CN110702121A - 面向山地果园机械的最优路径模糊规划方法 - Google Patents
面向山地果园机械的最优路径模糊规划方法 Download PDFInfo
- Publication number
- CN110702121A CN110702121A CN201911160408.4A CN201911160408A CN110702121A CN 110702121 A CN110702121 A CN 110702121A CN 201911160408 A CN201911160408 A CN 201911160408A CN 110702121 A CN110702121 A CN 110702121A
- Authority
- CN
- China
- Prior art keywords
- orchard
- optimal path
- machine
- pheromone
- hillside
- 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
Images
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
- G01C21/20—Instruments for performing navigational calculations
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种面向山地果园机械的最优路径模糊规划方法,包括以下步骤:一次标出区域内需要执行任务的点;二次标出区域内需要考虑小车性能的点;根据二次标点路况得到模糊评价矩阵;通过小车性能以及模糊数学加权蚁群算法的基本参数,计算转移概率、存储路径以及更新信息素;最后判断是否还有尚未访问的点,若无则计算出该区域内不同复杂路径中执行多任务的最优路径。本发明通过模糊综合评价法结合果园作业机械爬坡能力、越野能力、蓄电池大小等因素加权信息素,使得本方法结合山地果园的地形和作业机械的性能等参数进行综合考虑,从而提升路径规划最优的可靠性。
Description
技术领域
本发明专利涉及一种面向山地果园机械的基于改进蚁群算法与模糊数学综合评价法综合的最优路径规划方法,属于路径规划算法技术领域。
背景技术
山地机械的路径规划方法是实现农用机械自主导航的关键技术之一。由于传统基于蚁群算法的路径规划方法是基于随机搜索机制进行状态转移的,致使该类方法收敛效率较低,同时算法的正反馈特性可能造成局部路径上的信息素含量堆积过量,使该类方法陷入局部最优甚至停滞。在路径规划过程中,有时坡度和崎岖度等环境参数等状况不能直接被确定,只能通过其变化的大致范围来判断,这种情况下常采用模糊数学理论来表示不确定参数,由此利用模糊数学方法,把模糊问题转化为确定性问题求解。由此,本发明在山地丘陵地形的果园机械作业场景中引入模糊数学对传统蚁群算法进行加权分析,以提升最优路径规划的可靠性。
发明内容
本发明的目的是,提供一种山地果园作业机械在不同复杂路径中执行多任务的最优路径规划算法,通过模糊综合评价法结合果园作业机械爬坡能力、越野能力、蓄电池大小等因素加权蚁群算法中的信息素从而改进传统蚁群算法,让蚁群算法的结果从原来的贪婪性变为更加偏向于山地果园作业机械性能,在山地果园作业机械执行多任务多地点时能更快更高效的完成任务。
为解决上述发明目的,本发明采用的技术方案包括4阶段:标点、模糊数学加权、蚁群运算、加权数确定。
阶段一:标点
标点分为一次标点与二次标点。一次标点为标出果园作业机械需要执行任务的点,并标出各个点之间的距离。二次标点为标出需要模糊数学运算的两点。并不是所有两点间均需要模糊数学运算,只需要标出对于果园作业机械来说道路崎岖、坡度高、道路长或需要考虑果园作业机械性能的两点或多点。绘画标点示意图,其中○为一次标点,标点间字母组合为两点间距离,有色底纹的○为二次标点。
阶段二:模糊数学加权
评估A、B两任务点构成2个集合:(1)因素集U,(2)评判集V。因素集U包括两点间坡度、两点间距离、两点间崎岖度。评价集V包括评判度量,即优、良、中、差。我们设结果为优信息素分泌增加η1、为良信息素分泌增加η2、为中信息素分泌增加η3、为差信息素分泌增加η4。通过以上指标得到评判结果如表1所示。
表1评判结果
表1中数据是通过两点间实际情况得到的。根据上述结果将表1中各项数据归一化后,可以得到评价矩阵R为
根据果园作业机械的爬坡能力、蓄电能力、越野能力给出权重D表达为
D=(a1,a2,a3) (2)
其中a1表示果园作业机械爬坡能力对果园作业机械在两点间行走的影响,a2表示果园作业机械蓄电能力对果园作业机械在两点间行走的影响,a3表示果园作业机械越野能力对果园作业机械在两点间行走的影响。
如果最大值相同,则采用以下三种算子计算中的一种:
根据模糊数学最大隶属度原则,如果得到这两点间对信息素的加权数为b1,则这两点间信息素的加权数为η1,以此类推b2对应η2、b3对应η3、b4对应η4。
阶段三:蚁群算法运算
传统的蚁群算法又三种模型分别为:蚁密模型、蚁量模型、蚁周模型。在国内外已知的实验中,已经证明蚁周模型较优于蚁密模型和蚁量模型,且国内外研究中蚁周模型较为常用,所以本方法在此采用蚁周模型。
相比蚁密模型和蚁量模型,蚁周模型最大的区别在于蚂蚁走了N步到达目的地,完成一次循环后再更新整条路的信息素。
蚁群算法中有4个重要参数分别为α、β、ρ、Q,其中α表示信息轨迹的相对重要性,β表示能见度的相对重要性,ρ表示信息素持久性,Q表示信息素释放常量。蚁群算法计算转移概率公式为
其中i为出发点j为目的点,τij为时间t中i到j的信息素强度,ηij为亮点间距离的倒数,allowedk为尚未访问过的节点集合。
如果j∈allowedk,则
其他情况,
一次标点的信息素更新公式为:
二次标点信息素更新公式为:
其中η为模糊数学加权数,将在阶段四中确认。
阶段四:加权数确定
η1、η2、η3、η4为了保证计算的精确性需要得到它们的取值范围提高整个算法的精确度。我们这里采用控制变量法,在一个已知最优路径结果的场景A中,有一对二次标点。这对点的评价矩阵R为:
根据山地果园机械的爬坡性能、蓄电性能、越野性能,得到相应的权重权重D为
D=(a1,a2,a3) (13)
通过算子M(Λ,V)算出结果向量E
通过模糊数学最大隶属度原则得到b1最大,设出具体数值η1带入蚁群算法运算得到计算的最优路径。与已知最优路径相比,若符合或偏差较小则记录该值,多次取值得到η1的取值范围。同理可得η2、η3、η4的取值范围。
附图说明
图1:标点示意图。
图2:标点执行图。
图3:路径规划操作流程图,其中m为最小迭代次数,K为当前迭代次数。
具体实施方式
图2给定标点执行图,假设果园作业机械要去A、B、C、D、E五个点执行任务,从O点出发。O点与A点之间道路崎岖,B点与D点之间坡度较高。蚂蚁数量m=3、α=1、β=2、ρ=0.5、Q=1,已知η1的取值范围是:1.2~1.3,η2的取值范围是:0.9~1,η3的取值范围是:0.7~0.8,η4的取值范围是:0.5~0.6。已知OA两点间的评判结果如表2所示。
表2 OA两点间的评判结果
据上述结果将表中各项数据归一化后,可以得到评价矩阵R(OA),
若已知果园作业机械越野能力、蓄电能力较强而爬坡能力较弱,则权重中坡度应占比最大,选择路径时最先考虑的应该也是坡度。所以权重表达为
D=(0.5,0.2,0.3) (16)
运用算子M(Λ,V)可以得到结果向量E
根据模糊数学最大隶属度原则可以得OA间信息素分泌加权数为η2。同理得到DB间信息素分泌加权数为η3。已知各点距离如表3所示。
表3各点距离
O | A | B | C | D | E | |
0 | 0 | 2 | 5 | 3 | 4 | 4 |
A | 2 | 0 | 4 | 4 | 3 | 1 |
B | 5 | 4 | 0 | 5 | 2 | 2 |
C | 3 | 4 | 5 | 0 | 3 | 5 |
D | 4 | 3 | 2 | 3 | 0 | 1 |
E | 4 | 1 | 2 | 5 | 1 | 0 |
从上表可以得到距离矩阵L为
各点之间信息素初始浓度如表4所示。
表4各点之间信息素初始浓度
O | A | B | C | D | E | |
0 | 0 | 0.3 | 0.3 | 0.3 | 0.3 | 0.3 |
A | 0.3 | 0 | 0.3 | 0.3 | 0.3 | 0.3 |
B | 0.3 | 0.3 | 0 | 0.3 | 0.3 | 0.3 |
C | 0.3 | 0.3 | 0.3 | 0 | 0.3 | 0.3 |
D | 0.3 | 0.3 | 0.3 | 0.3 | 0 | 0.3 |
E | 0.3 | 0.3 | 0.3 | 0.3 | 0.3 | 0 |
从上表可以得到信息素矩阵M为
通过转移概率公式
为每个蚂蚁选择下一个访问地点:
用轮盘赌法选择下个访问的地点。假设产生的随机数为0.64,则蚂蚁1会选择去C点。用同样的方法可以算出蚂蚁2会去A点、蚂蚁3会去D点。
蚂蚁1去了C点后再次计算下一访问点:
用轮盘赌法选择下一个访问的地点。设随机数为0.19,则选择去A点为下一个访问地点。最终使用上述计算方法可以如下路径:
蚂蚁1:O→C→A→D→B→E
蚂蚁2:O→A→E→D→B→C
蚂蚁3:O→D→A→E→C→B
通过信息素公式计算下一循环信息素:
计算出每只蚂蚁构建的路径长度为
OA与DB之间信息素更新公式为二次标点信息素更新公式,其余使用一次标点信息素更新公式
重复图3所述计算过程,当且仅当符合最优路径条件后输出最后结果。计算后可得最优路径为O→A→E→D→C→B
而传统蚁群算法得到的路径为O→A→E→D→B→C
可见在本发明中引入模糊数学对传统蚁群算法进行加权分析,从而在山地丘陵地形的果园机械作业场景中提高路径规划的准确度。
Claims (5)
1.面向山地果园机械的最优路径模糊规划方法,其特征是通过模糊综合评价法结合果园作业机械爬坡能力、越野能力、蓄电池大小等因素加权改进优化蚁群算法中的信息素,可结合果园环境和农用机械的实际状况进行最优路径规划,从而使山地果园机械在执行多任务多地点时能更高效地完成任务。
2.如权利要求1所述的面向山地果园机械的最优路径模糊规划方法,其特征在于,所述实现最优路径规划的具体步骤为:
步骤1:了解山地果园机械需要执行任务的整体地形情况,画出简要任务地点地图,一次标点标出需要完成任务的地点,二次标点标出路况复杂需要考虑山地果园机械性能的点;
步骤2:根据二次标点路况得到评价矩阵、根据山地果园机械性能得到权重;
步骤3:与已知最优路径相比,若符合或偏差较小则记录该值,多次取值得到η1、η2、η3、η4的取值范围;
步骤4:运用算子M(Λ,V)计算结果向量,根据最大隶属度原则和实际情况分配信息素加权数;
步骤5:根据实际情况设定本方法中的一些基本参数(蚁群数量m、信息轨迹的相对重要性α、能见度的相对重要性β、信息素持久性信息素释放常量ρ、Q),计算转移概率、存储路径以及更新信息素;
步骤7:判断结果是否还有尚未访问过的节点集合,若有,则进入步骤5继续计算;反之,则计算得出最后的最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911160408.4A CN110702121B (zh) | 2019-11-23 | 2019-11-23 | 面向山地果园机械的最优路径模糊规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911160408.4A CN110702121B (zh) | 2019-11-23 | 2019-11-23 | 面向山地果园机械的最优路径模糊规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110702121A true CN110702121A (zh) | 2020-01-17 |
CN110702121B CN110702121B (zh) | 2023-06-23 |
Family
ID=69206622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911160408.4A Active CN110702121B (zh) | 2019-11-23 | 2019-11-23 | 面向山地果园机械的最优路径模糊规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110702121B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114267169A (zh) * | 2021-09-15 | 2022-04-01 | 赣南师范大学 | 一种基于机器视觉的预防疲劳驾驶限速控制方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040143560A1 (en) * | 2003-01-20 | 2004-07-22 | Chun Bao Zhu | Path searching system using multiple groups of cooperating agents and method thereof |
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 |
CN104200271A (zh) * | 2014-08-22 | 2014-12-10 | 华南农业大学 | 一种发动机多目标优化算法 |
US20150202990A1 (en) * | 2012-07-12 | 2015-07-23 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method of managing the energy consumed by an automotive vehicle and system implementing such a method |
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 |
CN106225788A (zh) * | 2016-08-16 | 2016-12-14 | 上海理工大学 | 基于路径拓展蚁群算法的机器人路径规划方法 |
CN106441308A (zh) * | 2016-11-10 | 2017-02-22 | 沈阳航空航天大学 | 一种基于自适应权重鸽群算法的无人机航路规划方法 |
CN107677273A (zh) * | 2017-09-11 | 2018-02-09 | 哈尔滨工程大学 | 一种基于二维栅格划分的集群无人机多航迹规划方法 |
CN107767022A (zh) * | 2017-09-12 | 2018-03-06 | 重庆邮电大学 | 一种生产数据驱动的动态作业车间调度规则智能选择方法 |
CN107976998A (zh) * | 2017-11-13 | 2018-05-01 | 河海大学常州校区 | 一种割草机器人地图创建与路径规划系统及方法 |
CN108036790A (zh) * | 2017-12-03 | 2018-05-15 | 景德镇陶瓷大学 | 一种障碍环境下基于蚁蜂算法的机器人路径规划方法及系统 |
CN108413959A (zh) * | 2017-12-13 | 2018-08-17 | 南京航空航天大学 | 基于改进混沌蚁群算法的无人机航路规划方法 |
CN108896052A (zh) * | 2018-09-20 | 2018-11-27 | 鲁东大学 | 一种基于动态复杂环境下的移动机器人平滑路径规划方法 |
CN109359740A (zh) * | 2018-11-02 | 2019-02-19 | 北京华如科技股份有限公司 | 基于多生境遗传算法的机动路径优选方法及存储介质 |
CN109489667A (zh) * | 2018-11-16 | 2019-03-19 | 楚天智能机器人(长沙)有限公司 | 一种基于权值矩阵的改进蚁群路径规划方法 |
CN109636023A (zh) * | 2018-12-04 | 2019-04-16 | 合肥工业大学 | 一种协商机制下多车辆平台的任务规划系统 |
CN109795502A (zh) * | 2018-09-27 | 2019-05-24 | 吉林大学 | 智能电动汽车路径跟踪模型预测控制方法 |
US20190239416A1 (en) * | 2016-09-29 | 2019-08-08 | Agro Intelligence Aps | A system and a method for determining a trajectory to be followed by an agricultural work vehicle |
CN110243385A (zh) * | 2019-07-03 | 2019-09-17 | 南京信息工程大学 | 一种应用于机器人路径规划的蚁群算法 |
-
2019
- 2019-11-23 CN CN201911160408.4A patent/CN110702121B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040143560A1 (en) * | 2003-01-20 | 2004-07-22 | Chun Bao Zhu | Path searching system using multiple groups of cooperating agents and method thereof |
US20150202990A1 (en) * | 2012-07-12 | 2015-07-23 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method of managing the energy consumed by an automotive vehicle and system implementing such a method |
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 |
CN104200271A (zh) * | 2014-08-22 | 2014-12-10 | 华南农业大学 | 一种发动机多目标优化算法 |
CN106225788A (zh) * | 2016-08-16 | 2016-12-14 | 上海理工大学 | 基于路径拓展蚁群算法的机器人路径规划方法 |
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 |
US20190239416A1 (en) * | 2016-09-29 | 2019-08-08 | Agro Intelligence Aps | A system and a method for determining a trajectory to be followed by an agricultural work vehicle |
CN106441308A (zh) * | 2016-11-10 | 2017-02-22 | 沈阳航空航天大学 | 一种基于自适应权重鸽群算法的无人机航路规划方法 |
CN107677273A (zh) * | 2017-09-11 | 2018-02-09 | 哈尔滨工程大学 | 一种基于二维栅格划分的集群无人机多航迹规划方法 |
CN107767022A (zh) * | 2017-09-12 | 2018-03-06 | 重庆邮电大学 | 一种生产数据驱动的动态作业车间调度规则智能选择方法 |
CN107976998A (zh) * | 2017-11-13 | 2018-05-01 | 河海大学常州校区 | 一种割草机器人地图创建与路径规划系统及方法 |
CN108036790A (zh) * | 2017-12-03 | 2018-05-15 | 景德镇陶瓷大学 | 一种障碍环境下基于蚁蜂算法的机器人路径规划方法及系统 |
CN108413959A (zh) * | 2017-12-13 | 2018-08-17 | 南京航空航天大学 | 基于改进混沌蚁群算法的无人机航路规划方法 |
CN108896052A (zh) * | 2018-09-20 | 2018-11-27 | 鲁东大学 | 一种基于动态复杂环境下的移动机器人平滑路径规划方法 |
CN109795502A (zh) * | 2018-09-27 | 2019-05-24 | 吉林大学 | 智能电动汽车路径跟踪模型预测控制方法 |
CN109359740A (zh) * | 2018-11-02 | 2019-02-19 | 北京华如科技股份有限公司 | 基于多生境遗传算法的机动路径优选方法及存储介质 |
CN109489667A (zh) * | 2018-11-16 | 2019-03-19 | 楚天智能机器人(长沙)有限公司 | 一种基于权值矩阵的改进蚁群路径规划方法 |
CN109636023A (zh) * | 2018-12-04 | 2019-04-16 | 合肥工业大学 | 一种协商机制下多车辆平台的任务规划系统 |
CN110243385A (zh) * | 2019-07-03 | 2019-09-17 | 南京信息工程大学 | 一种应用于机器人路径规划的蚁群算法 |
Non-Patent Citations (4)
Title |
---|
XINGYU LING等: "Effective 3-D Path Planning for UAV in Presence of Threat Netting", 《2015 FIFTH INTERNATIONAL CONFERENCE ON COMMUNICATION SYSTEMS AND NETWORK TECHNOLOGIES》 * |
付勇: "复杂环境下农业机器人路径规划方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
蒲兴成等: "基于改进粒子群算法的移动机器人多目标点路径规划", 《智能系统学报》 * |
高振军: "复杂环境下嵌入式导航路径规划关键技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114267169A (zh) * | 2021-09-15 | 2022-04-01 | 赣南师范大学 | 一种基于机器视觉的预防疲劳驾驶限速控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110702121B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Energy-efficient UAV crowdsensing with multiple charging stations by deep learning | |
Fallah-Mehdipour et al. | Real-time operation of reservoir system by genetic programming | |
CN109214498A (zh) | 基于搜索集中度和动态信息素更新的蚁群算法优化方法 | |
Zheng et al. | Path planning of mobile robot based on adaptive ant colony algorithm | |
CN105527964A (zh) | 一种机器人路径规划方法 | |
CN114489061B (zh) | 一种基于鲸鱼优化算法的平滑路径规划方法 | |
CN107040879B (zh) | 一种基于遗传模糊树的无线传感网节点联合移动算法 | |
CN110118566B (zh) | 机器人运行路径生成方法及装置 | |
Shi et al. | An improved DV-Hop scheme based on path matching and particle swarm optimization algorithm | |
CN114964261A (zh) | 基于改进蚁群算法的移动机器人路径规划方法 | |
CN113985888A (zh) | 一种基于改进蚁群算法的叉车路径规划方法及系统 | |
CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
Zhang et al. | Design of type-2 fuzzy logic systems based on improved ant colony optimization | |
CN110362900A (zh) | 一种led寿命的预测方法 | |
CN113467481B (zh) | 一种基于改进Sarsa算法的路径规划方法 | |
CN116449863A (zh) | 一种基于信息素的强化学习的无人机集群多目标搜索方法 | |
CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
CN110702121A (zh) | 面向山地果园机械的最优路径模糊规划方法 | |
Wang et al. | A scheme library-based ant colony optimization with 2-opt local search for dynamic traveling salesman problem | |
CN112612275A (zh) | 一种数据库机房复杂路径规划系统及其规划方法 | |
CN112827174B (zh) | 一种分布式多机器人目标搜索方法 | |
García et al. | Directed exploration in black-box optimization for multi-objective reinforcement learning | |
CN112333810B (zh) | 一种基于tmpa算法的分层无线传感器网络拓扑优化方法 | |
CN114004065A (zh) | 基于智能算法和环境约束下的变电站工程多目标优化方法 | |
Kumar et al. | A novel technique of optimization for software metric using PSO |
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 |