CN110118566A - 机器人运行路径生成方法及装置 - Google Patents

机器人运行路径生成方法及装置 Download PDF

Info

Publication number
CN110118566A
CN110118566A CN201810116720.2A CN201810116720A CN110118566A CN 110118566 A CN110118566 A CN 110118566A CN 201810116720 A CN201810116720 A CN 201810116720A CN 110118566 A CN110118566 A CN 110118566A
Authority
CN
China
Prior art keywords
path
alternative path
alternative
group
value
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
CN201810116720.2A
Other languages
English (en)
Other versions
CN110118566B (zh
Inventor
李大双
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201810116720.2A priority Critical patent/CN110118566B/zh
Priority to PCT/CN2019/073897 priority patent/WO2019154215A1/zh
Publication of CN110118566A publication Critical patent/CN110118566A/zh
Priority to US16/887,382 priority patent/US20200292340A1/en
Application granted granted Critical
Publication of CN110118566B publication Critical patent/CN110118566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3469—Fuel consumption; Energy use; Emission aspects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manipulator (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种机器人运行路径生成方法及装置，属于计算机技术领域。所述方法包括：接收路径查询生成请求，根据起始路径点、终止路径点以及预设的所有路径点，随机生成多个备选路径，根据每个备选路径的至少一个目标值，通过调用目标组合算法，确定每个备选路径的成本值，确定多组备选路径，对每组备选路径进行优化，基于每组优化路径以及每个优化后的备选路径的成本值，确定目标机器人运行路径。采用本发明，可以得到更符合需求的机器人运行路径，减少机器人运行的成本。

Description

机器人运行路径生成方法及装置
技术领域
本发明涉及计算机技术领域，特别涉及一种机器人运行路径生成方法及装置。
背景技术
对于机器人运行路径规划、深度学习、生成测试用例等问题，可以拥有多个解集，其中包含有满足目标的最优解。例如，机器人路径规划的解集可以是多条路径的集合，可以在其中找到一条最短路径，或者是满足多目标的路径(如路径距离、时长消耗和能源消耗最合适的路径)作为最优解。
实际环境中的情况较为复杂，上述问题是NP-hard问题(non-deterministicpolynomial，NP，非确定性多项式)，其解集可能过多，无法在有限的时间内遍历所有解以找到最优解，只能扩大搜寻的解空间，不断寻找较优解。现有技术中一般采用NSGA-II(thefast elitism non-dominated sorting genetic algorithm，快速非支配排序遗传算法)，对NP-hard问题进行求解。
在实现本发明的过程中，发明人发现现有技术至少存在以下问题：
现有的NSGA-II，搜索范围较小，局部收敛过早，过度依赖初始种群，得到的较优解与最优解的差距较大。从而，导致对NP-hard问题进行求解时，得到的解集适应度较低，例如，生成机器人运行路径时，得到的路径可能不是最符合需求的路径，增加了机器人运行的成本。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种问题的解决方案确定方法及装置。所述技术方案如下：
一方面，提供了一种机器人运行路径生成方法，所述方法包括：
接收路径生成请求，所述路径生成请求携带起始路径点和终止路径点；
根据所述起始路径点、所述终止路径点以及预设的所有路径点，随机生成多个备选路径；
根据每个备选路径的至少一个目标值，调用目标组合算法，确定每个备选路径的成本值，其中，所述至少一个目标值包括以下一项或多项：备选路径的路径长度、备选路径的时长消耗、备选路径的能源消耗；
根据所述每个备选路径的成本值和至少一个目标值，确定多组备选路径，每组备选路径中包括一个第一备选路径以及与所述第一备选路径对应的第二备选路径；
对每组备选路径进行优化，生成多组优化路径，每组优化路径中包括优化后的第一备选路径以及与优化后的第一备选路径对应的第二备选路径；
基于每组优化路径以及每个优化后的备选路径的成本值，确定目标机器人运行路径。
一方面，提供了一种机器人运行路径生成装置，所述装置包括：
接收模块，用于接收路径生成请求，所述路径生成请求携带起始路径点和终止路径点；
生成模块，用于根据所述起始路径点、所述终止路径点以及预设的所有路径点，随机生成多个备选路径；
第一确定模块，用于根据每个备选路径的至少一个目标值，调用目标组合算法，确定每个备选路径的成本值，其中，所述至少一个目标值包括以下一项或多项：备选路径的路径长度、备选路径的时长消耗、备选路径的能源消耗；
第二确定模块，用于根据所述每个备选路径的成本值和至少一个目标值，确定多组备选路径，每组备选路径中包括一个第一备选路径以及与所述第一备选路径对应的第二备选路径；
优化模块，用于对每组备选路径进行优化，生成多组优化路径，每组优化路径中包括优化后的第一备选路径以及与优化后的第一备选路径对应的第二备选路径；
第三确定模块，用于基于每组优化路径以及每个优化后的备选路径的成本值，确定目标机器人运行路径。
一方面，提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现上述机器人运行路径生成方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述机器人运行路径生成方法。
本发明实施例提供的技术方案带来的有益效果是：
本发明实施例提供了一种改进的殖民竞争算法，对于多目标的机器人运行路径的生成问题，可以通过目标组合算法计算每个备选路径的成本值，作为衡量一个备选路径是否优选的指标，相比于现有的NSGA-II，可以区分每一个方案，而不仅仅是区分同一个层次的Pareto(帕累托)解集，能够增强对解空间的搜索性能，扩大搜索范围，可以获得更符合需求的机器人运行路径，减少机器人运行的成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种实施环境图；
图2是本发明实施例提供的一种快速非支配排序法流程图；
图3是本发明实施例提供的一种机器人运行路径生成方法流程图；
图4是本发明实施例提供的一种多目标混合殖民竞争算法流程图；
图5是本发明实施例提供的一种机器人运行路径生成问题示意图；
图6是本发明实施例提供的一种目标组合算法流程图；
图7是本发明实施例提供的一种备选路径优化过程流程图；
图8是本发明实施例提供的一种部分交叉映射示意图；
图9是本发明实施例提供的一种延迟接受爬山算法示意图；
图10是本发明实施例提供的一种问题的解决方案确定方法流程图；
图11是本发明实施例提供的一种目标组合算法流程图；
图12是本发明实施例提供的一种备选方案优化过程流程图；
图13是本发明实施例提供的一种机器人运行路径生成装置示意图；
图14是本发明实施例提供的一种服务器的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
图1是本发明实施例提供的一种实施环境图。该实施环境包括多个终端101、用于为该多个终端提供服务的服务器102。多个终端101通过无线或者有线网络和服务器102连接，该多个终端101可以为能够访问服务器102的电子设备，该电子设备可以为电脑、智能手机、平板电脑或者其他电子设备。服务器102可以为一个或者多个计算服务器，该服务器102可以作为计算的主体，该服务器102可以根据其用户通过终端对目标问题的计算请求，对目标问题的解决方案进行的计算操作，得到解决目标问题的目标方案。对于服务器102来说，该服务器102还可以具有至少一种数据库，用以存储决策变量数据、备选方案数据以及备选方案分组数据等等。在本发明实施例中，终端101可以作为需求的提出方，通过访问服务器102的方式请求服务器102来分析问题，以提供解决方案。又或者，终端101可以作为方案的执行者，可以基于服务器102所确定的方案来执行方案的具体步骤。
其中，本发明实施例所涉及的目标问题可以是指机器人运行路径生成、深度学习、生成测试用例等复杂的多目标NP-hard问题，这类问题可以具有对应的算法模型，从而使得用户通过终端对该问题进行查询计算时，能够实现对目标问题的求解。例如，该服务器102为路径规化服务器，则该服务器102上存储有多个路径点与节点描述信息、路径优化对应的算法模型等，当用户通过终端对路径的起始点与结束点进行路径查询时，服务器102通过算法模型计算起始点与结束点之间的优选路径。
下面对本实施例使用的词汇做出解释：
NP-hard问题：NP是指非确定性多项式。所谓的非确定性是指，不可用一定数量的运算去解决多项式时间内可解决的问题。在实际应用场景中，常见的问题包括机器人路径规划、深度学习等。
Pareto前沿：如果个体i的目标值中至少有一个目标比个体h优，而且个体i的其他目标并不比个体h差，则个体i能够支配个体h。如果不能发现能够支配个体i的其他个体，个体i被称为Pareto最优解。多个Pareto最优解组成的集合被定义为Pareto最优解集，该解集中的所有个体都是非支配解，这些个体的连线被称为Pareto前沿。
多目标混合殖民竞争算法(multi-objective hybrid colonial competitivealgorithm，MOHCCA)：一种受帝国竞争行为启发的新的智能优化算法，属于基于群体的随机优化搜索算法。殖民竞争算法是在旧社会时代，经济与军事力量比较强的国家对落后的国家进行殖民控制，强国之间也会相互争夺，这样的国与国之间产生的殖民竞争过程而得到启发，产生的元启发式算法。该算法是建立在众多国家的基础之上，基于多个国家群体全局搜索最优解的新型算法，其全局能力较强。能力强的国家可以占用殖民地的资源或者剥削殖民地的人民，而使得其越来越强。
快速非支配排序法：参考图2，快速非支配排序法主要是为了根据个体之间的支配程度，将每一个个体放入不同层次的Pareto解集中。第一级Pareto解集可以支配其他集合中的所有个体(即为Pareto前沿曲线上的个体)，其他层次的解集只能被前面层次的解集所支配。
结合图3所示的机器人运行路径生成方法流程图与图4所示的多目标混合殖民竞争算法的流程图，该方法的处理流程可以如下：
301、接收路径生成请求。
其中，路径生成请求携带起始路径点和终止路径点。在实施中，服务器中可以预先设置各个路径点以及节点描述信息，并存储在数据库中。节点描述信息可以是与路径点相关的属性信息，例如，可以是节点允许的最大流量、节点与其它节点的连接关系(如可以从节点A行进至节点B，而不能从节点A行进至节点C)等。
机器人中可以安装有定位组件，可以获取机器人当前的位置信息。当机器人需要从当前位置运行至目的位置时，可以将当前位置作为起始路径点，将目的位置作为终止路径点，并添加到路径生成请求，然后将该路径生成请求发送给服务器。进而，服务器可以接收到携带起始路径点和终止路径点的路径生成请求。
302、根据起始路径点、终止路径点以及预设的所有路径点，随机生成多个备选路径。
在随机生成备选路径之前，还需要对机器人运行路径的生成问题进行构造，首先需要对机器人运行路径生成问题的决策变量、约束条件、目标函数等进行设定。机器人运行路径生成问题的决策变量可以是路径点、路径长度、时长消耗、能源消耗等，其中，路径长度、时长消耗、能源消耗等可以由路径点与预设的行进速度计算得到。约束条件可以根据相应的节点描述信息进行设置。目标函数可以是单目标函数，例如，路径最短、时长最短或能耗最少等；也可以是多目标函数，例如，路径距离、时长消耗和能源消耗三者结合最合适。也即，目标值包括以下一项或多项：备选路径的路径长度、备选路径的时长消耗、备选路径的能源消耗。
在构造机器人运行路径生成问题时，可以先根据路径点构造各个决策变量，然后根据节点描述信息构造路径规划问题的约束条件。根据输入的起始路径点与终止路径点，以及在预设的所有路径点中随机选取的中间的路径点，得到一条备选路径。然后判断备选路径是否满足约束条件，如果满足，则表明该备选路径是一个可行解，可以将备选路径保留下来进行后续处理；如果不满足，则表明该备选路径是一个非可行解，可以丢弃该备选路径并重新生成另一条备选路径。
如图5所示的机器人运行路径生成问题示意图，路径点可以有相应的数字编号，可以根据每个路径点的数字编号生成一个数字序列，用来表示一条路径，序列起始为路径起始点，序列结尾为路径结束点。重复上述过程，随机生成预设数目个数字序列，即随机生成预设数目条路径，该预设数目可以是30，此处不作限定。
303、根据每个备选路径的至少一个目标值，调用目标组合算法，确定每个备选路径的成本值。
在实施中，随机生成了多个备选路径后，为了形象地表述不同路径之间的支配关系，可以将每个备选路径作为一个国家，以得到多个国家，可以根据上述目标函数，计算每个国家的一个或多个目标值。对于单目标问题，可以直接用目标值来表示一个国家的成本值。而对于多目标问题，不能直接利用某种目标值对一个国家的成本值进行度量，需要将多个目标值通过目标组合算法，计算得到成本值。对每个国家进行相同或相类似的运算，即可得到多个国家的成本值。
可选的，在计算每个国家的成本值之前，可以根据快速非支配排序算法对每个国家进行等级划分，得到每个国家的等级以计算对应的成本值，相应的处理可以如下：根据每个备选路径的至少一个目标值，对每个备选路径进行等级划分，得到每个备选路径的等级；根据每个备选路径的至少一个目标值以及每个备选路径的等级，确定每个备选路径的成本值。
在实施中，在得到每个国家的至少一个目标值后，可以根据快速非支配排序算法，确定每个国家之间的支配程度，将每一个国家放入不同层次的Pareto解集中，每个层次可以对应一个等级，每个国家都可以得到其对应的等级。支配程度最高的国家所在的层次可以为第一层，对应的等级为第一等级。
进而，可以根据每个国家的至少一个目标值以及对应的等级，通过目标组合算法，计算得到每个国家的成本值。对于多目标问题，每一个目标值之间具有地位平等性以及优化互异性，目标组合算法参考每个国家对应的等级能够保证更优Pareto解集的国家的成本值也更优。
以该机器人运行路径生成问题是包括2个目标函数的问题为例，该问题为目标值越小越好的问题，目标组合算法的公式可以表示如下：
NormCosti＝max(Costn)-Costi+1 (2)
其中，Costi是第i个国家的初始成本值，fk(i)是第i个国家的第k个目标值，Nrank是每一个等级的Pareto解集里面的国家数，ranki为第i个国家对应的等级(即层次)。NormCosti为第i个国家的成本值，max(Costn)为所有国家的初始成本值中的最大值。上述公式(2)表明，初始成本值最大的国家成本值最小，且成本值为1，与该国家的初始成本值相差越大，对应的成本值越大。同理可知，初始成本值越小的国家，成本值越大，与目标值越小越好的问题相符合。
参照图6所示的目标组合算法流程图，具体在步骤302中根据目标组合算法计算的过程可以如下述步骤3021至步骤3024所示：
3031、计算同一等级的所有备选路径的同种目标值之和分别计算每个备选路径的每个目标值在对应的同种目标值之和中的比例值
3032、根据每个备选路径的每个目标值对应的比例值，计算每个备选路径的每个目标值的比例值之和
3033、根据每个备选路径的每个目标值的比例值之和以及每个备选路径的等级，确定每个备选路径的初始成本值Costi。
步骤3031-3033与上述公式(1)相对应。无论是目标值越小越好的问题还是目标值越大越好的问题，任一种多目标问题都可以根据类似的构思得到初始成本值的公式。
3034、根据每个备选路径的初始成本值，确定每个备选路径的成本值NormCosti。
以等级越低，ranki的数值越大为例，从上述计算初始成本值的公式可以看出，目标值越大，其所占的比例越大，即表明等级越低或目标值越大的国家，其初始成本值越大。而对于目标值越小越好的问题，初始成本值越小，则备选路径越优，国家越强大。为了便于计算机的求解，一般来说，取成本值较大的国家为最优解。因此，对于目标值越小越好的问题，可以根据所有国家的初始成本值，将每个国家的初始成本值转换为成本值，以便后续处理。
步骤3034与上述公式(2)相对应。对于目标值越大越好的问题，其成本值可以是初始成本值，也可以基于相同的构思将所有国家的初始成本值进行归一化，得到对应的成本值，此处不做限定。
304、根据每个备选路径的成本值和至少一个目标值，确定多组备选路径。
其中，每组备选路径中包括一个第一备选路径以及与第一备选路径对应的第二备选路径。
在实施中，可以根据每个备选路径的成本值和至少一个目标值，选择出多个较优的备选路径作为第一备选路径，即将多个较强的国家作为殖民国家。然后，可以将其余备选路径作为第二备选路径，并为每个第一备选路径选择对应的第二备选路径，即为每个殖民国家选择对应的殖民地。一般来说，成本值越大的第一备选路径得到第二备选路径的概率越大，即殖民国家越强，其拥有的殖民地越多。
将一个备选路径与对应的第二备选路径作为一组，可以得到多组备选路径。一组备选路径可以作为一个帝国，一个帝国内包括一个殖民国家以及对应的殖民地。
上述步骤304的具体处理过程可以如下：根据每个备选路径的至少一个目标值，将满足第二预设条件的备选路径作为第一备选路径；根据每个第一备选路径的成本值在所有备选路径的成本值之和中的比例值，在除所有第一备选路径之外的备选路径中，选择每个第一备选路径对应的第二备选路径，将一个第一备选路径与一个第一备选路径对应的第二备选路径作为一组备选路径，得到多组备选路径。
在实施中，在上述过程中，根据每个国家的至少一个目标值通过快速非支配排序算法，对每个国家进行层次划分后，第一层的国家为较强的国家，因此，可以将所有第一层的国家作为殖民国家。或者，在得到每个国家的成本值后，可以将成本值最大的预设数目个(如10个)国家作为殖民国家。技术人员可以根据实际情况选择合理的选择方式，此处不做限定。
然后，可以基于轮盘赌选择，为每个殖民国家选择对应的殖民地。计算殖民国家的选择概率的公式可以如下：
其中，Pi为第i个殖民国家的选择概率，Nimp为设定的帝国总数，即殖民国家数。
根据每个殖民国家的选择概率，在其余的殖民地中，选择每个殖民国家对应的殖民地，进而，一个殖民国家与对应的殖民地组成一个帝国，得到多个帝国。基于殖民国家与对应的殖民地生成帝国的构思，将备选路径划分为第一备选路径或第二备选路径，将一个备选路径与对应的第二备选路径作为一组备选路径，得到多组备选路径。
上述步骤302-304对应于图4中的帝国初始化过程。
305、对每组备选路径进行优化，生成多组优化路径。
其中，每组优化路径中包括优化后的第一备选路径以及与优化后的第一备选路径对应的第二备选路径。
在实施中，得到初始化的备选路径后，可以在解空间中继续搜寻可行解，每当得到新的备选路径，可以根据目标函数计算至少一个目标值，进而可以判断新的备选路径是否为更优的备选路径，将更优的备选路径作为优化路径，具体过程与上述过程相类似，此处不再赘述。当找到更优的备选路径时，可以将其保留下来，确定优化后的第一备选路径与优化后的第一备选路径对应的第二备选路径，得到多组优化路径。
可选的，上述步骤305中的优化过程可以是图4中帝国内同化、合并种群法和帝国内更新的过程，参照图7所示的备选路径优化过程流程图，具体的处理过程可以如下步骤3051-3053：
3051、根据每组备选路径的第一备选路径，对每组备选路径的所有第二备选路径进行同化操作，确定每组备选路径的所有同化后的第二备选路径。
在实施中，在一个帝国内，为了增强对殖民地的控制，殖民国家对其殖民地会进行不同程度的同化作用，使得殖民地变得与殖民国家更相似(就好比弱的国家需要打开国门，实行改革开放，向强的国家学习先进的技术，来使得自己变得更强)。同化过程包含两个方面：殖民地向殖民国家的方向移动与移动过后加入一个随机的偏移。偏移主要是为了增加同化过程的多样性，扩大殖民地移动范围，以扩大解空间的搜索范围。对于作为备选路径的数字序列，同化过程的两个方面还可以称为交叉过程和变异过程。
第一方面，参照图8所示的部分交叉映射示意图，同化中的移动主要采用能够很好地保留殖民国家特征到殖民地中的部分映射交叉。具体的，可以是在殖民国家与殖民地的数字序列中随机选择交叉的位置，然后可以将殖民地中需要交叉的部分替换成殖民国家相应位置的部分，根据数字序列的交叉部分各个元素的映射关系，将殖民地的数字序列中其它元素也映射得到合理的元素，最后生成一个新的数字序列，即得到新的殖民地，在解空间中搜索得到新的备选路径。交叉还可以用单点交叉、多点交叉、均匀交叉等交叉算子，此处不做限定。
第二方面，部分交叉映射之后，可以在新的殖民地的数字序列中，随机选择位置进行变异操作，修改该位置上的序列元素，即加入一个随机的偏移，生成一个新的数字序列，在解空间中搜索得到新的备选路径。同化中的偏移过程采用四种常见的变异算子用于随机变化。四种算子可以是向前、向后插入变异、回复变异和随机交换两点变异，可以有效地增加变异的多样性，扩大搜索范围。
经过上述交叉与变异的操作后，殖民地向殖民国家同化，得到同化后的殖民地，即同化后的第二备选路径。值得说明的是，每个殖民地都会经过上述同化过程，生成对应的同化后的殖民地，而不是以一定的概率发生，这样，可以有效提高解空间的搜索范围，避免过早陷入局部最优解。
3052、对每组备选路径的所有第二备选路径与每组备选路径的所有同化后的第二备选路径，进行合并操作，得到每组备选路径的所有优化后的第二备选路径。
在实施中，可以在同化前的所有殖民地与同化后的所有殖民地中，选择出较强的殖民地，即较优的第二备选路径，作为优化后的第二备选路径。具体的处理过程可以如下：
分别确定每组备选路径的所有第二备选路径与每组备选路径的所有同化后的第二备选路径的至少一个目标值，通过目标组合算法，确定每组备选路径的所有第二备选路径与每组备选路径的所有同化后的第二备选路径的成本值。然后，将每组备选路径的所有第二备选路径与每组备选路径的所有同化后的第二备选路径的成本值中成本值最大的预设数目个第二备选路径，作为每组备选路径的所有优化后的第二备选路径。
上文已经介绍过了确定国家的成本值的过程，确定每个殖民地与每个同化后的殖民地的成本值的具体过程与上述过程相同，此处不再赘述。然后，可以将每个殖民地与每个同化后的殖民地的成本值进行排序，同化前的殖民地数目与同化后的殖民地数目相等，因此，可以将成本值最大的一半殖民地作为优化后的殖民地，上述预设数目即为殖民地的原有数目。这样，可以保留更优的国家进入下一次迭代，也即保留更优的备选路径进入下一次迭代。
3053、根据每组备选路径的第一备选路径与每组备选路径的所有优化后的第二备选路径，进行更新操作，确定优化后的第一备选路径与优化后的第一备选路径对应的第二备选路径，得到多组优化路径。
在实施中，如果出现帝国内的殖民地更加优于其所属的殖民国家，则殖民地会抢占殖民国家的领导地位，将该殖民国家变为自己的殖民地，即原来的殖民地和其对应的殖民国家交换位置(弱的国家在强的国家控制下，不断地发展与学习，其实力超过了强的国家，此时弱国就会摆脱强国的控制，并且控制强国)，这个就是所谓的帝国内更新。抢占了领导地位的殖民地则作为优化后的殖民国家，原殖民国家的其它殖民地与该原殖民国家作为优化后的殖民国家对应的殖民地。对每个帝国都进行类似的更新，可以得到多个优化后的帝国，即得到多组优化路径。基于帝国内更新的构思，如果第二备选路径的成本值大于对应的第一备选路径，则将该第二备选路径与该第一备选路径的位置对调，即原第二备选路径变更为该组备选路径的第一备选路径，原第一备选路径变更为该组备选路径的一个第二备选路径。
在帝国内更新之前，可以根据局部搜索算法，将当前帝国内的最优解与前几次迭代得到的最优解进行对比，选择更优的国家作为候选国家，该步骤对应于图4中的延迟接受爬山算法过程，具体的处理过程可以如下：根据每组备选路径的第一备选路径与每组备选路径的所有优化后的第二备选路径，通过局部搜索算法，确定每组备选路径的候选路径。
上述局部搜索算法可以是延迟接受爬山算法，也可以是模拟退火算法等，此处不做限定。以延迟接受爬山算法为例，可以设定一个定长的列表来存储几次迭代得到的最优解，如图9所示的延迟接受爬山算法示意图，将当前帝国内的最优解与前几次迭代得到的最优解进行对比，选择更优的国家作为候选国家，即候选路径。如果候选路径为前几次迭代得到的备选路径，则将该候选路径替换当前备选路径组的最优解。
如果候选路径是对应的备选路径组中的第二备选路径，则将候选路径作为对应的备选路径组的优化后的第一备选路径，将对应的备选路径组的第一备选路径作为一个优化后的第二备选路径，将优化后的第一备选路径与对应的至少一个优化后的第二备选路径，作为一组优化路径。即帝国内的殖民地更加优于其所属的殖民国家，将进行帝国内优化操作，与上述过程相同，此处不再赘述。
如果候选路径是对应的备选路径组中的第一备选路径，则将第一备选路径作为优化后的第一备选路径，将优化后的第一备选路径与对应的至少一个优化后的第二备选路径，作为一组优化路径。即帝国内殖民国家仍然支配其殖民地，不会进行帝国内更新操作。
306、基于每组优化路径以及每个优化后的备选路径的成本值，确定目标机器人运行路径。
服务器可以基于每组优化路径进行竞争，确定竞争成功的路径组，将能量值最小的路径组中成本值最小的第二备选路径，更改为竞争成功的路径组的第二备选路径，如果达到算法停止条件，则选取满足第一预设条件的第一备选路径，作为目标机器人运行路径。
在实施中，帝国内的殖民国家不会只甘心当下其占有的殖民地，它们会选择竞争的方式或者非和谐手段去争夺其他帝国内的殖民地(强国不断地向外扩张自己的势力，以进一步增强国力，当然也会降低其他帝国的能量值，较为弱小的殖民国家失去其殖民地也是常发生的事情)，此过程即为殖民竞争。该步骤可以对应于图4中的殖民竞争过程。各个帝国的能量值可以由其组成国家的成本值进行计算得到，该能量值可以作为衡量一个备选路径组是否优选的指标，具体的公式可以如下：
Powi＝Cost(imp)+β*mean(Cost(coloniesinempire)) (4)
NormPowi＝max(Pown)-Powi+1 (5)
其中，Powi为第i个帝国的初始能量值，Cost(imp)为殖民国家的初始成本值，Cost(colonies in empire)为帝国内殖民地的初始成本值，β为比例系数，一般取值为0.4。与上文相对应的，对于目标值越小越好的问题，NormPowi为第i个帝国的能量值，max(Pown)为所有帝国中最大的初始能量值。
帝国的能量值越大，其竞争成功的概率越高，相应的公式可以如下：
根据上述公式(6)，计算出每一个帝国的能量值在所有帝国的能量值之中所占的比例，即为该帝国的竞争成功的概率。这些概率值就可以组成了矩阵随机生成Nimp个数值较小的数，构成矩阵进而得到矩阵矩阵D中最大值所对应的帝国即为竞争成功的帝国，可以占有能量值最小的帝国内的成本值最小的殖民地，即将该殖民地更改为竞争成功的帝国的殖民地，如果此时未达到算法停止条件，则重复步骤305-306，直至达到算法停止条件。为了避免算法执行时间过长，需要设置算法停止条件，该算法停止条件可以为只剩下一个帝国，或迭代次数达到预设数目。基于殖民竞争的构思，竞争成功的备选路径组可以获取能量值最小的备选路径组的成本值最小的一个第二备选路径。
随着算法的不断进行，能量值较低的帝国可能失去其拥有的所有殖民地，那么该帝国的殖民国家也就没有存在的意义，同样需要通过殖民竞争，为其选择新的殖民国家，那么这个帝国就会从种群中消失，也即是图4中的帝国消除过程。
当只剩下一个帝国，或迭代次数达到预设数目时，即达到了算法停止条件。如果只剩下一个帝国，则可以将该帝国的殖民国家即为找到的最优解，即得到机器人运行路径生成问题的目标机器人运行路径。如果迭代次数达到预设数目，且存在不止一个帝国，则可以将成本值最大的殖民国家作为最优解，得到机器人运行路径生成问题的目标机器人运行路径。
本发明实施例中，提供了一种改进的殖民竞争算法，对于多目标的机器人运行路径生成问题，可以通过目标组合算法计算每个备选路径的成本值，作为衡量一个备选路径是否优选的指标，相比于现有的NSGA-II，可以区分每一个路径，而不仅仅是区分同一个层次的Pareto解集，能够增强对解空间的搜索性能，扩大搜索范围，可以获得更符合需求的机器人运行路径，减少机器人运行的成本。
基于相同的技术构思，本发明实施例还提供了一种问题的解决方案确定方法，下面结合图10所示的问题的解决方案确定方法流程图与图4所示的多目标混合殖民竞争算法的流程图进行介绍，该方法的处理流程可以如下：
1001、根据目标问题的解空间，生成多个备选方案。
在实施中，对于机器人运行路径优化、深度学习、生成测试用例等复杂的多目标NP-hard问题，可以构造目标问题的决策变量、约束条件和目标函数等，此处不作限定。根据构造的决策变量和约束条件，可以确定下目标问题的解空间。
在目标问题的解空间内，随机生成一个数字序列，用于表示目标问题的一个解决方案。根据预设的个体数目，可以随机生成预设数目个数字序列，例如，生成30个数字序列。
可选的，以路径规划问题为例，根据路径点与节点描述信息，构造路径规划的目标问题。在构造目标问题时，可以先根据路径点构造各个决策变量，然后根据节点描述信息构造路径规划问题的约束条件。根据输入的路径的起始点与结束点，随机选取中间的路径点，得到一条备选路径。然后判断备选路径是否满足约束条件，如果满足，则表明该备选路径是一个可行解，可以将备选路径保留下来进行后续处理；如果不满足，则表明该备选路径是一个非可行解，可以丢弃该备选路径并重新生成另一条备选路径。
在实施中，路径规划问题的决策变量可以是路径点、路径长度、时长消耗、能源消耗等，其中，路径长度、时长消耗、能源消耗等可以由路径点与预设的行进速度计算得到。节点描述信息可以是与路径点相关的属性信息，与约束条件相关，例如，可以是节点允许的最大流量、节点与其它节点的连接关系(如可以从节点A行进至节点B，而不能从节点A行进至节点C)等。目标函数可以是单目标函数，例如，路径最短、时长最短或能耗最少等；也可以是多目标函数，例如，路径距离、时长消耗和能源消耗三者结合最合适。
如图5所示的机器人运行路径生成问题示意图，路径点可以有相应的数字编号，可以根据每个路径点的数字编号生成一个数字序列，用来表示一条路径，序列起始为路径起始点，序列结尾为路径结束点。随机生成预设数目个数字序列，即随机生成预设数目条路径，得到多个备选方案。
1002、根据每个备选方案的至少一个目标值，通过目标组合算法，确定每个备选方案的成本值。
在实施中，随机生成了多个备选方案后，为了形象地表述不同方案之间的支配关系，可以将每个备选方案作为一个国家，以得到多个国家，可以根据上述目标函数，计算每个国家的一个或多个目标值。对于单目标问题，可以直接用目标值来表示一个国家的成本值。而对于多目标问题，不能直接利用某种目标值对一个国家的成本值进行度量，需要将多个目标值通过目标组合算法，计算得到成本值。对每个国家进行相同或相类似的运算，即可得到多个国家的成本值。
可选的，在计算每个国家的成本值之前，可以根据快速非支配排序算法对每个国家进行等级划分，得到每个国家的等级以计算对应的成本值，相应的处理可以如下：根据每个备选方案的至少一个目标值，对每个备选方案进行等级划分，得到每个备选方案的等级；根据每个备选方案的至少一个目标值以及每个备选方案的等级，确定每个备选方案的成本值。
在实施中，在得到每个国家的至少一个目标值后，可以根据快速非支配排序算法，确定每个国家之间的支配程度，将每一个国家放入不同层次的Pareto解集中，每个层次可以对应一个等级，每个国家都可以得到其对应的等级。支配程度最高的国家所在的层次可以为第一层，对应的等级为第一等级。
进而，可以根据每个国家的至少一个目标值以及对应的等级，通过目标组合算法，计算得到每个国家的成本值。对于多目标问题，每一个目标值之间具有地位平等性以及优化互异性，目标组合算法参考每个国家对应的等级能够保证更优Pareto解集的国家的成本值也更优。
以该目标问题是包括2个目标函数的问题为例，若该问题为目标值越小越好的问题，目标组合算法的公式可以表示如下：
NormCosti＝max(Costn)-Costi+1 (2)
其中，Costi是第i个国家的初始成本值，fk(i)是第i个国家的第k个目标值，Nrank是每一个等级的Pareto解集里面的国家数，ranki为第i个国家对应的等级(即层次)。NormCosti为第i个国家的成本值，max(Costn)为所有国家的初始成本值中的最大值。上述公式(2)表明，初始成本值最大的国家成本值最小，且成本值为1，与该国家的初始成本值相差越大，对应的成本值越大。同理可知，初始成本值越小的国家，成本值越大，与目标值越小越好的问题相符合。
参照图11所示的目标组合算法流程图，具体在步骤1002中根据目标组合算法计算的过程可以如下述步骤10021至步骤10024所示：
10021、计算同一等级的所有备选方案的同种目标值之和分别计算每个备选方案的每个目标值在对应的同种目标值之和中的比例值
10022、根据每个备选方案的每个目标值对应的比例值，计算每个备选方案的每个目标值的比例值之和
10023、根据每个备选方案的每个目标值的比例值之和以及每个备选方案的等级，确定每个备选方案的初始成本值Costi。
步骤10021-10023与上述公式(1)相对应。无论是目标值越小越好的问题还是目标值越大越好的问题，任一种多目标问题都可以根据类似的构思得到初始成本值的公式。
10024、根据每个备选方案的初始成本值，确定每个备选方案的成本值NormCosti。
以等级越低，ranki的数值越大为例，从上述计算初始成本值的公式可以看出，目标值越大，其所占的比例越大，即表明等级越低或目标值越大的国家，其初始成本值越大。而对于目标值越小越好的问题，初始成本值越小，则备选方案越优，国家越强大。为了便于计算机的求解，一般来说，取成本值较大的国家为最优解。因此，对于目标值越小越好的问题，可以根据所有国家的初始成本值，将每个国家的初始成本值转换为成本值，以便后续处理。
步骤10024与上述公式(2)相对应。对于目标值越大越好的问题，其成本值可以是初始成本值，也可以基于相同的构思将所有国家的初始成本值进行归一化，得到对应的成本值，此处不做限定。
1003、根据每个备选方案的成本值和至少一个目标值，确定多组备选方案。
其中，每组备选方案中包括一个第一备选方案与一个第一备选方案对应的第二备选方案。
在实施中，可以根据每个备选方案的成本值和至少一个目标值，选择出多个较优的备选方案作为第一备选方案，即将多个较强的国家作为殖民国家。然后，可以将其余备选方案作为第二备选方案，并为每个第一备选方案选择对应的第二备选方案，即为每个殖民国家选择对应的殖民地。一般来说，成本值越大的第一备选方案得到第二备选方案的概率越大，即殖民国家越强，其拥有的殖民地越多。
将一个备选方案与对应的第二备选方案作为一组，可以得到多组备选方案。一组备选方案可以作为一个帝国，一个帝国内包括一个殖民国家以及对应的殖民地。
上述步骤1003的具体处理过程可以如下：根据每个备选方案的至少一个目标值，将满足第二预设条件的备选方案作为第一备选方案；根据每个第一备选方案的成本值在所有备选方案的成本值之和中的比例值，在除所有第一备选方案之外的备选方案中，选择每个第一备选方案对应的第二备选方案，将一个第一备选方案与一个第一备选方案对应的第二备选方案作为一组备选方案，得到多组备选方案。
在实施中，在上述过程中，根据每个国家的至少一个目标值通过快速非支配排序算法，对每个国家进行层次划分后，第一层的国家为较强的国家，因此，可以将所有第一层的国家作为殖民国家。或者，在得到每个国家的成本值后，可以将成本值最大的预设数目个(如10个)国家作为殖民国家。技术人员可以根据实际情况选择合理的选择方式，此处不做限定。
然后，可以基于轮盘赌选择，为每个殖民国家选择对应的殖民地。计算殖民国家的选择概率的公式可以如下：
其中，Pi为第i个殖民国家的选择概率，Nimp为设定的帝国总数，即殖民国家数。
根据每个殖民国家的选择概率，在其余的殖民地中，选择每个殖民国家对应的殖民地，进而，一个殖民国家与对应的殖民地组成一个帝国，得到多个帝国。基于殖民国家与对应的殖民地生成帝国的构思，将备选方案划分为第一备选方案或第二备选方案，将一个备选方案与对应的第二备选方案作为一组备选方案，得到多组备选方案。
上述步骤1001-1003对应于图4中的帝国初始化过程。
1004、对每组备选方案进行优化，生成多组优化方案。
其中，每组优化方案中包括优化后的第一备选方案与优化后的第一备选方案对应的第二备选方案。
在实施中，得到初始化的备选方案后，可以在解空间中继续搜寻可行解，每当得到新的备选方案，可以根据目标函数计算至少一个目标值，进而可以判断新的备选方案是否为更优的备选方案，将更优的备选方案作为优化方案，具体过程与上述过程相类似，此处不再赘述。当找到更优的备选方案时，可以将其保留下来，确定优化后的第一备选方案与优化后的第一备选方案对应的第二备选方案，得到多组优化方案。
可选的，上述步骤1004中的优化过程可以是图4中帝国内同化、合并种群法和帝国内更新的过程，参照图12所示的备选方案优化过程流程图，具体的处理过程可以如下步骤10041-10043：
10041、根据每组备选方案的第一备选方案，对每组备选方案的所有第二备选方案进行同化操作，确定每组备选方案的所有同化后的第二备选方案。
在实施中，在一个帝国内，为了增强对殖民地的控制，殖民国家对其殖民地会进行不同程度的同化作用，使得殖民地变得与殖民国家更相似(就好比弱的国家需要打开国门，实行改革开放，向强的国家学习先进的技术，来使得自己变得更强)。同化过程包含两个方面：殖民地向殖民国家的方向移动与移动过后加入一个随机的偏移。偏移主要是为了增加同化过程的多样性，扩大殖民地移动范围，以扩大解空间的搜索范围。对于作为备选方案的数字序列，同化过程的两个方面还可以称为交叉过程和变异过程。
第一方面，参照图8所示的部分交叉映射示意图，同化中的移动主要采用能够很好地保留殖民国家特征到殖民地中的部分映射交叉。具体的，可以是在殖民国家与殖民地的数字序列中随机选择交叉的位置，然后可以将殖民地中需要交叉的部分替换成殖民国家相应位置的部分，根据数字序列的交叉部分各个元素的映射关系，将殖民地的数字序列中其它元素也映射得到合理的元素，最后生成一个新的数字序列，即得到新的殖民地，在解空间中搜索得到新的备选方案。交叉还可以用单点交叉、多点交叉、均匀交叉等交叉算子，此处不做限定。
第二方面，部分交叉映射之后，可以在新的殖民地的数字序列中，随机选择位置进行变异操作，修改该位置上的序列元素，即加入一个随机的偏移，生成一个新的数字序列，在解空间中搜索得到新的备选方案。同化中的偏移过程采用四种常见的变异算子用于随机变化。四种算子可以是向前、向后插入变异、回复变异和随机交换两点变异，可以有效地增加变异的多样性，扩大搜索范围。
经过上述交叉与变异的操作后，殖民地向殖民国家同化，得到同化后的殖民地，即同化后的第二备选方案。值得说明的是，每个殖民地都会经过上述同化过程，生成对应的同化后的殖民地，而不是以一定的概率发生，这样，可以有效提高解空间的搜索范围，避免过早陷入局部最优解。
10042、对每组备选方案的所有第二备选方案与每组备选方案的所有同化后的第二备选方案，进行合并操作，得到每组备选方案的所有优化后的第二备选方案。
在实施中，可以在同化前的所有殖民地与同化后的所有殖民地中，选择出较强的殖民地，即较优的第二备选方案，作为优化后的第二备选方案。具体的处理过程可以如下：
分别确定每组备选方案的所有第二备选方案与每组备选方案的所有同化后的第二备选方案的至少一个目标值，通过目标组合算法，确定每组备选方案的所有第二备选方案与每组备选方案的所有同化后的第二备选方案的成本值。然后，将每组备选方案的所有第二备选方案与每组备选方案的所有同化后的第二备选方案的成本值中成本值最大的预设数目个第二备选方案，作为每组备选方案的所有优化后的第二备选方案。
上文已经介绍过了确定国家的成本值的过程，确定每个殖民地与每个同化后的殖民地的成本值的具体过程与上述过程相同，此处不再赘述。然后，可以将每个殖民地与每个同化后的殖民地的成本值进行排序，同化前的殖民地数目与同化后的殖民地数目相等，因此，可以将成本值最大的一半殖民地作为优化后的殖民地，上述预设数目即为殖民地的原有数目。这样，可以保留更优的国家进入下一次迭代，也即保留更优的备选方案进入下一次迭代。
10043、根据每组备选方案的第一备选方案与每组备选方案的所有优化后的第二备选方案，进行更新操作，确定优化后的第一备选方案与优化后的第一备选方案对应的第二备选方案，得到多组优化方案。
在实施中，如果出现帝国内的殖民地更加优于其所属的殖民国家，则殖民地会抢占殖民国家的领导地位，将该殖民国家变为自己的殖民地，即原来的殖民地和其对应的殖民国家交换位置(弱的国家在强的国家控制下，不断地发展与学习，其实力超过了强的国家，此时弱国就会摆脱强国的控制，并且控制强国)，这个就是所谓的帝国内更新。抢占了领导地位的殖民地则作为优化后的殖民国家，原殖民国家的其它殖民地与该原殖民国家作为优化后的殖民国家对应的殖民地。对每个帝国都进行类似的更新，可以得到多个优化后的帝国，即得到多组优化方案。基于帝国内更新的构思，如果第二备选方案的成本值大于对应的第一备选方案，则将该第二备选方案与该第一备选方案的位置对调，即原第二备选方案变更为该组备选方案的第一备选方案，原第一备选方案变更为该组备选方案的一个第二备选方案。
在帝国内更新之前，可以根据局部搜索算法，将当前帝国内的最优解与前几次迭代得到的最优解进行对比，选择更优的国家作为候选国家，该步骤对应于图4中的延迟接受爬山算法过程，具体的处理过程可以如下：根据每组备选方案的第一备选方案与每组备选方案的所有优化后的第二备选方案，通过局部搜索算法，确定每组备选方案的候选方案。
上述局部搜索算法可以是延迟接受爬山算法，也可以是模拟退火算法等，此处不做限定。以延迟接受爬山算法为例，可以设定一个定长的列表来存储几次迭代得到的最优解，如图9所示的延迟接受爬山算法示意图，将当前帝国内的最优解与前几次迭代得到的最优解进行对比，选择更优的国家作为候选国家，即候选方案。如果候选方案为前几次迭代得到的备选方案，则将该候选方案替换当前备选方案组的最优解。
如果候选方案是对应的备选方案组中的第二备选方案，则将候选方案作为对应的备选方案组的优化后的第一备选方案，将对应的备选方案组的第一备选方案作为一个优化后的第二备选方案，将优化后的第一备选方案与对应的至少一个优化后的第二备选方案，作为一组优化方案。即帝国内的殖民地更加优于其所属的殖民国家，将进行帝国内优化操作，与上述过程相同，此处不再赘述。
如果候选方案是对应的备选方案组中的第一备选方案，则将第一备选方案作为优化后的第一备选方案，将优化后的第一备选方案与对应的至少一个优化后的第二备选方案，作为一组优化方案。即帝国内殖民国家仍然支配其殖民地，不会进行帝国内更新操作。
1005、基于每组优化方案以及每个优化后的备选方案的成本值，确定目标方案。
服务器可以基于每组优化方案进行竞争操作，确定竞争成功的方案组，将能量值最小的方案组中成本值最小的第二备选方案，更改为竞争成功的方案组的第二备选方案，如果达到算法停止条件，则选取满足第一预设条件的第一备选方案，作为目标方案。
在实施中，帝国内的殖民国家不会只甘心当下其占有的殖民地，它们会选择竞争的方式或者非和谐手段去争夺其他帝国内的殖民地(强国不断地向外扩张自己的势力，以进一步增强国力，当然也会降低其他帝国的能量值，较为弱小的殖民国家失去其殖民地也是常发生的事情)，此过程即为殖民竞争。该步骤可以对应于图4中的殖民竞争过程。各个帝国的能量值可以由其组成国家的成本值进行计算得到，该能量值可以作为衡量一个备选方案组是否优选的指标，具体的公式可以如下：
Powi＝Cost(imp)+β*mean(Cost(coloniesinempire)) (4)
NormPowi＝max(Pown)-Powi+1 (5)
其中，Powi为第i个帝国的初始能量值，Cost(imp)为殖民国家的初始成本值，Cost(colonies in empire)为帝国内殖民地的初始成本值，β为比例系数，一般取值为0.4。与上文相对应的，对于目标值越小越好的问题，NormPowi为第i个帝国的能量值，max(Pown)为所有帝国中最大的初始能量值。
帝国的能量值越大，其竞争成功的概率越高，相应的公式可以如下：
根据上述公式(6)，计算出每一个帝国的能量值在所有帝国的能量值之中所占的比例，即为该帝国的竞争成功的概率。这些概率值就可以组成了矩阵随机生成Nimp个数值较小的数，构成矩阵进而得到矩阵矩阵D中最大值所对应的帝国即为竞争成功的帝国，可以占有能量值最小的帝国内的成本值最小的殖民地，即将该殖民地更改为竞争成功的帝国的殖民地，如果此时未达到算法停止条件，则重复步骤1004-1005，直至达到算法停止条件。为了避免算法执行时间过长，需要设置算法停止条件，该算法停止条件可以为只剩下一个帝国，或迭代次数达到预设数目。基于殖民竞争的构思，竞争成功的备选方案组可以获取能量值最小的备选方案组的成本值最小的一个第二备选方案。
随着算法的不断进行，能量值较低的帝国可能失去其拥有的所有殖民地，那么该帝国的殖民国家也就没有存在的意义，同样需要通过殖民竞争，为其选择新的殖民国家，那么这个帝国就会从种群中消失，也即是图4中的帝国消除过程。
当只剩下一个帝国，或迭代次数达到预设数目时，即达到了算法停止条件。如果只剩下一个帝国，则可以将该帝国的殖民国家即为找到的最优解，即得到目标问题的目标方案。如果迭代次数达到预设数目，且存在不止一个帝国，则可以将成本值最大的殖民国家作为最优解，得到目标问题的目标方案。
本发明实施例中，提供了一种改进的殖民竞争算法，对于多目标问题，可以通过目标组合算法计算每个备选方案的成本值，作为衡量一个备选方案是否优选的指标，相比于现有的NSGA-II，可以区分每一个方案，而不仅仅是区分同一个层次的Pareto解集，能够增强对解空间的搜索性能，扩大搜索范围，可以获得更符合需求的解决方案。
基于相同的技术构思，本发明实施例还提供了一种机器人运行路径生成装置，如图13所示的机器人运行路径生成装置示意图，该装置包括：
接收模块1310，用于接收路径生成请求，所述路径生成请求携带起始路径点和终止路径点；
生成模块1320，用于根据所述起始路径点、所述终止路径点以及预设的所有路径点，随机生成多个备选路径；
第一确定模块1330，用于根据每个备选路径的至少一个目标值，调用目标组合算法，确定每个备选路径的成本值，其中，所述至少一个目标值包括以下一项或多项：备选路径的路径长度、备选路径的时长消耗、备选路径的能源消耗；
第二确定模块1340，用于根据所述每个备选路径的成本值和至少一个目标值，确定多组备选路径，每组备选路径中包括一个第一备选路径以及与所述第一备选路径对应的第二备选路径；
优化模块1350，用于对每组备选路径进行优化，生成多组优化路径，每组优化路径中包括优化后的第一备选路径以及与优化后的第一备选路径对应的第二备选路径；
第三确定模块1360，用于基于每组优化路径以及每个优化后的备选路径的成本值，确定目标机器人运行路径。
可选的，所述第一确定模块1330用于：
根据每个备选路径的至少一个目标值，对每个备选路径进行等级划分，得到每个备选路径的等级；
根据所述每个备选路径的至少一个目标值以及所述每个备选路径的等级，确定每个备选路径的成本值。
可选的，所述第一确定模块1330用于：
计算同一等级的所有备选路径的同种目标值之和，分别计算每个备选路径的每个目标值在对应的同种目标值之和中的比例值；
根据每个备选路径的每个目标值对应的比例值，计算每个备选路径的每个目标值的比例值之和；
根据所述每个备选路径的每个目标值的比例值之和以及所述每个备选路径的等级，确定每个备选路径的初始成本值；
根据所述每个备选路径的初始成本值，确定所述每个备选路径的成本值。
可选的，所述第二确定模块1340用于：
根据所述每个备选路径的至少一个目标值，将满足第二预设条件的备选路径作为第一备选路径；
根据每个第一备选路径的成本值在所有备选路径的成本值之和中的比例值，在除所有第一备选路径之外的备选路径中，选择每个第一备选路径对应的第二备选路径，将一个第一备选路径与所述一个第一备选路径对应的第二备选路径作为一组备选路径，得到多组备选路径。
可选的，所述优化模块1350用于：
根据每组备选路径的第一备选路径，对每组备选路径的所有第二备选路径进行同化操作，确定每组备选路径的所有同化后的第二备选路径；
对所述每组备选路径的所有第二备选路径与所述每组备选路径的所有同化后的第二备选路径，进行合并操作，得到所述每组备选路径的所有优化后的第二备选路径；
根据所述每组备选路径的第一备选路径与所述每组备选路径的所有优化后的第二备选路径，进行更新操作，确定优化后的第一备选路径与所述优化后的第一备选路径对应的第二备选路径，得到多组优化路径。
可选的，所述优化模块1350用于：
分别确定所述每组备选路径的所有第二备选路径与所述每组备选路径的所有同化后的第二备选路径的至少一个目标值，通过目标组合算法，确定所述每组备选路径的所有第二备选路径与所述每组备选路径的所有同化后的第二备选路径的成本值；
将所述每组备选路径的所有第二备选路径与所述每组备选路径的所有同化后的第二备选路径的成本值中成本值最大的预设数目个第二备选路径，作为所述每组备选路径的所有优化后的第二备选路径。
可选的，所述优化模块1350用于：
根据所述每组备选路径的第一备选路径与所述每组备选路径的所有优化后的第二备选路径，通过局部搜索算法，确定每组备选路径的候选路径；
如果所述候选路径是对应的备选路径组中的第二备选路径，则将所述候选路径作为对应的备选路径组的优化后的第一备选路径，将所述对应的备选路径组的第一备选路径作为一个优化后的第二备选路径，将所述优化后的第一备选路径与对应的至少一个优化后的第二备选路径，作为一组优化路径；
如果所述候选路径是对应的备选路径组中的第一备选路径，则将所述第一备选路径作为优化后的第一备选路径，将所述优化后的第一备选路径与对应的至少一个优化后的第二备选路径，作为一组优化路径。
本发明实施例中，提供了一种改进的殖民竞争算法，对于多目标的机器人运行路径生成问题，可以通过目标组合算法计算每个备选路径的成本值，作为衡量一个备选路径是否优选的指标，相比于现有的NSGA-II，可以区分每一个路径，而不仅仅是区分同一个层次的Pareto解集，能够增强对解空间的搜索性能，扩大搜索范围，可以获得更符合需求的机器人运行路径，减少机器人运行的成本。
需要说明的是：上述实施例提供的机器人运行路径生成装置在生成机器人运行路径时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将服务器的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的机器人运行路径生成装置与机器人运行路径生成方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图14是本发明实施例提供的一种服务器的结构示意图，该服务器1400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processingunits，CPU)1401和一个或一个以上的存储器1402，其中，所述存储器1402中存储有至少一条指令，所述至少一条指令由所述处理器1401加载并执行以实现下述问题的解决方案确定方法的方法步骤：
接收路径查询生成请求，所述路径查询生成请求携带起始路径点和终止路径点；
根据所述起始路径点、所述终止路径点以及预设的所有路径点，随机生成多个备选路径；其中，所述每个备选路径包括下一项或多项目标值：备选路径的路径长度、备选路径的时长消耗、备选路径的能源消耗；
根据每个备选路径的至少一个目标值，通过调用目标组合算法，确定每个备选路径的成本值，其中，所述至少一个目标值包括以下一项或多项：备选路径的路径长度、备选路径的时长消耗、备选路径的能源消耗，其中，所述至少一个目标值包括以下一项或多项：备选路径的路径长度、备选路径的时长消耗、备选路径的能源消耗；
根据所述每个备选路径的成本值和至少一个目标值，确定多组备选路径，每组备选路径中包括一个第一备选路径以及与所述第一备选路径对应的第二备选路径；
对每组备选路径进行优化，生成多组优化路径，每组优化路径中包括优化后的第一备选路径以及与优化后的第一备选路径对应的第二备选路径；
基于每组优化路径以及每个优化后的备选路径的成本值，确定目标机器人运行路径。
可选的，所述至少一条指令由所述处理器1401加载并执行以实现下述方法步骤：
根据每个备选路径的至少一个目标值，对每个备选路径进行等级划分，得到每个备选路径的等级；
根据所述每个备选路径的至少一个目标值以及所述每个备选路径的等级，确定每个备选路径的成本值。
可选的，所述至少一条指令由所述处理器1401加载并执行以实现下述方法步骤：
计算同一等级的所有备选路径的同种目标值之和，分别计算每个备选路径的每个目标值在对应的同种目标值之和中的比例值；
根据每个备选路径的每个目标值对应的比例值，计算每个备选路径的每个目标值的比例值之和；
根据所述每个备选路径的每个目标值的比例值之和以及所述每个备选路径的等级，确定每个备选路径的初始成本值；
根据所述每个备选路径的初始成本值，确定所述每个备选路径的成本值。
可选的，所述至少一条指令由所述处理器1401加载并执行以实现下述方法步骤：
根据所述每个备选路径的至少一个目标值，将满足第二预设条件的备选路径作为第一备选路径；
根据每个第一备选路径的成本值在所有备选路径的成本值之和中的比例值，在除所有第一备选路径之外的备选路径中，选择每个第一备选路径对应的第二备选路径，将一个第一备选路径与所述一个第一备选路径对应的第二备选路径作为一组备选路径，得到多组备选路径。
可选的，所述至少一条指令由所述处理器1401加载并执行以实现下述方法步骤：
根据每组备选路径的第一备选路径，对每组备选路径的所有第二备选路径进行同化操作，确定每组备选路径的所有同化后的第二备选路径；
对所述每组备选路径的所有第二备选路径与所述每组备选路径的所有同化后的第二备选路径，进行合并操作，得到所述每组备选路径的所有优化后的第二备选路径；
根据所述每组备选路径的第一备选路径与所述每组备选路径的所有优化后的第二备选路径，进行更新操作，确定优化后的第一备选路径与所述优化后的第一备选路径对应的第二备选路径，得到多组优化路径。
可选的，所述至少一条指令由所述处理器1401加载并执行以实现下述方法步骤：
分别确定所述每组备选路径的所有第二备选路径与所述每组备选路径的所有同化后的第二备选路径的至少一个目标值，通过目标组合算法，确定所述每组备选路径的所有第二备选路径与所述每组备选路径的所有同化后的第二备选路径的成本值；
将所述每组备选路径的所有第二备选路径与所述每组备选路径的所有同化后的第二备选路径的成本值中成本值最大的预设数目个第二备选路径，作为所述每组备选路径的所有优化后的第二备选路径。
可选的，所述至少一条指令由所述处理器1401加载并执行以实现下述方法步骤：
根据所述每组备选路径的第一备选路径与所述每组备选路径的所有优化后的第二备选路径，通过局部搜索算法，确定每组备选路径的候选路径；
如果所述候选路径是对应的备选路径组中的第二备选路径，则将所述候选路径作为对应的备选路径组的优化后的第一备选路径，将所述对应的备选路径组的第一备选路径作为一个优化后的第二备选路径，将所述优化后的第一备选路径与对应的至少一个优化后的第二备选路径，作为一组优化路径；
如果所述候选路径是对应的备选路径组中的第一备选路径，则将所述第一备选路径作为优化后的第一备选路径，将所述优化后的第一备选路径与对应的至少一个优化后的第二备选路径，作为一组优化路径。
本发明实施例中，提供了一种改进的殖民竞争算法，对于多目标的机器人运行路径生成问题，可以通过目标组合算法计算每个备选路径的成本值，作为衡量一个备选路径是否优选的指标，相比于现有的NSGA-II，可以区分每一个路径，而不仅仅是区分同一个层次的Pareto解集，能够增强对解空间的搜索性能，扩大搜索范围，可以获得更符合需求的机器人运行路径，减少机器人运行的成本。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
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 (15)

1.一种机器人运行路径生成方法，其特征在于，所述方法包括：
接收路径生成请求，所述路径生成请求携带起始路径点和终止路径点；
根据所述起始路径点、所述终止路径点以及预设的所有路径点，随机生成多个备选路径；
根据每个备选路径的至少一个目标值，调用目标组合算法，确定每个备选路径的成本值，其中，所述至少一个目标值包括以下一项或多项：备选路径的路径长度、备选路径的时长消耗、备选路径的能源消耗；
根据所述每个备选路径的成本值和至少一个目标值，确定多组备选路径，每组备选路径中包括一个第一备选路径以及与所述第一备选路径对应的第二备选路径；
对每组备选路径进行优化，生成多组优化路径，每组优化路径中包括优化后的第一备选路径以及与优化后的第一备选路径对应的第二备选路径；
基于每组优化路径以及每个优化后的备选路径的成本值，确定目标机器人运行路径。
2.根据权利要求1所述的方法，其特征在于，所述根据每个备选路径的至少一个目标值，通过目标组合算法，确定每个备选路径的成本值，包括：
根据每个备选路径的至少一个目标值，对每个备选路径进行等级划分，得到每个备选路径的等级；
根据所述每个备选路径的至少一个目标值以及所述每个备选路径的等级，确定每个备选路径的成本值。
3.根据权利要求2所述的方法，其特征在于，所述根据所述每个备选路径的至少一个目标值以及所述每个备选路径的等级，确定每个备选路径的成本值，包括：
计算同一等级的所有备选路径的同种目标值之和，分别计算每个备选路径的每个目标值在对应的同种目标值之和中的比例值；
根据每个备选路径的每个目标值对应的比例值，计算每个备选路径的每个目标值的比例值之和；
根据所述每个备选路径的每个目标值的比例值之和以及所述每个备选路径的等级，确定每个备选路径的初始成本值；
根据所述每个备选路径的初始成本值，确定所述每个备选路径的成本值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述每个备选路径的成本值和至少一个目标值，确定多组备选路径，每组备选路径中包括一个第一备选路径与所述一个第一备选路径对应的第二备选路径，包括：
根据所述每个备选路径的至少一个目标值，将满足第二预设条件的备选路径作为第一备选路径；
根据每个第一备选路径的成本值在所有备选路径的成本值之和中的比例值，在除所有第一备选路径之外的备选路径中，选择每个第一备选路径对应的第二备选路径，将一个第一备选路径与所述一个第一备选路径对应的第二备选路径作为一组备选路径，得到多组备选路径。
5.根据权利要求1所述的方法，其特征在于，所述对每组备选路径进行优化，生成多组优化路径，包括：
根据每组备选路径的第一备选路径，对每组备选路径的所有第二备选路径进行同化操作，确定每组备选路径的所有同化后的第二备选路径；
对所述每组备选路径的所有第二备选路径与所述每组备选路径的所有同化后的第二备选路径，进行合并操作，得到所述每组备选路径的所有优化后的第二备选路径；
根据所述每组备选路径的第一备选路径与所述每组备选路径的所有优化后的第二备选路径，进行更新操作，确定优化后的第一备选路径与所述优化后的第一备选路径对应的第二备选路径，得到多组优化路径。
6.根据权利要求5所述的方法，其特征在于，所述对所述每组备选路径的所有第二备选路径与所述每组备选路径的所有同化后的第二备选路径，进行合并操作，得到所述每组备选路径的所有优化后的第二备选路径，包括：
分别确定所述每组备选路径的所有第二备选路径与所述每组备选路径的所有同化后的第二备选路径的至少一个目标值，通过目标组合算法，确定所述每组备选路径的所有第二备选路径与所述每组备选路径的所有同化后的第二备选路径的成本值；
将所述每组备选路径的所有第二备选路径与所述每组备选路径的所有同化后的第二备选路径的成本值中成本值最大的预设数目个第二备选路径，作为所述每组备选路径的所有优化后的第二备选路径。
7.根据权利要求5所述的方法，其特征在于，所述根据所述每组备选路径的第一备选路径与所述每组备选路径的所有优化后的第二备选路径，进行更新操作，确定优化后的第一备选路径与所述优化后的第一备选路径对应的第二备选路径，得到多组优化路径，包括：
根据所述每组备选路径的第一备选路径与所述每组备选路径的所有优化后的第二备选路径，通过局部搜索算法，确定每组备选路径的候选路径；
如果所述候选路径是对应的备选路径组中的第二备选路径，则将所述候选路径作为对应的备选路径组的优化后的第一备选路径，将所述对应的备选路径组的第一备选路径作为一个优化后的第二备选路径，将所述优化后的第一备选路径与对应的至少一个优化后的第二备选路径，作为一组优化路径；
如果所述候选路径是对应的备选路径组中的第一备选路径，则将所述第一备选路径作为优化后的第一备选路径，将所述优化后的第一备选路径与对应的至少一个优化后的第二备选路径，作为一组优化路径。
8.一种机器人运行路径生成装置，其特征在于，所述装置包括：
接收模块，用于接收路径生成请求，所述路径生成请求携带起始路径点和终止路径点；
生成模块，用于根据所述起始路径点、所述终止路径点以及预设的所有路径点，随机生成多个备选路径；
第一确定模块，用于根据每个备选路径的至少一个目标值，调用目标组合算法，确定每个备选路径的成本值，其中，所述至少一个目标值包括以下一项或多项：备选路径的路径长度、备选路径的时长消耗、备选路径的能源消耗；
第二确定模块，用于根据所述每个备选路径的成本值和至少一个目标值，确定多组备选路径，每组备选路径中包括一个第一备选路径以及与所述第一备选路径对应的第二备选路径；
优化模块，用于对每组备选路径进行优化，生成多组优化路径，每组优化路径中包括优化后的第一备选路径以及与优化后的第一备选路径对应的第二备选路径；
第三确定模块，用于基于每组优化路径以及每个优化后的备选路径的成本值，确定目标机器人运行路径。
9.根据权利要求8所述的装置，其特征在于，所述第一确定模块用于：
根据每个备选路径的至少一个目标值，对每个备选路径进行等级划分，得到每个备选路径的等级；
根据所述每个备选路径的至少一个目标值以及所述每个备选路径的等级，确定每个备选路径的成本值。
10.根据权利要求9所述的装置，其特征在于，所述第一确定模块用于：
计算同一等级的所有备选路径的同种目标值之和，分别计算每个备选路径的每个目标值在对应的同种目标值之和中的比例值；
根据每个备选路径的每个目标值对应的比例值，计算每个备选路径的每个目标值的比例值之和；
根据所述每个备选路径的每个目标值的比例值之和以及所述每个备选路径的等级，确定每个备选路径的初始成本值；
根据所述每个备选路径的初始成本值，确定所述每个备选路径的成本值。
11.根据权利要求8所述的装置，其特征在于，所述第二确定模块用于：
根据所述每个备选路径的至少一个目标值，将满足第二预设条件的备选路径作为第一备选路径；
根据每个第一备选路径的成本值在所有备选路径的成本值之和中的比例值，在除所有第一备选路径之外的备选路径中，选择每个第一备选路径对应的第二备选路径，将一个第一备选路径与所述一个第一备选路径对应的第二备选路径作为一组备选路径，得到多组备选路径。
12.根据权利要求8所述的装置，其特征在于，所述优化模块用于：
根据每组备选路径的第一备选路径，对每组备选路径的所有第二备选路径进行同化操作，确定每组备选路径的所有同化后的第二备选路径；
对所述每组备选路径的所有第二备选路径与所述每组备选路径的所有同化后的第二备选路径，进行合并操作，得到所述每组备选路径的所有优化后的第二备选路径；
根据所述每组备选路径的第一备选路径与所述每组备选路径的所有优化后的第二备选路径，进行更新操作，确定优化后的第一备选路径与所述优化后的第一备选路径对应的第二备选路径，得到多组优化路径。
13.根据权利要求12所述的装置，其特征在于，所述优化模块用于：
分别确定所述每组备选路径的所有第二备选路径与所述每组备选路径的所有同化后的第二备选路径的至少一个目标值，通过目标组合算法，确定所述每组备选路径的所有第二备选路径与所述每组备选路径的所有同化后的第二备选路径的成本值；
将所述每组备选路径的所有第二备选路径与所述每组备选路径的所有同化后的第二备选路径的成本值中成本值最大的预设数目个第二备选路径，作为所述每组备选路径的所有优化后的第二备选路径。
14.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如权利要求1至7任一所述的机器人运行路径生成方法。
15.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如权利要求1至7任一所述的机器人运行路径生成方法。
CN201810116720.2A 2018-02-06 2018-02-06 机器人运行路径生成方法及装置 Active CN110118566B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810116720.2A CN110118566B (zh) 2018-02-06 2018-02-06 机器人运行路径生成方法及装置
PCT/CN2019/073897 WO2019154215A1 (zh) 2018-02-06 2019-01-30 机器人运行路径生成方法、计算设备及存储介质
US16/887,382 US20200292340A1 (en) 2018-02-06 2020-05-29 Robot running path, generation method, computing device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810116720.2A CN110118566B (zh) 2018-02-06 2018-02-06 机器人运行路径生成方法及装置

Publications (2)

Publication Number Publication Date
CN110118566A true CN110118566A (zh) 2019-08-13
CN110118566B CN110118566B (zh) 2022-11-25

Family

ID=67519379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810116720.2A Active CN110118566B (zh) 2018-02-06 2018-02-06 机器人运行路径生成方法及装置

Country Status (3)

Country Link
US (1) US20200292340A1 (zh)
CN (1) CN110118566B (zh)
WO (1) WO2019154215A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11193776B2 (en) * 2018-12-04 2021-12-07 TerriTool, LLC Route optimization systems and methods
CN111780759B (zh) * 2020-05-28 2023-11-28 南京邮电大学 一种基于改进遗传算法的移动机器人路径规划方法
CN114252070A (zh) * 2020-09-25 2022-03-29 海鹰航空通用装备有限责任公司 一种适用于给定路径长度的无人机路径规划方法
CN112692826B (zh) * 2020-12-08 2022-04-26 佛山科学技术学院 一种基于改进遗传算法的工业机器人轨迹优化方法
CN115657687B (zh) * 2022-12-21 2023-03-10 广东技术师范大学 一种可移动机器人的路径优化方法和系统
CN116187896B (zh) * 2023-04-28 2023-07-14 湖南工商大学 绿色车辆路径问题求解方法、装置、计算机设备以及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102128629A (zh) * 2010-01-13 2011-07-20 华为技术有限公司 一种路径规划方法及导航系统以及地理信息系统
CN102768536A (zh) * 2012-07-20 2012-11-07 哈尔滨工程大学 一种基于多目标萤火虫算法的路径规划方法
CN103714395A (zh) * 2013-12-18 2014-04-09 华中科技大学 一种面向成本的混流双边装配线平衡方法
CN106289287A (zh) * 2015-05-22 2017-01-04 吉林大学 一种基于选线经验的车载端多目标最短路径计算方法
CN106570584A (zh) * 2016-11-02 2017-04-19 北京工商大学 基于改进帝国主义竞争算法的城市轨道交通乘客路径选择方法
CN106611272A (zh) * 2016-03-25 2017-05-03 四川用联信息技术有限公司 一种基于帝国主义竞争的算法解决车间工人调度问题
CN106647744A (zh) * 2016-11-14 2017-05-10 深圳大学 一种机器人路径规划方法及装置
CN106845907A (zh) * 2017-02-10 2017-06-13 泉州装备制造研究所 一种基于帝国主义竞争算法的车辆路径规划方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101349566A (zh) * 2007-07-19 2009-01-21 康佳集团股份有限公司 一种车辆实时导航方法及系统
CN107289938B (zh) * 2017-05-27 2021-11-02 中国北方车辆研究所 一种地面无人平台局部路径规划方法
CN113272646B (zh) * 2018-07-16 2023-10-24 加利福尼亚大学董事会 关联复杂数据

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102128629A (zh) * 2010-01-13 2011-07-20 华为技术有限公司 一种路径规划方法及导航系统以及地理信息系统
CN102768536A (zh) * 2012-07-20 2012-11-07 哈尔滨工程大学 一种基于多目标萤火虫算法的路径规划方法
CN103714395A (zh) * 2013-12-18 2014-04-09 华中科技大学 一种面向成本的混流双边装配线平衡方法
CN106289287A (zh) * 2015-05-22 2017-01-04 吉林大学 一种基于选线经验的车载端多目标最短路径计算方法
CN106611272A (zh) * 2016-03-25 2017-05-03 四川用联信息技术有限公司 一种基于帝国主义竞争的算法解决车间工人调度问题
CN106570584A (zh) * 2016-11-02 2017-04-19 北京工商大学 基于改进帝国主义竞争算法的城市轨道交通乘客路径选择方法
CN106647744A (zh) * 2016-11-14 2017-05-10 深圳大学 一种机器人路径规划方法及装置
CN106845907A (zh) * 2017-02-10 2017-06-13 泉州装备制造研究所 一种基于帝国主义竞争算法的车辆路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李大双等: "基于多目标殖民竞争算法的随机型双边装配线", 《计算机集成制造系统》 *

Also Published As

Publication number Publication date
CN110118566B (zh) 2022-11-25
WO2019154215A1 (zh) 2019-08-15
US20200292340A1 (en) 2020-09-17

Similar Documents

Publication Publication Date Title
CN110118566A (zh) 机器人运行路径生成方法及装置
Shah et al. CAMONET: Moth-flame optimization (MFO) based clustering algorithm for VANETs
CN109818865A (zh) 一种sdn增强路径装箱装置及方法
CN108053037B (zh) 一种基于两网融合的配电网抢修策略制定方法及装置
CN109839110A (zh) 一种基于快速随机搜索树的多目标点路径规划方法
CN109102124A (zh) 基于分解的动态多目标多路径诱导方法、系统及存储介质
CN101299861A (zh) 一种基于最短回路的基站系统巡检路径自动化确定方法
CN108803332A (zh) 基于改进生物地理学的路径规划方法
Zhang et al. Multi-population ant colony optimization algorithm based on congestion factor and co-evolution mechanism
Aadil et al. Intelligent clustering in vehicular ad hoc networks
Wei et al. City metro network expansion with reinforcement learning
Wang et al. A novel multi-objective competitive swarm optimization algorithm for multi-modal multi objective problems
Shamshirband A distributed approach for coordination between traffic lights based on game theory.
Shen et al. Dynamic generation of internet of things organizational structures through evolutionary computing
Zhao et al. Learning transformer-based cooperation for networked traffic signal control
Duan et al. Dynamic emergency vehicle path planning and traffic evacuation based on salp swarm algorithm
CN107135155B (zh) 一种基于节点社会关系的机会网络路由方法
Fei et al. Research on improved ant colony optimization for traveling salesman problem
CN106202113A (zh) 应用于组队运动的信息提供方法和装置
Starkey et al. A comparison of particle swarm optimization and genetic algorithms for a multi-objective Type-2 fuzzy logic based system for the optimal allocation of mobile field engineers
Gao et al. Competitive self-organizing neural network based UAV path planning
Zhao et al. Path planning based on multi-objective topological map
Martynova et al. Ant colony algorithm for rational transit network design of urban passenger transport
CN112243281B (zh) 基于可充电无线传感器网络的贝叶斯博弈路由设计方法
Townsend Wireless sensor network clustering with machine learning

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