超过最大次数，若是则输出路径规划结果，否则执行步骤S22。
9.如权利要求6所述的自适应切换自动搬运小车路径规划方法，其特征在于，所述第二适应度函数具体为：
其中，f为一个粒子中所有相邻顶点之间的直线距离的和，(Xj,Yj)为一个粒子中每个顶点的坐标，d表示顶点数量且为常数。
10.如权利要求6所述的自适应切换自动搬运小车路径规划方法，其特征在于，所述速度更新公式为：
Vjd(t+1)＝w·Vjd(t)+c1·rand()(pjd(t)-xjd(t))+c2·rand()(gd(t)-xjd(t))，
其中，Vjd(t)表示第j个粒子在t时刻的速度，rand()为随机变量，w为惯性权重，pjd(t)为第j个粒子在t时刻搜索到的最好的位置，gd(t)为目前整个粒子群搜索到的最好的位置，xjd(t)表示第j个粒子在t时刻的位置，c1、c2均为学习因子；
所述位置更新公式为：
xjd(t+1)＝xjd(t)+vjd(t+1)，
其中，vjd(t+1)表示第j个粒子在t+1时刻的速度，xjd(t)表示第j个粒子在t时刻的位置，xjd(t+1)表示第j个粒子在t+1时刻的位置。
CN201810093061.5A 2018-01-30 2018-01-30 一种自适应切换的自动搬运小车路径规划方法 Active CN108227718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810093061.5A CN108227718B (zh) 2018-01-30 2018-01-30 一种自适应切换的自动搬运小车路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810093061.5A CN108227718B (zh) 2018-01-30 2018-01-30 一种自适应切换的自动搬运小车路径规划方法

Publications (2)

Publication Number Publication Date
CN108227718A true CN108227718A (zh) 2018-06-29
CN108227718B CN108227718B (zh) 2022-04-05

Family

ID=62670057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810093061.5A Active CN108227718B (zh) 2018-01-30 2018-01-30 一种自适应切换的自动搬运小车路径规划方法

Country Status (1)

Country Link
CN (1) CN108227718B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109581987A (zh) * 2018-12-29 2019-04-05 广东飞库科技有限公司 一种基于粒子群算法的agv调度路径规划方法及系统
CN111551187A (zh) * 2020-06-04 2020-08-18 福建江夏学院 一种基于捕食搜索策略的行车路线规划方法及系统
CN111693834A (zh) * 2020-06-18 2020-09-22 国网福建省电力有限公司福州供电公司 一种轻量化搭载式局放检测装置及检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150371135A1 (en) * 2014-06-23 2015-12-24 International Business Machines Corporation Solving vehicle routing problems using evolutionary computing techniques
CN106200650A (zh) * 2016-09-22 2016-12-07 江苏理工学院 基于改进蚁群算法的移动机器人路径规划方法及系统
CN106681334A (zh) * 2017-03-13 2017-05-17 东莞市迪文数字技术有限公司 基于遗传算法的自动搬运小车调度控制方法
CN107092255A (zh) * 2017-05-19 2017-08-25 安徽工程大学 一种基于改进遗传算法的多移动机器人路径规划方法
CN107203825A (zh) * 2016-03-18 2017-09-26 台湾准时达国际物流股份有限公司 使用自动搬运车的订单处理系统和方法
CN107368077A (zh) * 2017-08-15 2017-11-21 西京学院 一种基于遗传‑蚁群算法的机器人路径规划方法
CN107609649A (zh) * 2017-09-13 2018-01-19 广东电网有限责任公司江门供电局 一种基于遗传粒子群混合的雷电定位计算优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150371135A1 (en) * 2014-06-23 2015-12-24 International Business Machines Corporation Solving vehicle routing problems using evolutionary computing techniques
CN107203825A (zh) * 2016-03-18 2017-09-26 台湾准时达国际物流股份有限公司 使用自动搬运车的订单处理系统和方法
CN106200650A (zh) * 2016-09-22 2016-12-07 江苏理工学院 基于改进蚁群算法的移动机器人路径规划方法及系统
CN106681334A (zh) * 2017-03-13 2017-05-17 东莞市迪文数字技术有限公司 基于遗传算法的自动搬运小车调度控制方法
CN107092255A (zh) * 2017-05-19 2017-08-25 安徽工程大学 一种基于改进遗传算法的多移动机器人路径规划方法
CN107368077A (zh) * 2017-08-15 2017-11-21 西京学院 一种基于遗传‑蚁群算法的机器人路径规划方法
CN107609649A (zh) * 2017-09-13 2018-01-19 广东电网有限责任公司江门供电局 一种基于遗传粒子群混合的雷电定位计算优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘胜 等: "《智能预报技术及其在船舶工程中的应用》", 30 November 2015 *
蒋先刚: "《基于稀疏表达的火焰与烟雾探测方法研究》", 31 August 2017 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109581987A (zh) * 2018-12-29 2019-04-05 广东飞库科技有限公司 一种基于粒子群算法的agv调度路径规划方法及系统
CN111551187A (zh) * 2020-06-04 2020-08-18 福建江夏学院 一种基于捕食搜索策略的行车路线规划方法及系统
CN111551187B (zh) * 2020-06-04 2021-09-24 福建江夏学院 一种基于捕食搜索策略的行车路线规划方法及系统
CN111693834A (zh) * 2020-06-18 2020-09-22 国网福建省电力有限公司福州供电公司 一种轻量化搭载式局放检测装置及检测方法

Also Published As

Publication number Publication date
CN108227718B (zh) 2022-04-05

Similar Documents

Publication Publication Date Title
Chen et al. Mobile robot path planning using ant colony algorithm and improved potential field method
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
CN106041931B (zh) 一种多障碍空间多agv机器人协作防碰撞路径优化方法
CN111562785B (zh) 一种群集机器人协同覆盖的路径规划方法及系统
CN101387888B (zh) 基于二进制量子粒子群算法的移动机器人路径规划方法
Gong et al. Multi-objective Particle Swarm Optimization for Robot Path Planning in Environment with Danger Sources.
Jun et al. Multi-objective mobile robot path planning based on improved genetic algorithm
CN107917711A (zh) 一种基于优化混合蚁群算法的机器人路径规划算法
CN108227718A (zh) 一种自适应切换的自动搬运小车路径规划方法
Victerpaul et al. Path planning of autonomous mobile robots: A survey and comparison
CN112650229A (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
Oleiwi et al. A hybrid approach based on ACO and GA for multi objective mobile robot path planning
CN108413963A (zh) 基于自学习蚁群算法的条形机器人路径规划方法
Shi et al. A two-stage strategy for UAV-enabled wireless power transfer in unknown environments
Geetha et al. Multi objective mobile robot path planning based on hybrid algorithm
Ahmadi et al. Constrained coverage path planning: evolutionary and classical approaches
Hsu et al. Path planning for mobile robots based on improved ant colony optimization
Ou et al. Path planning for omnidirectional wheeled mobile robot by improved ant colony optimization
CN110530373A (zh) 一种机器人路径规划方法、控制器及系统
Zhang et al. Learning to cooperate: Application of deep reinforcement learning for online AGV path finding
CN112415997A (zh) 一种用于多机器人协作的路径规划方法及系统
Arora et al. A survey of comparison between various metaheuristic techniques for path planning problem
Qiming et al. A review of intelligent optimization algorithm applied to unmanned aerial vehicle swarm search task
Yuan et al. Research on robot path planning based on smooth A* algorithm for different grid scale obstacle environment
Dashkevich et al. Simulation tool for the drone trajectory planning based on genetic algorithm approach

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
GR01 Patent grant
GR01 Patent grant