CN110823229B - 一种基于优化萤火虫算法的移动机器人路径规划方法系统 - Google Patents
一种基于优化萤火虫算法的移动机器人路径规划方法系统 Download PDFInfo
- Publication number
- CN110823229B CN110823229B CN201911294073.5A CN201911294073A CN110823229B CN 110823229 B CN110823229 B CN 110823229B CN 201911294073 A CN201911294073 A CN 201911294073A CN 110823229 B CN110823229 B CN 110823229B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- firefly
- mobile robot
- adfa
- fireflies
- 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.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 210
- 241000254158 Lampyridae Species 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims description 20
- 238000013459 approach Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 7
- 230000006698 induction Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 5
- 230000031700 light absorption Effects 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000011160 research Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 44
- 239000000243 solution Substances 0.000 description 23
- 238000010586 diagram Methods 0.000 description 20
- 241000257303 Hymenoptera Species 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000004020 luminiscence type Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003016 pheromone Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000036632 reaction speed Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012803 optimization experiment Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000012088 reference solution Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- 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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明属于机器人路径规划技术领域,公开了一种基于优化萤火虫算法的移动机器人路径规划方法及系统,对标准FA算法的目标函数与萤火虫移动方式进行优化,提出ADFA算法;选用二元非线性目标函数作为寻优对象,对ADFA算法进行寻优测试;采用栅格法来建立移动机器人路径规划的环境模型,利用优化后萤火虫算法对移动机器人的路径进行规划。本发明提出的ADFA算法能有效的应用于移动机器人路径规划的问题上,具有运算能力快的优点,能非常快速的找到一条规避障碍物的最短路线,使得标准FA算法能够很好的处理易陷入局部最优解的问题,并且ADFA算法相对于蚁群算法具有更加优越的计算能力,具有很好的研究价值和意义。
Description
技术领域
本发明属于机器人路径规划技术领域,尤其涉及一种基于优化萤火虫算法的移动机器人路径规划方法及系统。
背景技术
目前,最接近的现有技术:路径规划是指在确定性环境或未知环境中,移动机器人根据自身携带的传感器感知周围环境,在避开障碍物的前提下,按照设定的路径规划算法寻找一条从起始点到目标点的无碰撞最优路径。根据路径规划环境是否随时间变化来分,可以将移动机器人的路径规划分为静态已知环境的路径规划和动态未知环境的路径规划,静态路径规划也被称作全局路径规划,动态路径规划被称作局部路径规划。
目前主流的移动机器人路径规划问题都采用与群智能算法相结合的方式。这其中以人工势场法、遗传算法、蚁群算法最为典型。其中人工势场法的基本思想是把机器人所在的环境虚拟成一个存在力的地方,并把这种力分成引力和斥力。机器人的运动由引力与斥力所产生的合力控制,从而避开障碍物到达目标点找到路径。遗传算法的基本思想是效仿达尔文生物进化论,针对自然选择和遗传时发生的交叉、变异及遗传现象进行仿真,融合优胜劣汰的自然法则,根据结果得出每一代的候选解,最终从得出的候选解中得出最优解。蚁群算法的基本思想是模拟蚂蚁觅食行为,在寻路的过程中蚂蚁会分泌信息素,随着大量蚂蚁个体不断搜索,最优路径上的信息素越来越多,最终整个蚁群会找出一条最优路径。这些算法都有各自的优点和缺点。
2008年,来自于剑桥大学的Yang Xin-She教授提出效仿萤火虫在自然界中的发光特性,基于发光较弱的萤火虫总是会靠近发光较强的萤火虫的特点提出了一种新型的群智能算法-萤火虫算法。萤火虫算法是一种自然启发式算法,模拟萤火虫的闪烁求偶行为。由于萤火虫算法的概念简单,思路清晰,易于实现,因此被广大学者用于各种优化问题的求解上。
综上所述,现有技术存在的问题是:现有技术运用萤火虫算法在一定程度上解决了群移动机器人在路径规划上的寻优问题,但是现有的移动机器人的路径规划方法并没有成功实现障碍物上的完全规避。
现有技术中,机器人在局部环境下,易陷入计算瘫痪的问题;而且现有技术的机器人反应速度过慢,计算速度过慢。
解决上述技术问题的难度:现有技术算法模型过于复杂,导致很难对算法模型进行优化;算法在计算过程中容易陷入一个局部最优解状态。
解决上述技术问题的意义:本发明能够提高算法的精度和收敛速度,改善算法的运算能力与寻优能力;优化后的算法能够提高机器人的计算能力与反应速度
发明内容
针对现有技术存在的问题,本发明提供了一种基于优化萤火虫算法的移动机器人路径规划方法及系统。本发明以静态全局路径规划为基础研究移动机器人在路径规划方面的问题。
本发明是这样实现的,一种基于优化萤火虫算法的移动机器人路径规划方法,所述基于优化萤火虫算法的移动机器人路径规划方法包括以下步骤:
步骤一,对标准FA算法的目标函数与萤火虫移动方式进行一系列优化,提出自适应动态萤火虫算法,即ADFA。
步骤二,ADFA算法以标准FA算法为基础,通过自适应参数优化策略对标准FA算法中的参数进行优化改进。
步骤三,选用二元非线性目标函数作为寻优对象,在MATLAB矩阵实验室中对ADFA算法进行寻优测试。
步骤四,采用栅格法来建立移动机器人路径规划的环境模型,利用优化后萤火虫算法对移动机器人的路径进行规划。
进一步,步骤一中,所述对标准FA算法的目标函数与萤火虫移动方式进行优化的方法包括:
(1)标准FA算法数学模型
标准萤火虫算法的数学模型可以用以下数学公式表示。其中,萤火虫亮度的高低与目标函数有关,其定义式为:
式中,Iij表示第i只萤火虫与第j只萤虫之间的相对亮度;Ii为绝对亮度,即第i只萤火虫在r=0处的光强度;γ为光吸收系数,一般设为常数。rij为第i只萤火虫到第j只萤火虫的距离,其定义式子为:
对于任意两只萤火虫,它们之间的吸引力可以表示为:
式中,F0为最大吸引力,即在光源处(r=0处)萤火虫的吸引力,一般设为常数。基于任意选定的Xi和Xj,较暗的萤火虫总是向较亮的移动。假设Xi要优于Xj,即Xj向Xi移动,可以将这种移动方式定义为:
xjd(t+1)=xjd(t)+F(rij)×(xid(t)-xjd(t))+αε (1.4);
其中,d=1,2,…,D,α∈[0,1]是步长因子,ε是[-0.5,0.5]区间内的随机数,t是迭代次数。
(2)自适应参数优化策略
基于标准FA算法理论,在理想情况下,所有的萤火虫应该靠近于最亮的萤火虫,并最终收敛于一点。因此理论上对于任意的两只萤火虫xi和xj都有:
式中,i,j=1,2,…,N。式(2.1)表示所有的萤火虫最终都收敛于一点。式(2.2)表示收敛后萤火虫位置将不再产生变化。
根据式(1.1)、(1.2)、(1.3)、(1.4)、(2.1)、(2.2)可以得到:
从式(2.3)可以发现,当萤火虫最终都收敛于一点时,步长因子α也将趋近于0。而本发明提出的一种自适应动态萤火虫算法就是基于此结论,通过改变步长因子α的动态值,使其最终趋近于0,从而解决萤火虫算法易陷入局部最优解的问题。基于这一思想,一些学者提出如下几种自适应参数动态策略来更新参数α,其参数更新公式为:
α(t+1)=0.99α(t) (2.4);
相关文献表明,式(2.4)中的参数更新策略在不同程度上都无法让参数α最终趋近于0,且参数更新速度缓慢,不易于寻优。
本发明结合式(2.3),提出一种全新的自适应参数动态更新策略,参数α按照如下公式进行更新:
其中,α(0)=0.8,Tmax为最大迭代次数。随着迭代次数的增加,步长因子α可以逐渐的从0.8减小趋近于0。
进一步,步骤二中,所述ADFA算法以改进动态步长因子为策略,在标准FA算法步骤上引入步长因子判定条件,即当且仅当萤火虫对应的步长因子为0时,算法才进入一个最优解状态。并设定在此条件成立之前,光强较弱萤火虫始终都会向光强较强的萤火虫移动,并不断扩大感应范围,直到出现步长因子为0的萤火虫。
进一步,步骤二中,所述ADFA算法流程为:
1)设定ADFA算法参数,并初始化萤火虫位置、亮度及萤火虫的感应范围。
2)萤火虫自由移动变异。
3)更新萤火虫亮度。
4)局部范围内亮度低的萤火虫向亮度高的萤火虫移动。
5)判断是否为最亮萤火虫。若是最亮萤火虫,则判断对应的步长因子是否为0;若不是最亮萤火虫,则返回步骤2),重复进行萤火虫自由移动变异操作。
6)若判定对应的步长因子为0,则继续判断是否满足终止条件;若判定对应的步长因子不为0,则扩大感应范围,并返回步骤4),重复进行局部范围内亮度低的萤火虫向亮度高的萤火虫移动操作。
7)若满足终止条件,则结束算法;若不满足终止条件,则返回步骤2),重复进行萤火虫自由移动变异操作。
进一步,步骤三中,所述对ADFA算法进行寻优验证的方法包括:
a)选用式(3.1)的二元非线性目标函数作为寻优对象,在MATLAB矩阵实验室中对ADFA算法进行寻优测试。所述二元非线性目标函数为:
b)又选取另外一种多峰函数作为寻优对象,对ADFA算法进行寻优测试。
进一步,步骤四中,所述利用优化后萤火虫算法对移动机器人的路径进行规划的方法为:采用20×20的栅格图,每一个栅格的边长为1cm,其序号为0~399,并设计出相对复杂的障碍物。其中白色栅格为可行,黑色栅格为障碍物。将路径规划得到的解看成是离散型的变量,并视其为一个从起点到终点的点集合。每一个萤火虫代表一个解,其解意义为起点指向终点的所有栅格。
本发明的另一目的在于提供一种实施所述基于优化萤火虫算法的移动机器人路径规划方法的基于优化萤火虫算法的移动机器人路径规划系统。
本发明的另一目的在于提供一种实现所述基于优化萤火虫算法的移动机器人路径规划方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的基于优化萤火虫算法的移动机器人路径规划方法。
本发明的另一目的在于提供一种实现所述基于优化萤火虫算法的移动机器人路径规划方法的室内及室外移动机器人。
综上所述,本发明的优点及积极效果为:本发明提供的基于优化萤火虫算法的移动机器人路径规划方法,ADFA算法能非常有效的应用于移动机器人路径规划的问题上,其特点是运算能力快,能非常快速的找到一条规避障碍物的最短路线。ADFA算法在数学模型上是对标准FA算法的自适应参数进行动态优化,使得标准FA算法能够很好的处理易陷入局部最优解的问题,并且ADFA算法相对于蚁群算法具有更加优越的计算能力,具有很好的研究价值和意义。实验结果表明,ADFA算法中的萤火虫最终都收敛于一点,且该点为目标函数的最大极值点。由此可知,ADFA算法很好的解决了标准FA算法易陷入局部最优解的问题。
表1是标准萤火虫算法的实验数据。表2代表本发明的实验数据。图3是标准萤火虫算法的仿真图。图4到图7,图9到图13均为本发明的仿真效果图。将蚁群算法作为现有技术进行对比。图14,图15是与现有技术的对比仿真图。表3是本发明与现有技术的对比表格。
表1仿真参数
表2 ADFA算法仿真参数
表3数据对比
从表3中的数据结果来看。在环境1下,ADFA算法
附图说明
图1是本发明实施例提供的基于优化萤火虫算法的移动机器人路径规划方法流程图。
图2是本发明实施例提供的标准FA算法原理图。
图3是本发明实施例提供的标准FA算法的路径仿真结果示意图。
图4是本发明实施例提供的函数f(x,y)的图形示意图。
图5是本发明实施例提供的标准FA算法寻优非线性函数的仿真结果示意图。
图6是本发明实施例提供的ADFA算法寻优非线性函数的仿真结果1示意图。
图7是本发明实施例提供的ADFA算法寻优非线性函数的仿真结果2示意图。
图8是本发明实施例提供的ADFA算法原理图。
图9是本发明实施例提供的ADFA算法的路径仿真结果示意图。
图10是本发明实施例提供的ADFA算法路径仿真结果1示意图。
图11是本发明实施例提供的蚁群算法路径仿真结果示意图。
图12是本发明实施例提供的ADFA算法路径结果2示意图。
图13是本发明实施例提供的蚁群算法路径仿真结果2示意图。
图14是本发明实施例提供的栅格环境1下的算法数据对比示意图。
图15是本发明实施例提供的栅格环境2下的算法数据对比示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
现有的移动机器人的路径规划方法并没有成功实现障碍物上的完全规避。
针对现有技术存在的问题,本发明提供了一种基于优化萤火虫算法的移动机器人路径规划方法及系统,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的基于优化萤火虫算法的移动机器人路径规划方法包括以下步骤:
S101,对标准FA算法的目标函数与萤火虫移动方式进行一系列优化,提出自适应动态萤火虫算法,即ADFA。
S102,ADFA算法以标准FA算法为基础,通过自适应参数优化策略对标准FA算法中的参数进行优化改进。
S103,选用二元非线性目标函数作为寻优对象,在MATLAB矩阵实验室中对ADFA算法进行寻优测试。
S104,采用栅格法来建立移动机器人路径规划的环境模型,利用优化后萤火虫算法对移动机器人的路径进行规划。
下面结合实施例对本发明作进一步描述。
1、标准FA算法
标准萤火虫算法需要基于群体的随机搜索来求出最优解,该算法类似于粒子群算法。群体中的每一个萤火虫都会有其各自的亮度,并对应问题的一个参考解。萤火虫算法规定亮度低的萤火虫必须向亮度高的萤火虫靠近,通过不断的位置更新和亮度更新,从而找出最亮的萤火虫,完成寻优过程。
1.1标准FA算法数学模型
标准萤火虫算法的数学模型可以用以下数学公式表示。其中,萤火虫亮度的高低与目标函数有关,其定义式为:
式中,Iij表示第i只萤火虫与第j只萤虫之间的相对亮度;Ii为绝对亮度,即第i只萤火虫在r=0处的光强度;γ为光吸收系数,一般设为常数。rij为第i只萤火虫到第j只萤火虫的距离,其定义式子为:
对于任意两只萤火虫,它们之间的吸引力可以表示为:
式中,F0为最大吸引力,即在光源处(r=0处)萤火虫的吸引力,一般设为常数。基于任意选定的Xi和Xj,较暗的萤火虫总是向较亮的移动。假设Xi要优于Xj,即Xj向Xi移动,可以将这种移动方式定义为:
xjd(t+1)=xjd(t)+F(rij)×(xid(t)-xjd(t))+αε (1.4)
其中,d=1,2,…,D,α∈[0,1]是步长因子,ε是[-0.5,0.5]区间内的随机数,t是迭代次数。
下面结合标准FA算法在路径规划中的应用及仿真对本发明作进一步描述。
1.仿真环境与参数:本发明采用栅格法来建立路径规划的环境模型。采用20×20的栅格图,每一个栅格的边长为1cm,其序号为0~399,并设计出了相对复杂的障碍物。其中白色栅格为可行,黑色栅格为障碍物。将路径规划得到的解看成是离散型的变量,并视其为一个从起点到终点的点集合。依据标准FA算法的核心思路,每一个萤火虫代表一个解,其解意义为起点指向终点的所有栅格。该算法步骤框图如图2所示。
算法中的具体参数设置如表1所示。
表1仿真参数
2.仿真结果及分析:根据上述的算法程序步骤以及仿真参数,本发明在MA,TLAB矩阵实验室中进行了仿真模拟实验,仿真结果如图3所示。
从路径结果图3中可以发现,标准FA算法没有成功实现障碍物上的规避。为了避免偶然,本发明对该算法进行了多次仿真测试,其结果大致相同,都无法实现障碍物的完全规避。
3.算法模型的缺点验证:结合图3所示结果,本发明在查阅相关文献后发现,标准FA算法有着易陷入局部最优解的缺点。为了验证此缺点的存在性,将对该算法模型的寻优性能进行仿真验证。其中选取了二元非线性目标函数作为寻优对象,该目标函数为:
其三维图如图4所示。如图4所示,该目标函数在定义域内有4个局部极值点,且在(0,0)处取得目标函数的极大值。运用标准FA算法对此函数进行寻优实验。设定萤火虫个数为15只,迭代次数为100次,光吸收系数γ为0.2,步长因子α为0.8。得到仿真结果如图5所示。
从测试结果不难看出,萤火虫分散的分布在4个局部极值点附近,在一定程度上均未靠近函数最大极值点(0,0)处。基于该仿真模型,本发明又选取了多种多峰函数作为寻优对象进行了仿真验证。其结果都存在同样的情况,证实了标准FA算法极易陷入局部最优解当中。
下面结合ADFA算法及仿真对本发明作进一步描述。
本发明对标准FA算法的目标函数与萤火虫移动方式进行一系列优化,提出了一种自适应动态萤火虫算法(ADFA)。ADFA算法以标准FA算法为基础,将其算法中的参数进行优化改进,使优化后的算法能够解决易陷入局部最优解的问题。
1)自适应参数优化策略:
基于标准FA算法理论,在理想情况下,所有的萤火虫应该靠近于最亮的萤火虫,并最终收敛于一点。因此理论上对于任意的两只萤火虫xi和xj都有:
式中,i,j=1,2,…,N。式(3.1)表示所有的萤火虫最终都收敛于一点。式(3.2)表示收敛后萤火虫位置将不再产生变化。
根据式(1.1)、(1.2)、(1.3)、(1.4)、(3.1)、(3.2)可以得到:
从式(3.3)可以发现,当萤火虫最终都收敛于一点时,步长因子α也将趋近于0。而本发明提出的一种自适应动态萤火虫算法就是基于此结论,通过改变步长因子α的动态值,使其最终趋近于0,从而解决萤火虫算法易陷入局部最优解的问题。基于这一思想,一些学者提出如下几种自适应参数动态策略来更新参数α,其参数更新公式为:
相关文献表明,式(3.4)中的参数更新策略在不同程度上都无法让参数α最终趋近于0,且参数更新速度缓慢,不易于寻优。
本发明结合式(3.3),提出一种全新的自适应参数动态更新策略,参数α按照如下公式进行更新:
其中α(0)=0.8,Tmax为最大迭代次数。随着迭代次数的增加,步长因子α可以逐渐的从0.8减小趋近于0。
2)ADFA算法寻优验证:
为了验证ADFA算法在一定程度上能够解决标准FA算法易陷入局部最优解的问题。本发明继续选用式(2)中的二元非线性目标函数作为寻优对象,在MATLAB矩阵实验室中对ADFA算法进行寻优测试。最终得到仿真结果如图6所示。
从图6的结果来看,ADFA算法中的萤火虫最终都收敛于一点,且该点为目标函数的最大极值点。由此可知,ADFA算法很好的解决了标准FA算法易陷入局部最优解的问题。避免偶然,在以上仿真的基础上,本发明又选取另外一种多峰函数作为寻优对象,对ADFA算法进行寻优测试。仿真结果如图7所示。结果表明,所有的萤火虫都收敛于一点附近,且该点为目标函数的最大极值点。
下面结合ADFA算法在路径规划中的应用及仿真对本发明作进一步描述。
1)ADFA算法流程:ADFA算法以改进动态步长因子为策略,在标准FA算法步骤上引入步长因子判定条件,即当且仅当萤火虫对应的步长因子为0时,算法才进入一个最优解状态。并设定在此条件成立之前,光强较弱萤火虫始终都会向光强较强的萤火虫移动,并不断扩大感应范围,直到出现步长因子为0的萤火虫。ADFA算法的算法步骤如图8所示。
2)ADFA算法仿真结果与分析:本发明继续沿用2中的栅格图来实现ADFA算法在路径规划中的应用。设定大小为20×20的栅格图,序号定为0~399。其中黑色障碍物的分布与图3所示的障碍物分布相同。ADFA算法仿真中的具体参数如表2所示。
表2 ADFA算法仿真参数
根据上述ADFA算法的算法步骤以及设定好的仿真环境与参数,本发明再一次在MATLAB矩阵实验室中进行了仿真实验,仿真结果如图9所示。
从图9中可以看出,ADFA算法可以成功实现移动机器人在障碍物上的完全规避,并快速的计算出一条由起始点指向终点的路径线路出来。为了避免偶然,本发明将ADFA算法应用于不同的复杂栅格网络环境中,并进行仿真实验。仿真结果都与图9的仿真结果相同,都能实现移动机器人在不同的栅格环境下,对随机障碍物的完全规避。因此,ADFA算法完全适用于解决移动机器人在路径规划上的寻优问题。
为了体现ADFA算法的优越性,本发明将ADFA算法与蚁群算法分别在相同的栅格环境下进行多次仿真实验,并分析实验结果进行比较。选取其中2种比较典型的仿真结果作为比较例子,仿真结果如图10~图13所示。
其中,图10和图11是一组仿真对比结果。图12和图13作为一组仿真对比结果。从仿真结果来看,两种算法都成功的找到了一条由起点指向终点的路径,并且实现了所有障碍物的完全规避。为了更加有效的比较两种算法的优越性,本文记录出了两种算法在同一栅格环境下的最小路径长度与迭代次数波形图。如图14、图15所示。
图14是第一种栅格环境下的结果波形图。上部波形为ADFA算法,下部波形为蚁群算法。图15是第二种栅格环境下的结果波形图。下部波形为ADFA算法,上部波形为蚁群算法。
横坐标表示算法在路径寻优中的迭代次数,纵坐标表示算法寻优找到的最小路径长度。当算法找到最优路径时,图形也会开始趋近于平稳。为了更加直观的进行比较,本发明将图14、图15中的数据记录于表3中。
表3数据对比
从表3中的数据结果来看。在环境1下,ADFA算法路径寻优到的最小路径长度为37.56cm,蚁群算法寻优到的最小路径长度为36.14cm,可见蚁群算法找到的路径更短,但两者差距不大,只相差了1.4cm。但是ADFA算法寻优路径所需要的迭代次数为14次,蚁群算法则需要67次。因此在运算能力上,ADFA算法比蚁群算法要更加优越。再看环境2的情况,ADFA算法寻优的最小路径长度为32.14cm,蚁群算法寻优的最小路径长度为33.31cm,在此环境下,ADFA算法比较蚁群算法找到了一条更短的路径。而且ADFA算法所需的迭代次数仅为22次,相比于蚁群算法的58次要更加的迅速和快捷。在该环境下,ADFA算法已经全面优越于蚁群算法。
下面结合效果对本发明作进一步描述。
本发明的ADFA算法能非常有效的应用于移动机器人路径规划的问题上,其特点是运算能力快,能非常快速的找到一条规避障碍物的最短路线。ADFA算法在数学模型上是对标准FA算法的自适应参数进行动态优化,使得标准FA算法能够很好的处理易陷入局部最优解的问题,并且ADFA算法相对于蚁群算法具有更加优越的计算能力,具有很好的研究价值和意义。
以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于优化萤火虫算法的移动机器人路径规划方法,其特征在于,所述基于优化萤火虫算法的移动机器人路径规划方法包括以下步骤:
步骤一,对标准萤火虫FA算法的目标函数与萤火虫移动方式进行一系列优化,提出自适应动态萤火虫ADFA算法;
步骤二,ADFA算法以标准FA算法为基础,通过自适应参数优化策略对标准FA算法中的参数进行优化改进;
步骤三,选用二元非线性目标函数作为寻优对象,在MATLAB矩阵中对ADFA算法进行寻优;
步骤四,采用栅格法建立移动机器人路径规划的环境模型,利用步骤三优化后自适应动态萤火虫ADFA算法对移动机器人的路径进行规划;
步骤一中,所述对标准萤火虫FA算法的目标函数与萤火虫移动方式进行优化的方法包括:
(1)标准FA算法数学模型,用以下数学公式表示,萤火虫亮度的高低与目标函数有关,式为:
式中,Iij表示第i只萤火虫与第j只萤虫之间的相对亮度;Ii为绝对亮度,第i只萤火虫在r=0处的光强度;γ为光吸收系数,设为常数;
rij为第i只萤火虫到第j只萤火虫的距离,式子为:
对于任意两只萤火虫之间的吸引力表示为:
式中,F0为最大吸引力,即在光源处(r=0处)萤火虫的吸引力,设为常数;
基于任意选定的Xi和Xj,较暗的萤火虫总是向较亮的移动;Xi优于Xj,则Xj向Xi移动,移动方式为:
xjd(t+1)=xjd(t)+F(rij)×(xid(t)-xjd(t))+αε (1.4)
其中,d=1,2,…,D,α∈[0,1]是步长因子,ε是[-0.5,0.5]区间内的随机数,t是迭代次数;
(2)自适应参数优化策略:对于任意的两只萤火虫xi和xj有:
式中,i,j=1,2,…,N;式(2.1)表示所有的萤火虫最终都收敛于一点;式(2.2)表示收敛后萤火虫位置不再产生变化;
根据式(1.1)、(1.2)、(1.3)、(1.4)、(2.1)、(2.2)得到:
从式(2.3)中,萤火虫最终都收敛于一点时,步长因子α趋近于0;利用自适应参数动态策略更新参数α,参数更新公式为:
α(t+1)=0.99α(t) (2.4)
式(2.4)中的参数更新策略在不同程度上都无法让参数α最终趋近于0,且参数更新速度缓慢;
结合式(2.3)得到的全新的自适应参数动态更新策略中,参数α按照如下公式进行更新:
其中,α(0)=0.8,Tmax为最大迭代次数;随着迭代次数的增加,步长因子α逐渐的从0.8减小趋近于0。
2.如权利要求1所述的基于优化萤火虫算法的移动机器人路径规划方法,其特征在于,步骤二中,所述ADFA算法以改进动态步长因子为策略,在标准FA算法步骤上引入步长因子判定条件,当且仅当萤火虫对应的步长因子为0时,算法进入一个最优解状态;并设定在此条件成立前,光强较弱萤火虫始终向光强较强的萤火虫移动,并不断扩大感应范围,直到出现步长因子为0的萤火虫。
3.如权利要求1所述的基于优化萤火虫算法的移动机器人路径规划方法,其特征在于,步骤二中,所述ADFA算法具体包括:
1)设定ADFA算法参数,并初始化萤火虫位置、亮度及萤火虫的感应范围;
2)萤火虫自由移动变异;
3)更新萤火虫亮度;
4)局部范围内亮度低的萤火虫向亮度高的萤火虫移动;
5)判断是否为最亮萤火虫;若是最亮萤火虫,则判断对应的步长因子是否为0;若不是最亮萤火虫,则返回步骤2),重复进行萤火虫自由移动变异操作;
6)若判定对应的步长因子为0,则继续判断是否满足终止条件;若判定对应的步长因子不为0,则扩大感应范围,并返回步骤4),重复进行局部范围内亮度低的萤火虫向亮度高的萤火虫移动操作;
7)若满足终止条件,则结束算法;若不满足终止条件,则返回步骤2),重复进行萤火虫自由移动变异操作。
5.如权利要求1所述的基于优化萤火虫算法的移动机器人路径规划方法,其特征在于,步骤四中,所述利用优化后萤火虫算法对移动机器人的路径进行规划的方法为:采用20×20的栅格图,每一个栅格的边长为1cm,其序号为0~399,并设计相对复杂的障碍物;白色栅格为可行,黑色栅格为障碍物;将路径规划得到的解作为离散型的变量,并作为一个从起点到终点的点集合;每一个萤火虫代表一个解,代表起点指向终点的所有栅格。
6.一种实施权利要求1~5任意一项所述基于优化萤火虫算法的移动机器人路径规划方法的基于优化萤火虫算法的移动机器人路径规划系统。
7.一种实现权利要求1~5任意一项所述基于优化萤火虫算法的移动机器人路径规划方法的信息数据处理终端。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的基于优化萤火虫算法的移动机器人路径规划方法。
9.一种实现权利要求1~5任意一项所述基于优化萤火虫算法的移动机器人路径规划方法的室内及室外移动机器人。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911294073.5A CN110823229B (zh) | 2019-12-16 | 2019-12-16 | 一种基于优化萤火虫算法的移动机器人路径规划方法系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911294073.5A CN110823229B (zh) | 2019-12-16 | 2019-12-16 | 一种基于优化萤火虫算法的移动机器人路径规划方法系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110823229A CN110823229A (zh) | 2020-02-21 |
CN110823229B true CN110823229B (zh) | 2023-07-07 |
Family
ID=69545719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911294073.5A Active CN110823229B (zh) | 2019-12-16 | 2019-12-16 | 一种基于优化萤火虫算法的移动机器人路径规划方法系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110823229B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101655B (zh) * | 2020-09-11 | 2023-04-28 | 长沙理工大学 | 萤火虫算法在路径规划应用中的种群动态调节策略与实现 |
CN113341975B (zh) * | 2021-06-08 | 2022-05-27 | 长沙理工大学 | 基于变目标函数萤火虫优化路径的机器人移动方法 |
CN113467471B (zh) * | 2021-07-26 | 2022-12-09 | 安徽工程大学 | 一种针对栅格图模型下的移动机器人路径优化方法 |
CN116154874B (zh) * | 2023-04-24 | 2023-07-04 | 武汉理工大学 | 一种多台串联设备在配电网中的协调控制与优化配置方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05297944A (ja) * | 1992-04-24 | 1993-11-12 | Fujitsu Ltd | 移動ロボットの障害物回避方式 |
KR20060064711A (ko) * | 2004-12-09 | 2006-06-14 | 엘지전자 주식회사 | 복수 경유지를 탐색하는 네비게이션 시스템 |
CN102360214B (zh) * | 2011-09-02 | 2013-03-06 | 哈尔滨工程大学 | 一种基于萤火虫算法的舰船路径规划方法 |
CN105911992B (zh) * | 2016-06-14 | 2019-02-22 | 广东技术师范学院 | 一种移动机器人的自动规划路径方法及移动机器人 |
CN106094833B (zh) * | 2016-07-19 | 2018-12-28 | 重庆邮电大学 | 一种基于混沌萤火虫算法的移动机器人路径规划方法 |
CN107578121A (zh) * | 2017-08-18 | 2018-01-12 | 华北电力大学 | 基于改进萤火虫算法优化svm的变电工程造价预测方法 |
CN108875898A (zh) * | 2018-06-29 | 2018-11-23 | 国网福建省电力有限公司漳州供电公司 | 基于萤火虫-蚁群算法的低压电力线载波动态路由方法 |
CN110389587A (zh) * | 2019-05-20 | 2019-10-29 | 长沙理工大学 | 一种目标点动态变化的机器人路径规划新方法 |
-
2019
- 2019-12-16 CN CN201911294073.5A patent/CN110823229B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110823229A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110823229B (zh) | 一种基于优化萤火虫算法的移动机器人路径规划方法系统 | |
CN110083165B (zh) | 一种机器人在复杂狭窄环境下路径规划方法 | |
CN109945881B (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
CN112362066B (zh) | 一种基于改进的深度强化学习的路径规划方法 | |
Zhang et al. | A new hybrid algorithm for path planning of mobile robot | |
Abshouri et al. | New firefly algorithm based on multi swarm & learning automata in dynamic environments | |
Rosman et al. | What good are actions? Accelerating learning using learned action priors | |
CN110442129A (zh) | 一种多智能体编队的控制方法和系统 | |
Chen et al. | Reinforcement learning path planning algorithm based on obstacle area expansion strategy | |
CN112577507A (zh) | 基于哈里斯鹰优化算法的电动汽车路径规划方法 | |
CN113359746A (zh) | 基于改进双向RRT和Dijkstra融合算法的路径规划方法和装置 | |
Xu et al. | A new path planning method of mobile robot based on adaptive dynamic firefly algorithm | |
Pan et al. | Research on path planning algorithm of mobile robot based on reinforcement learning | |
Asl et al. | A new approach on multi-agent Multi-Objective Reinforcement Learning based on agents' preferences | |
CN117471919A (zh) | 一种基于改进鹈鹕优化算法的机器人路径规划方法 | |
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 | |
Mojarrad et al. | Particle swarm optimization with chaotic velocity clamping (CVC-PSO) | |
Fei et al. | Robot path planning based on improved particle swarm optimization | |
Guan et al. | Research on path planning of mobile robot based on improved Deep Q Network | |
CN111080035A (zh) | 基于改进量子粒子群优化算法的全局路径规划方法 | |
CN115129064A (zh) | 基于改进萤火虫算法与动态窗口法融合的路径规划方法 | |
CN109635913A (zh) | 基于自适应贪婪的q学习算法足球系统仿真方法 | |
Li et al. | Vision-based obstacle avoidance algorithm for mobile robot | |
Ni et al. | 3D real-time path planning for AUV based on improved bio-inspired neural network | |
Qi et al. | A weights and improved adaptive artificial fish swarm algorithm for path planning |
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 |