CN110598835A - 基于高斯变异遗传算法优化神经网络的小车自动寻路方法 - Google Patents
基于高斯变异遗传算法优化神经网络的小车自动寻路方法 Download PDFInfo
- Publication number
- CN110598835A CN110598835A CN201910891696.4A CN201910891696A CN110598835A CN 110598835 A CN110598835 A CN 110598835A CN 201910891696 A CN201910891696 A CN 201910891696A CN 110598835 A CN110598835 A CN 110598835A
- Authority
- CN
- China
- Prior art keywords
- trolley
- neural network
- track
- genetic algorithm
- layer
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 62
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000002068 genetic effect Effects 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000004083 survival effect Effects 0.000 claims description 5
- 238000011160 research Methods 0.000 abstract description 5
- 238000012800 visualization Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 101150025129 POP1 gene Proteins 0.000 description 5
- 101150000810 BVES gene Proteins 0.000 description 4
- 101150030531 POP3 gene Proteins 0.000 description 4
- 101100273030 Schizosaccharomyces pombe (strain 972 / ATCC 24843) caf1 gene Proteins 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002844 continuous effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 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
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于高斯变异遗传算法优化神经网络的小车自动寻路方法。该方法在遗传算法基础上,改用基于以标准正态分布的方式快速搜索,可行解区域,确定最优小车神经网络,使小车快速搜索全局过程解域中所匹配的最佳权值和阈值组合。本发明通过遗传算法的迭代进化思想和神经网络的结合,与所研究的优化对象及参数进行一一对应。算法使用的是python编程,在OpenGL模块下上实现该小车的二维动画可视化,从而找到该研究问题的较好的实现方法,也就是找到小车的最佳行驶路线,完成预定赛道的自动寻路过程。
Description
技术领域
本发明属于路径规划里面自动寻路技术领域,尤其涉及一种基于高斯变异遗传算法优化神经网络的小车自动寻路方法。
背景技术
随着人工智能时代的来临,无人驾驶技术被推向风口浪尖,路径规划技术也是无人驾驶最关键的技术之一,目前的路径规划技术主要包括动态规划和静态规划,自动寻路算法也算得上是全局路径规划的一种,包括广度优先搜索是解决自动寻路功能的算法之一,作为一种常见的图形搜索算法,它也被广泛应用于人工智能自动寻路领域,包括现在机器学习神经网络的应用,神经网络模仿人工智能深度学习的一个范畴,通过模仿人脑处理问题的方式有经验进行学习,通过模仿动物神经网络的行为特征,建立信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整神经网络内部大量节点之间的相互连接关系,从而达到处理信息目的,而且本身还具有自学习和自适应能力。虽然遗传算法可以优化神经网络权值和阈值,但因为自身的局限性,容易过早收敛,陷入局部最优,使本文说设计的自动寻路小车在赛道中途陷入迭代进化固化,输出的权值和阈值解空间区域窄,小车陷入寻路死循环过程,所以本文在基于遗传算法种群迭代的基础上重新设计,提出用高斯变异的遗传算法来优化神经网络权值和阈值,达到快速搜索最优解,从而规划仿真实验小车的最佳行驶路线。
发明内容
本发明的目的在于克服上述缺陷,提供一种基于高斯变异遗传算法优化神经网络的小车自动寻路方法。
为实现上述目的,本发明的技术方案是:一种基于高斯变异遗传算法优化神经网络的小车自动寻路方法,包括如下步骤:
步骤S1、设定迭代进化种群的个数和终止迭代次数,即自动寻路小车个数和小车的终止迭代次数,也就是小车自动寻路开始计时,小车可以行驶最大步数,小车撞墙即代表小车死亡,必须从赛道起点重新开始进行迭代进化过程;
步骤S2、利用python建立Lines和Rectangles两个类别分别画出二维小车和赛道边界,赛道的设计类似于回字环形赛道,赛道设定起点、终点,起点在OpenGL里面建立二维平面坐标系里设定的坐标,终点设定的是终点判断函数,在赛道里面显示的是线段,小车一旦触碰该线段,即认定到达终点;
步骤S3、设定神经网络的拓扑结构,设为三层前馈神经网络,包括输入层、隐含层、输出层;在三层神经网络中,设定隐含层神经元个数n,输入个数m,输出层有两个神经元节点,即两个输出参数,根据输出参数分别控制小车的速度和行驶角度,输入层与隐含层之间连接权值w1=n*m,阈值b1,隐含层与输出层之间连接权值w2=2*n,阈值个数b2;
步骤S4、神经网络部分编程全部用实数进行编码,编码的实数总共13位,第一位代表正负位,编码的实数以神经网络的w1、b1、w2、b2排列顺序组合成一个字符串数组进行编码并以预设的编号索引顺序存储于初定自动寻路小车种群代表的神经网络矩阵中;
步骤S5、设置适应度函数,在此设定小车自从寻路开始到小车到小车撞墙这一段时间为小车的存活时间t/0.01,即评价小车进化的优劣,设定小车存活时间越长,小车评分越高,则小车的行驶距离越大,更容易到达规定的赛道终点;
步骤S6、进行迭代循环过程,设计三层迭代循环结构,以所设定的每辆小车行驶步数为第一层循环,第二、三层循环为嵌套循环,为该高斯变异算法所有小车的迭代进化过程,也即小车在步骤S2所设计的赛道中进行随机自动寻路的过程。
在本发明一实施例中,步骤S3中,两个输出参数output1、output2通过下式控制小车的速度和行驶角度:
相较于现有技术,本发明具有以下有益效果:
(1)本发明的优点,避免了传统的遗传算法优化神经网络时所出现的进化停滞,也就是寻路小车全局搜索能力强而局部寻优能力较差,较容易出现的早熟收敛,精华固化的现象;
(2)当自动寻路小车种群规模较小时,如果在进化初期可能出现适应度较高的个体,由于个别优势小车个体繁殖过快,往往容易破坏群体的多样性,该算法设计可以避免这些缺陷,从而快速搜索小车最佳神经网络;
(3)基于高斯变异的遗传算法在按照按照标准正态分布的方式按照不同比例优化神经网络的权值和阈值,不需要花费较长时间就可以搜索到最优解,从而到达终点;
(4)高斯分布的概率图模型(PGM)是概率图模型用来表示变量概率依赖关系的理论。PGM巧妙地结合了图论和概率论。无论优化数据多么复杂,我们的处理手段是一样的:首先建一个图,定义一个概率分布,进行推理和学习优化。这对于描述小车自动寻路的实际问题,构建较为复杂的人工智能系统来说非常重要。概率图模型目前广泛应用于计算机视觉和自然语言处理、统计计算器等重要学习领域,并且取得了非常成功的结果。本算法设计的最大优点在于利用标准正态分布函数的概率图模型,对于以下提到的400个个体,平均分成四个不同种群个体进行分层次的的权值和阈值进行扰动,且利用标准正态分布产生的随机数的方式,不仅增加了扰动的多样性,还通过权值阈值矩阵与标准高斯分布随机数矩阵相加示意图来更加清晰的了解这个算法的权值和阈值的扰动、选优过程。
附图说明
附图1是本发明的前馈神经网络的原理图示意图;
附图2是本发明的自动寻路小车的方法流程简要示意图示意图;
附图3是本发明小车沿赛道传感器输入参数示意图
附图4是本发明神经网络原理结构图示意图;
附图5是本发明随机生成符合标准高斯分布的随机数示意图;
附图6是本发明将权值阈值矩阵与标准高斯分布随机数矩阵相加示意图
附图7是本发明的遗传算法优化神经网络小车自动寻路仿真示意图;
附图8是本发明基于高斯变异的遗传算法优化神经网络小车自动寻路仿真的示意图;
附图9是本发明的小车与赛道边界示意图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明一种基于高斯变异遗传算法优化神经网络的小车自动寻路方法,实现如下:
第一步,首先设定迭代进化种群的个数(自动寻路小车个数),在基于PYOPENGL仿真实验中,设定的每一代进化小车的个数为400辆,经过后期算法参数调参,设定小车的终止迭代次数为300代,也就是小车自动寻路开始计时,小车可以行驶170个步长,(小车最大可以行驶的最大步数,无论小车是否撞墙,这个步长可以适当调整),小车撞墙即代表小车死亡,必须从赛道起点重新开始进行迭代进化过程。
第二步,用python进行此算法的设计和编程,以及利用python建立了Lines和Rectangles两个类别分别画出二维小车和赛道边界,赛道的设计主要类似于回字环形赛道(在此可以随意设计小车赛道)。赛道设定起点、终点。起点在OpenGL里面建立二维平面坐标系里设定的某一点坐标,而在算法的终点设定的是终点判断函数,在此赛道里面显示的是某一线段,小车一旦触碰该线段,即认定可到达终点。
如图1所示为本发明采用的BP前馈型神经网络中任意一个神经元的联接,输入与输出的示意图,m为节点对应输入个数,计算原理是,权值w矩阵(w1,w2,…,wm),阈值b矩阵(b1,b2,…bm)与输入矩阵进行矩阵乘法,并将求得的矩阵求和,即为(1)式:
input=Σ1 m(wi*xi+bi) (1)
(1)公式中Xi是指输入层的若干神经元节点输入参数,也就是对应传感器i个输入参数。如图4所示。
将矩阵求和所得结果,传递给激活函数Sigmoid函数,如式(2)所示:
把比较简单的Sigmoid函数(S型函数)作为各层的激活函数有利于学习算法的收敛性。把单个神经元的计算方式推广到整个神经网络的拓扑结构,如图4所示。
图4中,从输入节点x1,x2,…,xm到隐含层第一个节点的计算,即为式(1)、(2)的计算过程,f(input1)即为该隐含层节点的输出。假设隐含层节点数目为n个,输出层个数为l,则式(1)、(2)的计算过程将进行n*l次,其中,output1计算公式为(3)。任意的输出outputn计算与(3)类似,只是连接权值和阈值取值不同而已。图4中每条连接都具有自己的联接权值、阈值。考虑到阈值可以共用,因此对于3层经典的神经网络而言,输入层与隐含层之间连接权值的权值矩阵维数为n*m,隐含层与输出层之间连接权值的权值矩阵维数为n*l,对应的阈值矩阵维度分别为n*1,l*1。
第三步,设定神经网络的拓扑结构,在此自动寻路算法设计中,由于小车的优化参数过多,为了避免后期神经网络结构复杂,处理信息繁琐,由于研究的需要,神经网络的结构由于研究的需要暂定为经典的三层前馈神经网络,输入层,隐含层,输出层。在三层神经网络中,隐含层神经元个数n定为15,由于输入的七个参数(小车传感器的5个方向的距离,另外包括小车当前行驶速度,当前行驶角度),则输入个数m为7,输出层有两个神经元节点,即两个输出参数,根据它们的输出分别控制小车的速度和行驶角度。则权值w1个数(输入层与隐含层之间连接权值)为15*7=105,阈值b1个数15;权值w2个数(隐含层与输出层之间连接权值)为2*15=30,阈值个数2,所以基于高斯变异遗传算法待优化参数的个数105+15+30+2=152,属于高维搜索及优化问题范畴,具有一定的复杂性。
第四步,神经网络的权值和阈值的连续优化过程比较繁琐,编码的要求是尽可能多的反映解的特征。因为常规编码用的输入层输入变量参数都是二进制,类似于000111的编码形式,考虑到算法设计过程小车迭代种群数量较多,导致染色体编码长度较长,且最后需要再次解码成实数,使得权值和阈值的改变不能达到随机连续的效果,最终会影响小车的无监督学习的速度与算法迭代进化性能。因此算法神经网络部分编程全部用实数进行编码,编码的实数总共13位,第一位代表正负位,编码的实数以神经网络的w1,b1w2,b2排列顺序组合成一个字符串数组进行编码以一定的编号索引顺序存储于算法初定自动寻路小车种群代表的神经网络矩阵中。算法设计要求神经输出是利用sigmoid函数进行计算输出0-1随机实数,以此来控制小车的底层速度与行驶角度。输出层两个输出底层决策按照以下式(4)、(5)进行。如图3所示1、2、3、4、5为小车的五个传感器,1、2、3、4、5的功能是在小车位置更新以后,实时计算小车与图9所示地图的边界的距离x1,x2,x3,x4,x5,与小车当前速度x6以及角度x7一起,作为小车“大脑”神经网络接受的输入。这里还存在一个问题,Sigmoid函数作为激活函数的神经网络的输出值为0到1之间的一个数,无法直接驱动小车运动,本发明做这样一个规定,神经网络的两个输出记为output1,output2,output1控制小车的加速与减速,output2控制小车左转与右转,具体规定如式(4),(5)示:
第五步,设置适应度函数,在此设定小车自从寻路开始到小车到小车撞墙这一段时间为小车的存活时间t/0.01,即评价小车进化的优劣,在此算法设计中,设定小车存活时间越长,小车评分越高,则小车的行驶距离越大,则更容易到达规定的赛道终点。
第六步,进行迭代循环过程。主要是遗传算法400辆小车的高斯变异的迭代进化过程,也是小车在第一步所设计的赛道中进行随机自动寻路的过程。
高斯变异(Gaussian Mutation)属于遗传算法变异策略中的一种,正态分布,是一个在数学、物理及工程领域都非常重要的概率分布,高斯变异的局部搜索能力较好,不利于全局收敛。
式(6)是高斯分布(GaussianDistribution)的概率密度函数,标准正态分布只需令μ=0,σ=1即可。高斯分布图像如图5是随机生成符合标准高斯分布的随机数示意图,这些随机数按照不同比例对四个种群进行分层次权值和阈值扰动。在现有遗传变量矩阵的基础上,加上一个由符合高斯分布的、与遗传变量维度相同的随机数组成的矩阵,从而实现对原解空间附近的局部搜索。
(7)式RANDN为一组符合高斯分布的随机数矩阵。
如图6所示的是体现了小车整个全局搜索和局部搜索的高斯分布过程。
本文根据研究对象特点,对传统高斯变异操作算子进行了改进,产生了一种新的进化策略来训练神经网络权值阈值。实现形式如下:
1.小车神经网络结构参数如下:输入5,隐含层节点数,15,输出2;全连接神经网络示意图不难知道连接权值阈值的个数为152。优化变量维度为152维。神经网络编码方式与遗传算法完全一样,小车神经网络权值编码后基因位示意如表1所示
表1
2.直接选择上一代表现最好的前若干个个体(1~10),均匀复制400份,即扩展到整个种群,作为高斯变异操作对象;
3.不进行交叉操作,因为这样会破坏最优种群基因组组成,无法保证下一代是在上一代最优基础上进行操作的。
4.高斯变异以及高斯变异策略:
(1)将上一步选择的400个个体分成四等份,记为pop1,pop2,pop3,pop4;
(2)定义比例系数r1=0.3,r2=1,r3=2;对这4个种群的具体操作
(3)w1,b1,w2,b2含义同上,对这4个种群的具体操作如式(8)所示
式(8)中,wi_1,bi_1分别代表pop1种群中第i辆小车神经网络输入层到隐含层之间的连接权值与阈值,wi_2,bi_2分别代表隐含层到输出层之间的连接权值与阈值,pop2,pop3的表示含义与pop1类似;RANDN~(0,1)的含义与上述相同,代表一组符合标准正态分布的随机数矩阵。wl_mute_prob与bl_mute_prob分别代表神经网络连接络权值、连接阈值的变异概率。
改进的高斯变异思想可以描述为:对4个子种群都进行高斯变异操作,pop1,pop2,pop3种群中,根据比例系数r1,r2,r3的不同,可以控制变异后下一代搜索离当前代最优解的远近程度,如图6所示,实现了对解空间局部搜索、全面搜索的结合。pop4的操作体现了精英保留的思想,因为在前3个子种群pop1,pop2,pop3中,个体均是100%变异,这样容易丢失上一代产生的最优解,在pop4中,存在变异概率wl_mute_prob与bl_mute_prob,意味着肯定会有上代最优个体被保留,设置wl_mute_prob与bl_mute_prob的不同是为了研究连接阈值和连接权值在神经网络传递过程中起的作用的不同。
(4)把扰动后的权值阈值矩阵赋值给下一代,作为下一代进化的基因信息,驱动神经网络小车运动,如此循环。
仿真平台模块
本发明的仿真结果是基于python平台的OPENGL所实现的基本的二维动画仿真效果截图,利用python建立了Lines和Rectangles两个类别分别画出小车和边界,赛道的设计主要是类似回字环形赛道(在此可以随意设计小车赛道)。搭建小车自动寻路的仿真结果如图7、8所示,小车可以顺利到达终点。模拟仿真环境与小车所处的真实赛道环境相类似,为研究小车安装传感器个数对结果的影响,设置了两个实验方案:
(1)小车装有如图3所示5个对称布置的距离传感器,自身速度、角度记录传感器2个,共给小车布置7个传感器。
(2)小车两侧距离传感器各去掉一个,剩下的3个距离传感器依然保持对称布置,其余设置同(1)。(方案可以根据具体仿真效果调整传感器的个数)
遗传算法操作与高斯变异均具有随机性,因此每次仿真时,获得的最佳神经网络权值阈值矩阵均不相同,达到终点所花的时间也不一样。表2给出了本文仿真所设置的具体参数,及调试过程中各参数大小变化对仿真结果的影响。
表2仿真参数列表
从仿真结果来看,仿真基本上达到了小车到达终点的预期进化效果如图8所示,且改进的高斯变异进化策略相比于传统的遗传算法一定程度上克服了局部最优问题,使小车获得了持续的进化搜索路径的能力。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (2)
1.一种基于高斯变异遗传算法优化神经网络的小车自动寻路方法,其特征在于,包括如下步骤:
步骤S1、设定迭代进化种群的个数和终止迭代次数,即自动寻路小车个数和小车的终止迭代次数,也就是小车自动寻路开始计时,小车可以行驶最大步数,小车撞墙即代表小车死亡,必须从赛道起点重新开始进行迭代进化过程;
步骤S2、利用python建立Lines和Rectangles两个类别分别画出二维小车和赛道边界,赛道的设计类似于回字环形赛道,赛道设定起点、终点,起点在OpenGL里面建立二维平面坐标系里设定的坐标,终点设定的是终点判断函数,在赛道里面显示的是线段,小车一旦触碰该线段,即认定到达终点;
步骤S3、设定神经网络的拓扑结构,设为三层前馈神经网络,包括输入层、隐含层、输出层;在三层神经网络中,设定隐含层神经元个数n,输入个数m,输出层有两个神经元节点,即两个输出参数,根据输出参数分别控制小车的速度和行驶角度,输入层与隐含层之间连接权值w1=n*m,阈值b1,隐含层与输出层之间连接权值w2=2*n,阈值个数b2;
步骤S4、神经网络部分编程全部用实数进行编码,编码的实数总共13位,第一位代表正负位,编码的实数以神经网络的w1、b1、w2、b2排列顺序组合成一个字符串数组进行编码并以预设的编号索引顺序存储于初定自动寻路小车种群代表的神经网络矩阵中;
步骤S5、设置适应度函数,在此设定小车自从寻路开始到小车到小车撞墙这一段时间为小车的存活时间t,即评价小车进化的优劣,设定小车存活时间越长,小车评分越高,则小车的行驶距离越大,更容易到达规定的赛道终点;
步骤S6、进行迭代循环过程,为基于高斯变异的遗传算法所有神经网络小车个体的迭代进化过程,也即小车在步骤S2所设计的赛道中进行随机自动寻路的过程。
2.根据权利要求1所述的基于高斯变异遗传算法优化神经网络的小车自动寻路方法,其特征在于,步骤S3中,两个输出参数output1、output2通过下式控制小车的速度和行驶角度:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910891696.4A CN110598835B (zh) | 2019-09-20 | 2019-09-20 | 基于高斯变异遗传算法优化神经网络的小车自动寻路方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910891696.4A CN110598835B (zh) | 2019-09-20 | 2019-09-20 | 基于高斯变异遗传算法优化神经网络的小车自动寻路方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598835A true CN110598835A (zh) | 2019-12-20 |
CN110598835B CN110598835B (zh) | 2022-06-21 |
Family
ID=68861593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910891696.4A Active CN110598835B (zh) | 2019-09-20 | 2019-09-20 | 基于高斯变异遗传算法优化神经网络的小车自动寻路方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598835B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107145991A (zh) * | 2017-07-14 | 2017-09-08 | 北京航空航天大学 | 一种考虑路段相关性的时变随机网络动态路径搜索方法 |
CN107272705A (zh) * | 2017-07-31 | 2017-10-20 | 中南大学 | 一种智能环境下机器人路径的多神经网络控制规划方法 |
CN107292450A (zh) * | 2017-07-18 | 2017-10-24 | 西安电子科技大学 | 基于多智能体遗传算法的灾害救援救护车路径规划方法 |
US10140875B1 (en) * | 2017-05-27 | 2018-11-27 | Hefei University Of Technology | Method and apparatus for joint optimization of multi-UAV task assignment and path planning |
-
2019
- 2019-09-20 CN CN201910891696.4A patent/CN110598835B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US10140875B1 (en) * | 2017-05-27 | 2018-11-27 | Hefei University Of Technology | Method and apparatus for joint optimization of multi-UAV task assignment and path planning |
CN107145991A (zh) * | 2017-07-14 | 2017-09-08 | 北京航空航天大学 | 一种考虑路段相关性的时变随机网络动态路径搜索方法 |
CN107292450A (zh) * | 2017-07-18 | 2017-10-24 | 西安电子科技大学 | 基于多智能体遗传算法的灾害救援救护车路径规划方法 |
CN107272705A (zh) * | 2017-07-31 | 2017-10-20 | 中南大学 | 一种智能环境下机器人路径的多神经网络控制规划方法 |
Non-Patent Citations (2)
Title |
---|
WEI HONG CHIN ET AL.: "A neuro-based network for on-line topological map building and dynamic path planning", 《2017 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
苏坤: "未知环境下移动机器人路径规划方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110598835B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110794842A (zh) | 基于势场的强化学习路径规划算法 | |
Cao et al. | Target search control of AUV in underwater environment with deep reinforcement learning | |
CN113159432A (zh) | 一种基于深度强化学习的多智能体路径规划方法 | |
CN111461437B (zh) | 基于生成对抗网络的数据驱动人群运动仿真方法 | |
CN112801281A (zh) | 基于量子化生成模型和神经网络的对抗生成网络构建方法 | |
CN113687654A (zh) | 一种基于进化算法的神经网络训练方法及路径规划方法 | |
Praczyk et al. | Decision system for a team of autonomous underwater vehicles—preliminary report | |
CN112270398A (zh) | 一种基于基因编程的集群行为学习方法 | |
CN116128060A (zh) | 一种基于对手建模与蒙特卡洛强化学习的棋类博弈方法 | |
CN110598835B (zh) | 基于高斯变异遗传算法优化神经网络的小车自动寻路方法 | |
CN115826591B (zh) | 一种基于神经网络估计路径代价的多目标点路径规划方法 | |
CN113141272B (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
CN112861332B (zh) | 一种基于图网络的集群动力学预测方法 | |
CN114676640A (zh) | 基于遗传算法和maddpg算法的楼栋排布方法 | |
Chai et al. | Mobile robot path planning in 2d space: A survey | |
Hornby et al. | Learning comparative user models for accelerating human-computer collaborative search | |
Zhang et al. | Robot path planning based on shuffled frog leaping algorithm combined with genetic algorithm | |
US20220343162A1 (en) | Method for structure learning and model compression for deep neural network | |
Goyal et al. | Genetic algorithm: a metaheuristic approach of optimization | |
Jaimes et al. | Simultaneous Evolution of Neuro-Controllers for Multiple Car-like Robots | |
Sharma et al. | Car Racing Game AI Using Reinforcement Learning | |
Lin et al. | A self-constructing neural fuzzy network with dynamic-form symbiotic evolution | |
Gope et al. | Optimization of Fuzzy Neural Network Using Multiobjective NSGA-II | |
Chen et al. | Evolving MIMO Flexible Neural Trees for Nonlinear System Identification. | |
Yang | Network Layer Coding Genetic Algorithm to Train Convolutional Neural Networks |
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 |