CN111369038A - 一种基于遗传算法的多目标动态调度方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的多目标动态调度方法，包括步骤：1)获取被调度物的位置、姿态角以及与障碍物和目标点的距离信息；2)根据信息计算当前位置的人工势场强度，为避免调度至局部极值点，需向人工势场添加补充势场强度；3)通过改进的遗传算法计算人工势场强度负梯度的最小值；4)根据人工势场强度负梯度的最小值，确定调度方向和步长，并进行调度，且在调度过程中，根据模糊避障方法实时防撞。5)完成一轮调度后，判断当前位置是否为目标点，若是则调度完成，若不是则返回步骤1)。本发明为多目标动态调度提供了一种高效、稳定、安全的实时调度方案，能够有效实现被调度物的调度，具有实际推广价值和应用价值。

Description

一种基于遗传算法的多目标动态调度方法

技术领域

本发明涉及目标调度和遗传算法的技术领域，尤其是指一种基于遗传算法的多目标动态调度方法。

背景技术

人工智能技术和机器人技术已广泛应用于先进生产的领域，而机器人在车间等区域内的协同和工作往往会涉及到调度算法，为了提高生产效率和生产的自动化程度，如何设计一个高效、鲁棒的调度算法是必须解决的问题。

调度，在本方法中指的是规划一个物体由某处运动到另一处的行为，其中特殊的，多目标调度是同时对超过一个的物体进行调度。根据调度环境的不同，调度一般分为静态调度和动态调度。静态调度指的是整个调度环境始终保持不变，除被调度物外，其余物品、环境的位置、姿态等均恒定。动态调度指的是整个调度环境不能事先得知，须在调度过程中动态获取，往往体现在调度环境中的其他物体会进行位置和姿态上的变化，这种调度较为复杂。

目前主流的调度算法为人工势场法。人工势场法是基于重力场理论提出的一种调度算法，这种算法的基本思想是将被调度物在周围环境中的运动，设计成一种抽象的人造引力场中的运动，目标点对被调度物产生引力，障碍物则对被调度物产生斥力，最后通过求合力来控制被调度物的运动。应用人工势场法规划出来的路径一般比较平滑且安全，但是这种方法存在局部最优点的问题。

遗传算法是一种自适应智能搜索技术，一般应用于复杂的非线性优化问题，具有强大的全局优化能力。遗传算法的思想起源于达尔文的生物进化理论，影响生物生存的重要因素有自然选择、种群繁衍和基因突变。因此，选择，交叉和变异是遗传算法的三个主要运算符。遗传算法在解决许多复杂的优化问题中可以获得较好的结果。标准遗传算法解决优化问题的步骤如下：第一步是将参数编码并制成二进制串；第二步是定义适应度函数；第三步为生成初始种群，然后计算染色体的适合度，并重复选择、交叉、变异操作，直到满足某个性能指标或指定的遗传代数为止。但是，在标准遗传算法中仍有许多问题有待完善，例如，难以证明其收敛性，并且在种群成熟之前便容易收敛。

本发明提供一种基于遗传算法的多目标动态调度方法，将多目标的动态调度和遗传算法结合起来，并分别对人工势场调度算法和遗传算法的不足进行了改进，使得对多目标的动态调度任务更加稳定和高效，为生产环境中的机器人调度问题提供了有效的解决思路。

发明内容

本发明的目的在于克服现有技术的缺点和不足，提供一种基于遗传算法的多目标动态调度方法，本方法改进了传统人工势场法容易陷入局部最优点而导致目标不可达的缺陷，改进了遗传算法的早熟和低效问题，利用改进遗传算法优化人工势场法，得到最优的调度计划，为现实生产环境中的实时调度提供方案。

为实现上述目的，本发明所提供的技术方案为：一种基于遗传算法的多目标动态调度方法，包括以下步骤：

1)获取被调度物的位置、姿态角以及与障碍物和目标点的距离信息；

2)根据步骤1)获得的信息计算当前位置的人工势场强度，为避免调度至局部极值点，需向人工势场添加补充势场强度；

3)通过改进的遗传算法计算人工势场强度负梯度的最小值；

4)根据人工势场强度负梯度的最小值，确定调度方向和步长，并进行调度，且在调度过程中，根据模糊避障方法实时防撞；

5)完成一轮调度后，判断当前位置是否为目标点，若是则调度完成，若不是则返回步骤1)。

在步骤1)中，通过超声波定位，获得被调度物当前的位置；使用电子罗盘测量被调度物当前的姿态角；使用避障传感器检测被调度物与周围环境中影响调度的障碍物的距离，以及根据当前位置信息直接计算与给定的目标点的距离。

在步骤2)中，根据人工势场法的定义，得到目标点对被调度物的吸引力如下式：

式中，U_att(X)为目标点对被调度物的吸引力，X为被调度物位置，X_g为目标点位置，ρ²(X,X_g)为被调度物与目标点之间的距离，k为引力势场系数；

根据人工势场法的定义，得到静态障碍物对被调度物的排斥力如下式：

式中，U_reps(X_i)为第i个静态障碍物对被调度物的排斥力，η为是比例增益系数，ρ₀为静态障碍物排斥力的影响距离，ρ²(X,X_i)为被调度物与第i个静态障碍物之间的最短距离，||X-X_g||^l为添加的系数项，n为避障传感器探测到的静态障碍物的数目；

根据人工势场法的定义，得到动态障碍物对被调度物的排斥力如下式：

式中，U_repm(X_r)为第r个动态障碍物对被调度物的排斥力，η和ζ为比例增益系数，ρ₀为动态障碍物排斥力的影响距离，ρ²(X,X_r)为被调度物与第r个动态障碍物之间的距离，||X-X_g||^l为添加的系数项，V为被调度物当前的速度，V_r为第r个动态障碍物当前的速度，θ和φ分别为被调度物当前的姿态角以及第r个动态障碍物当前的姿态角，m为避障传感器探测到的动态障碍物的数目；

为避免调度至局部极值点，向人工势场添加补充势场强度如下式：

式中，U_add(X)为补充势场强度，s为比例增益系数，ρ²(X-X_g)为被调度物与目标点之间的距离，ρ_a为判断被调度物是否达到目标点的距离值；

综合公式(1)、(2)、(3)、(4)，得到被调度物当前位置的人工势场强度，如下式：

式中，U为人工势场合力，U_att(X)为目标点的吸引力，

为n个静态障碍物的排斥力合力，

为m个动态障碍物的排斥力合力，U_add(X)为补充势场强度。

在步骤3)中，通过改进的遗传算法计算人工势场强度负梯度的最小值，具体如下：

3.1)对人工势场中的参数进行编码，这是连接调度问题和遗传算法之间的桥梁，根据步长ρ和姿态角θ两个参数的精度要求，将染色体的长度设置为7个bit，并且有两个步长ρ和姿态角θ相对应的染色体，表达式如下：

式中，h₁为一个7位二进制染色体，其将ρ编码为一个单独的对应值，h₂为一个7位二进制染色体，其将θ编码为一个单独的对应值；

3.2)构建适应度评估函数：遗传算法在进化搜索中不使用外部信息，仅基于适应度函数搜索适应度，因此，适应度函数的选择非常重要，对于非线性规划问题，使用函数值来评估解的优劣，这是最直接、最方便的方法，适应度函数f(x_i)为下式，函数值的最大解为最佳解：

式中，U(x_i)是目标点和受x_i个体约束的障碍物的势场的加权和；

3.3)遗传算法的选择、交叉、变异操作：在选择算子中，首先直接选择上一代的最优值，然后根据影响因子Q的大小确定个体的后代数目，其表达式如下所示：

式中，f(x_i)为适应度函数，q为种群规模；

对于交叉算子，首先定义交叉算子的概率p_c，然后，根据概率p_c，交换并重新组装两个相邻父母的θ染色体部分和ρ染色体部分，以生成两个新个体；

对于变异算子，根据种群条件动态调整变异概率p_m，表达式如下：

P_m＝P_m0(1+α)^K/H (9)

式中，p_m0为初始变异率，α为一个小于1的校正值，K是迭代代数，H是一个常数；根据概率p_m选择一个个体，然后任意选择7位二进制编码中任一位的变异，即从1到0或从0到1；

选择、交叉和变异操作后，获得一个新种群，在给定的循环数后，遗传算法终止，并且将当前组中的最佳个体作为问题的最佳解决方案输出，对于终止代数，要求具有实时性，因此采用了20代，由于算法的调整，加快了算法的收敛速度，并且20代演化亦能够收敛到更好或最优的值；

在遗传算法运行结束后，得到公式(7)的最大值，即为人工势场合力减小最大的方向，亦即人工势场强度负梯度的最小值。

在步骤4)中，得到人工势场强度负梯度的最小值后，亦即能够确定最优的步长ρ和姿态角θ，分别记作ρ^*和θ^*，因此得到了一个调度目标为(X_t+ρ^*cos(θ^*),Y_t+ρ^*sin(θ^*))，其中，(X_t,Y_t)为被调度物当前的位置；

在调度过程中，进行模糊避障：在模糊规则的构建中，根据人类的驾驶经验，将四个输入变量和两个输出变量相加达到81(3×3×3×3)条模糊控制规则，然后进行模糊运算，对模糊输出变量的模糊值进行模糊处理，以获得被调度物的实际控制量，2个输出变量的一个范围为[-8，8]，并将简单系数转换为实际控制输出角度[-45°，45°]，另一个的范围为[-4，4]，将简单系数转换为实际控制输出加速度[-0.3，-0.3]，单位为m/s²。

在步骤5)中，计算被调度物调度后的位置与目标点的距离，根据一个给定的精度，若距离满足该精度，则能够判断为到达了目标点，即完成了调度；若不满足该精度，则应该进行下一轮的调度，即返回步骤1)。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明实现了对多目标的动态调度任务，调度方案简单清晰。

2、本发明实现的多目标动态调度方法，能够切实解决在多机器人车间的生产环境中的协同作业问题，具有很高的实用价值。

3、本发明向人工势场中引入的补充势场，能够避免算法陷入局部极值点而导致的目标不可达问题。

4、本发明对遗传算法进行了改进，相比原始算法收敛得到了优化，并提高了运算效率。

5、本发明的方法具有很高的实时性，在对实时性要求高的场合下工作情况良好、稳定，有广阔的应用前景。

6、本发明结合模糊避障，在调度过程中能完成实时自主避障，调度安全性高。

附图说明

图1为本发明逻辑流程图。

图2为本发明模拟调度的环境示意图。

图3为本发明中人工势场法逻辑示意图。

图4为本发明中遗传算法逻辑示意图。

图5为本发明单轮调度示意图。

图6为本发明模拟调度的调度轨迹示意图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

本实例所提供的基于遗传算法的多目标动态调度方法，给定调度目标点坐标，并根据改进的遗传算法找出改进人工势场法的最优解，以最优解为参数进行调度动作。所进行调度的完整流程如图1所示。使用超声波定位器、电子罗盘和避障传感器等获取被调度物以及各类障碍物的距离以及姿态信息；接着根据这些信息，求得人工势场强度，并添加补充势场强度，以此作为优化目标；接下来通过改进的遗传算法，定义一个关于势场强度的适应度函数，对此求得最优解，从而得到势场强度下降最快的梯度；根据这个梯度，即求得了调度的步长和方向，并进行调度，在调度过程中实时避障；最后，在一轮调度完成后，判断是否到达目标点，到达则完成调度，否则进行下一轮调度。具体如下：

1)获取各类信息。本方法的调度条件模拟现实环境，被调度物上设有定位器、电子罗盘和避障传感器等元件。给定起点为(0,0)，目标点为(20,24)，单位为m；被调度物的最大移动速率为0.3m/s；有4个静态障碍物，1个动态障碍物，其动态障碍物的移动速率为0.2m/s，姿态角为π/2。调度的环境示意图如图2。根据定位器获取被调度物的实时位置，根据电子罗盘获取被调度物的姿态角，根据避障传感器获取与静态障碍物的最小距离以及与动态障碍物的实时距离。

2)求取人工势场强度。人工势场中有引力场和斥力场两种力场，目标点为引力场，保证被调度物始终向着目标点运动，而各类障碍物为斥力场，保证被调度物不会与其相撞。改进的人工势场法的逻辑图如图3所示。根据公式

给定其中常量的值为：k＝1，η＝2，ζ＝0.1，n＝4，m＝1，l＝2，ρ₀＝2m，ρ_a＝0.15m,s＝0.1。最后以下式计算求取人工势场强度的表达式：

得到人工势场强度后，对表达式进行必要的合并项等简化操作。

3)根据遗传算法进行优化。遗传算法的逻辑流程如图4所示。首先对人工势场中的参数进行编码，根据步长ρ和姿态角θ两个参数的精度要求，将染色体的长度设置为7个bit，并且有两个步长ρ和姿态角θ相对应的染色体。表达式如下：

并设置调度周期t₀＝3s，设置种群的初始规模为80。

接着，构建适应度评估函数，适应度函数f(x_i)为下式，函数值的最大解为最佳解：

接着进行遗传算法的选择、交叉、变异操作。在选择算子中，首先直接选择上一代的最优值，然后根据影响因子Q的大小确定个体的后代数目。对于交叉算子，给定交叉算子的概率p_c＝0.65。然后，根据概率p_c，交换并重新组装两个相邻父母的θ染色体部分和ρ染色体部分，以生成两个新个体。对于变异算子，根据种群条件动态调整变异概率p_m。

P_m＝P_m0(1+α)^K/H

给定其中的常量的值为：p_m0＝0.1，α＝0.5，H＝3。

根据概率p_m选择一个个体，然后任意选择7位二进制编码中任一位的变异，即从1到0或从0到1。选择、交叉和变异操作后，获得一个新种群。在20次迭代后，遗传算法终止，并且将当前组中的最佳个体作为问题的最佳解决方案输出。

4)根据优化结果获得调度参数，并调度。根据遗传算法得到的最优解，求得调度的两个参数，即为步长ρ^*和姿态角θ^*，并以此为基础进行调度，即从(X_t,Y_t)调度至(X_t+ρ^*cos(θ^*),Y_t+ρ^*sin(θ^*))。单轮调度的示意图如图5。在调度过程中，进行模糊避障。在模糊规则的构建中，根据人类的驾驶经验，将四个输入变量和两个输出变量相加达到81(3×3×3×3)条模糊控制规则。然后进行模糊运算，对模糊输出变量的模糊值进行模糊处理，以获得被调度物的实际控制量。2个输出变量的一个范围为[-8，8]，并将简单系数转换为实际控制输出角度[-45°，45°]。另一个的范围为[-4，4]，将简单系数转换为实际控制输出加速度[-0.3，-0.3]，单位为ms²

5)判断结束条件。一轮调度结束后，判断被调度物当前的位置是否在精度上满足已经到达了目标点，若到达，该被调度物的调度完成，否则再进行下一轮调度。完整的被调度物从起始点到目标点的调度轨迹如图6所示，调度过程中的人工势场强度变化如表1所示。

表1调度过程中的人工势场强度变化

综上所述，在采用以上方案后，本发明为多目标动态调度提供了一种高效、稳定、安全的实时调度方案，能够有效实现被调度物的调度，具有实际推广价值和应用价值。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (6)

1.一种基于遗传算法的多目标动态调度方法，其特征在于，包括以下步骤：

1)获取被调度物的位置、姿态角以及与障碍物和目标点的距离信息；

2)根据步骤1)获得的信息计算当前位置的人工势场强度，为避免调度至局部极值点，需向人工势场添加补充势场强度；

3)通过改进的遗传算法计算人工势场强度负梯度的最小值；

4)根据人工势场强度负梯度的最小值，确定调度方向和步长，并进行调度，且在调度过程中，根据模糊避障方法实时防撞；

5)完成一轮调度后，判断当前位置是否为目标点，若是则调度完成，若不是则返回步骤1)。

2.根据权利要求1所述的一种基于遗传算法的多目标动态调度方法，其特征在于：在步骤1)中，通过超声波定位，获得被调度物当前的位置；使用电子罗盘测量被调度物当前的姿态角；使用避障传感器检测被调度物与周围环境中影响调度的障碍物的距离，以及根据当前位置信息直接计算与给定的目标点的距离。

3.根据权利要求1所述的一种基于遗传算法的多目标动态调度方法，其特征在于：在步骤2)中，根据人工势场法的定义，得到目标点对被调度物的吸引力如下式：

式中，U_att(X)为目标点对被调度物的吸引力，X为被调度物位置，X_g为目标点位置，ρ²(X,X_g)为被调度物与目标点之间的距离，k为引力势场系数；

根据人工势场法的定义，得到静态障碍物对被调度物的排斥力如下式：

式中，U_reps(X_i)为第i个静态障碍物对被调度物的排斥力，η为是比例增益系数，ρ₀为静态障碍物排斥力的影响距离，ρ²(X,X_i)为被调度物与第i个静态障碍物之间的最短距离，||X-X_g||^l为添加的系数项，n为避障传感器探测到的静态障碍物的数目；

根据人工势场法的定义，得到动态障碍物对被调度物的排斥力如下式：

式中，U_repm(X_r)为第r个动态障碍物对被调度物的排斥力，η和ζ为比例增益系数，ρ₀为动态障碍物排斥力的影响距离，ρ²(X,X_r)为被调度物与第r个动态障碍物之间的距离，||X-X_g||^l为添加的系数项，V为被调度物当前的速度，V_r为第r个动态障碍物当前的速度，θ和φ分别为被调度物当前的姿态角以及第r个动态障碍物当前的姿态角，m为避障传感器探测到的动态障碍物的数目；

为避免调度至局部极值点，向人工势场添加补充势场强度如下式：

式中，U_add(X)为补充势场强度，s为比例增益系数，ρ²(X-X_g)为被调度物与目标点之间的距离，ρ_a为判断被调度物是否达到目标点的距离值；

综合公式(1)、(2)、(3)、(4)，得到被调度物当前位置的人工势场强度，如下式：

式中，U为人工势场合力，U_att(X)为目标点的吸引力，

为n个静态障碍物的排斥力合力，

为m个动态障碍物的排斥力合力，U_add(X)为补充势场强度。

4.根据权利要求1所述的一种基于遗传算法的多目标动态调度方法，其特征在于：在步骤3)中，通过改进的遗传算法计算人工势场强度负梯度的最小值，具体如下：

3.1)对人工势场中的参数进行编码，这是连接调度问题和遗传算法之间的桥梁，根据步长ρ和姿态角θ两个参数的精度要求，将染色体的长度设置为7个bit，并且有两个步长ρ和姿态角θ相对应的染色体，表达式如下：

式中，h₁为一个7位二进制染色体，其将ρ编码为一个单独的对应值，h₂为一个7位二进制染色体，其将θ编码为一个单独的对应值；

3.2)构建适应度评估函数：遗传算法在进化搜索中不使用外部信息，仅基于适应度函数搜索适应度，因此，适应度函数的选择非常重要，对于非线性规划问题，使用函数值来评估解的优劣，这是最直接、最方便的方法，适应度函数f(x_i)为下式，函数值的最大解为最佳解：

式中，U(x_i)是目标点和受x_i个体约束的障碍物的势场的加权和；

3.3)遗传算法的选择、交叉、变异操作：在选择算子中，首先直接选择上一代的最优值，然后根据影响因子Q的大小确定个体的后代数目，其表达式如下所示：

式中，f(x_i)为适应度函数，q为种群规模；

对于交叉算子，首先定义交叉算子的概率p_c，然后，根据概率p_c，交换并重新组装两个相邻父母的θ染色体部分和ρ染色体部分，以生成两个新个体；

对于变异算子，根据种群条件动态调整变异概率p_m，表达式如下：

P_m＝P_m0(1+α)^K/H (9)

式中，p_m0为初始变异率，α为一个小于1的校正值，K是迭代代数，H是一个常数；根据概率p_m选择一个个体，然后任意选择7位二进制编码中任一位的变异，即从1到0或从0到1；

选择、交叉和变异操作后，获得一个新种群，在给定的循环数后，遗传算法终止，并且将当前组中的最佳个体作为问题的最佳解决方案输出，对于终止代数，要求具有实时性，因此采用了20代，由于算法的调整，加快了算法的收敛速度，并且20代演化亦能够收敛到更好或最优的值；

在遗传算法运行结束后，得到公式(7)的最大值，即为人工势场合力减小最大的方向，亦即人工势场强度负梯度的最小值。

5.根据权利要求1所述的一种基于遗传算法的多目标动态调度方法，其特征在于：在步骤4)中，得到人工势场强度负梯度的最小值后，亦即能够确定最优的步长ρ和姿态角θ，分别记作ρ^*和θ^*，因此得到了一个调度目标为(X_t+ρ^*cos(θ^*),Y_t+ρ^*sin(θ^*))，其中，(X_t,Y_t)为被调度物当前的位置；

在调度过程中，进行模糊避障：在模糊规则的构建中，根据人类的驾驶经验，将四个输入变量和两个输出变量相加达到81(3×3×3×3)条模糊控制规则，然后进行模糊运算，对模糊输出变量的模糊值进行模糊处理，以获得被调度物的实际控制量，2个输出变量的一个范围为[-8，8]，并将简单系数转换为实际控制输出角度[-45°，45°]，另一个的范围为[-4，4]，将简单系数转换为实际控制输出加速度[-0.3，-0.3]，单位为m/s²。

6.根据权利要求1所述的一种基于遗传算法的多目标动态调度方法，其特征在于：在步骤5)中，计算被调度物调度后的位置与目标点的距离，根据一个给定的精度，若距离满足该精度，则能够判断为到达了目标点，即完成了调度；若不满足该精度，则应该进行下一轮的调度，即返回步骤1)。

Images