CN110135657A - 一种基于隶属云模型蚁群算法的桥梁支座自动喷涂轨迹 - Google Patents

Abstract

本发明提供了一种隶属云模型蚁群算法来实现橡胶桥梁支座表面自动喷涂轨迹的生成与优化问题。传统蚁群算法的轨迹优化，基本蚁群算法的Q和ρ通常保持初值恒定不变，这样会使得某路径上残留信息素太大或者太小，最终导致全局搜索时算法停止不前或者不收敛，即在整个蚁群中表现出许多蚂蚁停滞或扩散现象。基于隶属云蚁群算法的桥梁支座自动喷涂轨迹优化，采用U条件隶属云生成Q(t)和ρ(t)，同时限定路径上信息素浓度的范围，从而避免算法停滞不前，使得算法收敛速度加快。

Description

一种基于隶属云模型蚁群算法的桥梁支座自动喷涂轨迹

技术领域

本发明涉及桥梁支座所谓自动喷涂领域，应用人工智能领域、机器人路径规划技术、智能算法优化领域，结合了桥梁支座自动喷涂的实际要求，提供了一种具有现实意义的自动喷涂桥梁等物件的喷涂路径选取方法。

背景技术

桥梁支座在桥梁的承重系统中起到关键作用，桥梁支座的恶劣工作环境使得桥梁支座的金属部件极易因为生锈缩短寿命，针对这一技术问题，需要对桥梁支座喷涂防腐蚀涂料，传统人工喷涂浪费时长，喷涂不均匀，因此迫切需要研究一种能够代替人工作业的高效的机器人喷涂方法来满足桥梁支座自动喷涂最优路径的设计要求。

传统蚁群算法极易陷入局部最优，本专利提出一种针对桥梁支座的应用隶属云蚁群算法的喷涂路径优化，根据桥梁支座的工艺要求和它的外形特点，主要要完成的目标是寻找到一条最优路径使得喷涂效率高，用料较少。

发明内容

本发明主要是研究桥梁支座最优喷涂路径问题，针对桥梁支座的工作环境，提出一种基于隶属云蚁群算法的桥梁支座喷涂。

蚁群算法最大的缺点是蚁群算法的随机性使得计算过程中有较大可能会产生很大的信息素浓度，从而使得该路径有更大的概率被整个蚁群种群选择为此次迭代的种群中最优路径，这将导致在迭代初期就有可能达到局部最优解，此时还有大部分空间并未被搜索到，极易错失全局最优解。

针对蚁群算法初始化时信息素浓度一致性的问题，我们可以采用隶属云算法来获得Q(t)与ρ(t)；控制信息素浓度范围，从而改变蚁群算法停滞不前，容易陷入局部最优的问题。

本发明提出如下内容来实现隶属云模型蚁群算法在喷涂机器人路径规划中的应用。

首先建立一个二维空间模型，用以在之后的步骤测试算法的可行性与收敛性。

下一步进行参数初始化，分别对蚁群算法和隶属云算法的一系列参数进行初始化，并且设定信息素浓度阈值。

最后利用公式将信息素按照隶属云的结果进行分配。

进行蚁群算法的蚂蚁路径的选取，利用轮盘赌的概率算法进行道路迭代。

利用全新的信息素更新规则对蚁群算法中的每一代路径进行更新。

判断是否终止，并输出最优解。

本发明提供了一种基于隶属云蚁群算法来实现桥梁支座表面自动喷涂轨迹的生成与优化问题。隶属云模型蚁群算法主要包含以下几个方面：

(1)利用隶属云U条件隶属云生成Q(t)与ρ(t)；

(2)给定每条路径上的信息素浓度的范围；

(3)改变信息素更新规则，优先更新每一代最优路径上的信息素浓度；

附图说明

图1是本发明流程图；

图2是传统蚁群算法的仿真结果图；

图3是传统模型蚁群算法迭代次数；

图4是隶属云模型蚁群算法的仿真结果图；

图5是隶属云模型蚁群算法迭代次数；

具体实施方式

本发明主要提出如下详细步骤来验证在桥梁平面上进行喷涂的正确性。

为了测试算法的可行性，利用一系列参数点建立平面模型，得到一个二维数组。

设置参数：蚁群算法中的最大迭代次数可以设为iter_max＝100，蚂蚁数量m＝30，信息素因子α＝1，启发因子β＝5，最大信息素挥发因子试着与初始信息素挥发因子ρ_max＝0.5，最大信息数强度Q_max＝1，在这里我们规定一个信息素的最大最小区间[τ_min,τ_max]。

利用公式将路径长度换算成信息素含量τ_ij，并保证τ_ij在区间[τ_min,τ_max]中。

构建解空间:将各个蚂蚁按照一定的概率随机的放置于不同的出发点，对每个蚂蚁k(k＝0,1,2,…,m)，利用轮盘赌的方式计算其下一个准备访问的节点，迭代直到达到最大迭代停止条件(最大迭代次数)。

更新信息素：计算并记录一下各个蚂蚁经过的不同的路径长度L_k(k＝1,2,...,m)，最后按照信息素更新公式对最优连接路径上的信息素浓度进行更新。

τ_ij(t+1)＝(1-ρ)*τ_ij(t)+△τ_ij

△τ_ij＝Q/c₁L_k

判断是否终止迭代：当你发现iter<iter_max时，我们这里令iter＝iter+1，同时我们清空蚂蚁经过的路径记录表，并继续迭代；否则，达到最大迭代次数，中止计算并输出最优解。

通过仿真结果可以看出，改进后的蚁群粒子群融合算法较之前的蚁群算法收敛速度更快，很快找到了最优解。且其局部最优时间大大缩短，提升了算法的全局搜索能力，由此可见融合算法的可行性。

Claims (4)

1.一种基于改进蚁群算法的桥梁支座喷涂路径优化方法，其方法主要包括以下几个步骤：

1)引入隶属云模型,应用U条件隶属云生云滴drop(x,y1)与drop(x,y2),Q(t)＝Qmax*y1,ρ(t)＝ρ*y2

2)将每一条路径上的信息素浓度设定一个范围[τ_min,τ_max]，避免信息素浓度超出这个稳定的范围，其中τ_max＝τ(0)。

3)在原有蚁群算法的基础上利用隶属云算法获得实时更新的Q(t)与ρ(t)，避免蚁群算法陷入全局最优，提高收敛速率。

2.根据权利要求书1所述的基于改进蚁群算法的桥梁支座自动喷涂轨迹优化方法，其中所述的隶属云算法包括以下内容：隶属云模型定义的论域由普通集合X＝{x}表示，与该论域相关的模糊集合在此集合中的全部元素x均属于定义此模糊集合中元素x输运该集合的程度为其隶属度函数隶属度在X上的分布认定为隶属云存在以下两种情况：论域X中的元素x的简单且有序的，反之论域X中的元素x可经由映射f映射到新的论域X^*上其中论域X中的元素x与论域X^*中的x^*一一对应，此时新的隶属度在新的论域X^*上的分布可看做隶属云。

3.根据权利要求书1所述的基于改进蚁群算法的桥梁支座自动喷涂轨迹优化方法，其中所述的控制信息素浓度主要内容包括以下内容：在蚁群算法中信息素的浓度很大程度决定了一整个种群的移动概率，由于蚁群算法的随机性使得计算过程中有较大可能会产生很大的信息素浓度，从而使得该路径有更大的概率被整个蚁群种群选择为此次迭代的种群中最优路径，这将导致在迭代初期就有可能达到局部最优解，此时还有大部分空间并未被搜索到，极易错失全局最优解。反之亦然，这使得算法的全局搜索能力较差。可控制信息素浓度的阈值来避免这种情况，当此次迭代信息素浓度小于τ_min时，令τ＝τ_min，当信息素浓度大于τ_max时，令τ＝τ_max。

4.根据权利要求书1所述的基于改进蚁群算法的桥梁支座自动喷涂轨迹优化方法，其中所述蚁群算法按照以下算法更新信息素浓度：

τ_ij(t+1)＝(1-ρ)*τ_ij(t)+△τ_ij

△τ_ij＝Q/c₁L_k