CN111780759A - 一种基于改进遗传算法的移动机器人路径规划方法 - Google Patents
一种基于改进遗传算法的移动机器人路径规划方法 Download PDFInfo
- Publication number
- CN111780759A CN111780759A CN202010466077.3A CN202010466077A CN111780759A CN 111780759 A CN111780759 A CN 111780759A CN 202010466077 A CN202010466077 A CN 202010466077A CN 111780759 A CN111780759 A CN 111780759A
- Authority
- CN
- China
- Prior art keywords
- path
- mobile robot
- genetic algorithm
- probability
- population
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 49
- 230000002068 genetic effect Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000001154 acute effect Effects 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 7
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012795 verification Methods 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
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于改进遗传算法的移动机器人路径规划方法,步骤包括:使用栅格地图对机器人移动空间进行环境建模;设置算法参数并初始化种群;利用路径长度函数和平滑度函数构造适应度函数;引入精英保留策略,即在进行轮盘赌选择时,将最优个体保留至下一代,继续进行交叉变异操作;采用自适应交叉率和变异率对种群进行动态调整;判断进化次数是否达到最大,若是,则输出最优解,若不是,则重复上述步骤。本发明在应用于移动机器人路径规划时不仅增强了其寻找最优解的能力,而且提高了其收敛速度,减少了转弯次数。
Description
技术领域
本发明涉及机器人领域,特别涉及一种基于改进遗传算法的移动机器人路径规划方法。
背景技术
移动机器人可通过人类的设计规划,使其替代人类进行一些危险复杂的工作。因此移动机器人的路径规划在机器人技术中显得尤为重要。近年来,国内外学者提出了多种算法用于解决移动机器人路径规划的问题,包括遗传算法、粒子群算法、人工势场法、蚁群算法等。其中,粒子群算法能实现快速收敛但可能陷入停滞;人工势场法计算较为简单,但可能抵达不了目标点;蚁群算法具有很强的鲁棒性但易陷入局部最优解。其中,遗传算法具有全局搜索的能力,然而陷入局部最优、收敛速度慢,优化稳定性差是其不可忽视的缺点。
发明内容
本发明解决的技术问题是:提高移动机器人在路径规划中的能力,解决其存在的不足。
为了解决上述问题,本发明的技术解决方案提出了一种基于改进遗传算法的移动机器人路径规划,包括以下步骤:
步骤1:在栅格地图中对机器人工作空间进行环境建模;
步骤2:初始化算法参数及种群;
步骤3:计算个体适应度值;
步骤4:判断进化次数是否达到最大,若是,输出种群中的最优解,算法结束,否则转至步骤5;
步骤5:利用轮盘赌法选择父代个体;
步骤6:进行精英保留策略,即在进行轮盘赌选择时,将最优个体保留至下一代,继续进行交叉变异操作;
步骤:7:生成一个(0,1)之间的随机数,判断是否满足动态变化的交叉概率Pc,若满足转至步骤8,否则转至步骤9;
步骤8:对种群进行交叉操作,生成新的个体;
步骤9:生成一个(0,1)之间的随机数,判断是否满足动态变化的变异概率Pm,若满足转至步骤10,否则转至步骤11;
步骤10:对种群进行变异操作,生成新的个体;
步骤11:生成新一代种群,进化次数加一,转至步骤4。
进一步的,在所述步骤2中包括如下步骤:
步骤2.1:初始化各项参数,将机器人置于初始位置;
步骤2.2:判断栅格是否连续,若不连续则用障碍物附近的自由栅格予以填补,连接成可行路径,其判断方法为:
Δ=max{abs(xi+1-xi),abs(yi+1-yi)}
式中(xi,yi),(xi+1,yi+1)为两栅格对应的坐标;abs,max表示绝对值和最大值;当Δ=1时,表示两栅格连续,否则,通过平均值法插入栅格,其计算方法为:
步骤2.3:若Pi’序号栅格附近均为障碍物栅格,则淘汰此条路径,重复上述步骤直至生成一条可行路径,
步骤2.4:当所有个体搜寻完毕时结束。
进一步的,在所述步骤3中,适应度值通过适应度函数计算得到,适应度函数由路径长度函数及平滑度函数组成,其计算方法为:
fit=a×fit1+b×fit2
式中,fit1为长度函数,fit2为平滑度函数,a、b分别为二者权重,计算方法为:
式中,Length为路径总长度,end为机器人行走步数,
式中,θ表示机器人在行进过程中转弯角度的大小,利用余弦函数判断其大小,对应给钝角、直角、锐角给予5、30、1000的惩罚。
进一步的,在所述步骤7中的交叉操作中设有自适应调节的交叉概率计算公式,其计算方法为:
式中,Pc(i)表示交叉概率,i表示当前进化代数,Mg表示最大进化代数。
进一步的,在所述步骤9中的变异操作中设有自适应调节的变异概率计算公式,其计算方法为:
式中,Pm(i)表示变异概率Pm_max表示变异概率的上限
有益效果:本发明与现有技术相比:应用于移动机器人路径规划时不仅增强了其寻找最优解的能力,减少了转弯次数;增加种群多样性,避免陷入局部最优,加快了收敛速度。
附图说明
图1是本发明的基于改进遗传算法的移动机器人路径规划方法流程图;
图2是基本遗传算法的路径仿真;
图3是基本遗传算法的收敛曲线;
图4是本发明的改进遗传算法的路径仿真;
图5是本发明的改进遗传算法的收敛曲线。
具体实施方式
现结合附图对本发明的具体实施方式做进一步详细的说明。为了本领域技术人员可以更好地了解本发明的实施,本发明还提供了利用Matlab2018a软件进行机器人路径规划的仿真验证结果。
本发明提出的一种基于改进遗传算法的移动机器人路径规划方法如图1所示,包括以下步骤:
步骤1:运用栅格法对机器人工作空间进行环境建模;
步骤2:初始化算法参数及种群;
步骤3:计算种群适应度值。在步骤3中,本申请在适应度函数中增加了带惩罚项的平滑度函数,一定程度上减少了机器人拐弯次数,同时提升了机器人的安全性。
步骤4:判断进化次数是否达到最大,若是,输出种群中的最优解,算法结束,否则转至步骤5;
步骤5:利用轮盘赌法选择父代个体;
步骤6:进行精英保留策略,即在进行轮盘赌选择时,将最优个体保留至下一代,继续进行交叉变异操作;
步骤7:生成一个(0,1)之间的随机数,判断是否满足动态变化的交叉概率Pc,若满足转至步骤8,否则转至步骤9;基本遗传算法中,交叉概率和变异概率在整个进化过程中固定不变,不利于增加种群的多样性,因此在步骤7和步骤9中,本申请提出了一种随进化次数而改变的自适应交叉概率公式和变异概率公式,交叉概率计算公式如下:
步骤8:对种群进行交叉操作,生成新的个体;
步骤9:生成一个(0,1)之间的随机数,判断是否满足动态变化的变异概率Pm,若满足转至步骤10,否则转至步骤11;在步骤9中,本申请提出了一种随进化次数而改变的自适应交叉概率公式,计算公式如下:
为了避免算法陷入随机搜索,对变异概率设置上限Pm_max。
自适应变化的交叉概率、变异概率增加了种群的多样性,提高了算法收敛速度。
步骤10:对种群进行变异操作,生成新的个体;
步骤11:生成新一代种群,进化次数加一,转至步骤4。
为了验证本方法的正确性和有效性,用Matlab2018a软件在20×20的栅格地图中进行仿真实验,与基本遗传算法进行对比。在基本遗传算法中,设置算法的主要参数:种群规模为100,交叉概率Pc为0.8,变异概率Pm为0.1,最大进化代数为100;在改进遗传算法中,种群规模为100,初始交叉概率Pc为0.9,变异概率Pm为0.01,最大进化代数为100,Pm_max为0.3,权重系数a、b分别取1和7。
基本遗传算法和改进遗传算法的最优解及收敛曲线分别如图3和5所示。从图中可以看出,基本遗传算法在进化30次时陷入了局部最优解,最终搜索到的路径长度为29.8。改进遗传算法收敛速度大幅提高,在进化17次时搜索到最优路径长度为29.8,该解为机器人路径长度的最优值。在基本遗传算法中机器人进行了13次转弯,转弯次数较多;本文算法中机器人仅进行了7次转弯,大大较少了转弯次数,提升了机器人的安全性。
上述值为机器人运行一次的仿真结果,为了避免随机性对算法性能的影响,对两种算法分别进行10次仿真运算,将结果记录于表1。通过对比可得出如下结论:从路径长度上看,改进遗传算法每次都能收敛于最优解,而基本遗传算法有时会陷入次优解;从收敛速度上看,改进遗传算法相较于基本遗传算法大幅提高,且转弯次数大幅降低,证明了本发明所提算法的正确性及有效性。
表1两种算法独立运行10次的结果比较
本发明未详细说明部分都属于领域技术人员公知常识,以上所述仅为本发明的一个具体实施例,并不用以限制本发明,只要在本发明的方法构思和技术方案上所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于改进遗传算法的移动机器人路径规划方法,其特征在于包括以下步骤:
步骤1:在栅格地图中对机器人工作空间进行环境建模;
步骤2:初始化算法参数及种群;
步骤3:计算个体适应度值;
步骤4:判断进化次数是否达到最大,若是,输出种群中的最优解,算法结束,否则转至步骤5;
步骤5:利用轮盘赌法选择父代个体;
步骤6:进行精英保留策略,即在进行轮盘赌选择时,将最优个体保留至下一代,继续进行交叉变异操作;
步骤:7:生成一个(0,1)之间的随机数,判断是否满足动态变化的交叉概率Pc,若满足转至步骤8,否则转至步骤9;
步骤8:对种群进行交叉操作,生成新的个体;
步骤9:生成一个(0,1)之间的随机数,判断是否满足动态变化的变异概率Pm,若满足转至步骤10,否则转至步骤11;
步骤10:对种群进行变异操作,生成新的个体;
步骤11:生成新一代种群,进化次数加一,转至步骤4。
2.根据权利要求1所述的一种基于改进遗传算法的移动机器人路径规划方法,其特征在于在所述步骤2中包括如下步骤:
步骤2.1:初始化各项参数,将机器人置于初始位置;
步骤2.2:判断栅格是否连续,若不连续则用障碍物附近的自由栅格予以填补,连接成可行路径,其判断方法为:
Δ=max{abs(xi+1-xi),abs(yi+1-yi)}
式中(xi,yi),(xi+1,yi+1)为两栅格对应的坐标;abs,max表示绝对值和最大值;当Δ=1时,表示两栅格连续,否则,通过平均值法插入栅格,其计算方法为:
步骤2.3:若Pi’序号栅格附近均为障碍物栅格,则淘汰此条路径,重复上述步骤直至生成一条可行路径,
步骤2.4:当所有个体搜寻完毕时结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010466077.3A CN111780759B (zh) | 2020-05-28 | 2020-05-28 | 一种基于改进遗传算法的移动机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010466077.3A CN111780759B (zh) | 2020-05-28 | 2020-05-28 | 一种基于改进遗传算法的移动机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111780759A true CN111780759A (zh) | 2020-10-16 |
CN111780759B CN111780759B (zh) | 2023-11-28 |
Family
ID=72754418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010466077.3A Active CN111780759B (zh) | 2020-05-28 | 2020-05-28 | 一种基于改进遗传算法的移动机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111780759B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112286211A (zh) * | 2020-12-28 | 2021-01-29 | 上海交大智邦科技有限公司 | 一种不规则布局车间的环境建模及agv路径规划方法 |
CN112327862A (zh) * | 2020-11-16 | 2021-02-05 | 北京理工大学 | 一种不确定环境下多机器人协同搜索的路径规划方法 |
CN112650248A (zh) * | 2020-12-23 | 2021-04-13 | 齐鲁工业大学 | 基于改进遗传算法的巡检机器人路径规划方法及系统 |
CN112686429A (zh) * | 2020-12-16 | 2021-04-20 | 天津城建大学 | 移动机器人及其基于自适应遗传算法的路径规划方法 |
CN112947480A (zh) * | 2021-03-24 | 2021-06-11 | 武汉理工大学 | 一种移动机器人路径规划方法、存储介质及系统 |
CN113858203A (zh) * | 2021-10-19 | 2021-12-31 | 杭州芯控智能科技有限公司 | 一种机器人自适应轨迹规划及避障方法 |
CN115469671A (zh) * | 2022-10-21 | 2022-12-13 | 江苏海洋大学 | 一种基于聚集-置换策略的机器人路径规划方法 |
CN115562273A (zh) * | 2022-10-11 | 2023-01-03 | 河北工业大学 | 基于混合改进蚁群算法的移动机器人路径规划方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266659A (zh) * | 2008-05-08 | 2008-09-17 | 山东大学 | 基于免疫自适应遗传算法的机器人栅格子地图融合方法 |
KR20110026776A (ko) * | 2009-09-08 | 2011-03-16 | 부산대학교 산학협력단 | 실제 로봇의 다중 경로계획 방법 |
CN102523585A (zh) * | 2011-11-25 | 2012-06-27 | 北京交通大学 | 基于改进遗传算法的认知无线电方法 |
CN106444755A (zh) * | 2016-09-22 | 2017-02-22 | 江苏理工学院 | 基于改进遗传算法的移动机器人路径规划方法及系统 |
CN107092255A (zh) * | 2017-05-19 | 2017-08-25 | 安徽工程大学 | 一种基于改进遗传算法的多移动机器人路径规划方法 |
CN107145961A (zh) * | 2017-03-24 | 2017-09-08 | 南京邮电大学 | 一种基于改进遗传算法的旅游行程规划方法 |
WO2019154215A1 (zh) * | 2018-02-06 | 2019-08-15 | 腾讯科技(深圳)有限公司 | 机器人运行路径生成方法、计算设备及存储介质 |
CN110275526A (zh) * | 2019-05-16 | 2019-09-24 | 贵州大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
-
2020
- 2020-05-28 CN CN202010466077.3A patent/CN111780759B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266659A (zh) * | 2008-05-08 | 2008-09-17 | 山东大学 | 基于免疫自适应遗传算法的机器人栅格子地图融合方法 |
KR20110026776A (ko) * | 2009-09-08 | 2011-03-16 | 부산대학교 산학협력단 | 실제 로봇의 다중 경로계획 방법 |
CN102523585A (zh) * | 2011-11-25 | 2012-06-27 | 北京交通大学 | 基于改进遗传算法的认知无线电方法 |
CN106444755A (zh) * | 2016-09-22 | 2017-02-22 | 江苏理工学院 | 基于改进遗传算法的移动机器人路径规划方法及系统 |
CN107145961A (zh) * | 2017-03-24 | 2017-09-08 | 南京邮电大学 | 一种基于改进遗传算法的旅游行程规划方法 |
CN107092255A (zh) * | 2017-05-19 | 2017-08-25 | 安徽工程大学 | 一种基于改进遗传算法的多移动机器人路径规划方法 |
WO2019154215A1 (zh) * | 2018-02-06 | 2019-08-15 | 腾讯科技(深圳)有限公司 | 机器人运行路径生成方法、计算设备及存储介质 |
CN110275526A (zh) * | 2019-05-16 | 2019-09-24 | 贵州大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
Non-Patent Citations (2)
Title |
---|
王雷;李明;蔡劲草;刘志虎;: "改进遗传算法在移动机器人路径规划中的应用研究", 机械科学与技术, no. 05, pages 61 - 66 * |
赵静等: "基于改进蚁群算法的移动机器人路径规划", 《南京邮电大学学报(自然科学版)》, vol. 39, no. 6, pages 73 - 78 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327862A (zh) * | 2020-11-16 | 2021-02-05 | 北京理工大学 | 一种不确定环境下多机器人协同搜索的路径规划方法 |
CN112686429A (zh) * | 2020-12-16 | 2021-04-20 | 天津城建大学 | 移动机器人及其基于自适应遗传算法的路径规划方法 |
CN112686429B (zh) * | 2020-12-16 | 2022-07-29 | 天津城建大学 | 移动机器人及其基于自适应遗传算法的路径规划方法 |
CN112650248A (zh) * | 2020-12-23 | 2021-04-13 | 齐鲁工业大学 | 基于改进遗传算法的巡检机器人路径规划方法及系统 |
CN112286211A (zh) * | 2020-12-28 | 2021-01-29 | 上海交大智邦科技有限公司 | 一种不规则布局车间的环境建模及agv路径规划方法 |
CN112947480A (zh) * | 2021-03-24 | 2021-06-11 | 武汉理工大学 | 一种移动机器人路径规划方法、存储介质及系统 |
CN113858203A (zh) * | 2021-10-19 | 2021-12-31 | 杭州芯控智能科技有限公司 | 一种机器人自适应轨迹规划及避障方法 |
CN115562273A (zh) * | 2022-10-11 | 2023-01-03 | 河北工业大学 | 基于混合改进蚁群算法的移动机器人路径规划方法及系统 |
CN115469671A (zh) * | 2022-10-21 | 2022-12-13 | 江苏海洋大学 | 一种基于聚集-置换策略的机器人路径规划方法 |
CN115469671B (zh) * | 2022-10-21 | 2024-05-28 | 江苏海洋大学 | 一种基于聚集-置换策略的机器人路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111780759B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111780759A (zh) | 一种基于改进遗传算法的移动机器人路径规划方法 | |
CN112904842B (zh) | 一种基于代价势场的移动机器人路径规划与优化方法 | |
CN109886588B (zh) | 一种基于改进鲸鱼算法求解柔性作业车间调度的方法 | |
CN110347151B (zh) | 一种融合Bezier优化遗传算法的机器人路径规划方法 | |
CN112327923B (zh) | 一种多无人机协同路径规划方法 | |
CN103646278B (zh) | 基于自适应策略的粒子群算法在机器人路径规划中的应用 | |
CN112947480B (zh) | 一种移动机器人路径规划方法、存储介质及系统 | |
CN112596525B (zh) | 基于遗传算法和改进人工势场法的机器人路径规划方法 | |
CN104035438A (zh) | 一种基于种群多样性的自适应多目标机器人避障算法 | |
CN110134062B (zh) | 一种基于强化学习的多轴数控机床加工路径优化方法 | |
CN110162060B (zh) | 一种基于改进烟花爆炸算法的机器人路径规划方法 | |
CN111353738B (zh) | 一种应用改进的混合免疫算法优化物流配送中心选址方法 | |
CN116225066A (zh) | 一种基于混沌映射鹈鹕优化算法的无人机路径优化方法 | |
CN113673863A (zh) | 一种基于量子天牛须算法的电力系统经济调度方法 | |
CN112132469B (zh) | 一种基于多种群协作粒子群算法的水库群调度方法和系统 | |
CN116772880B (zh) | 一种基于无人机视觉的无人车路径规划方法 | |
CN115454067A (zh) | 一种基于融合算法的路径规划方法 | |
Hakli | A new approach for wind turbine placement problem using modified differential evolution algorithm | |
CN116859903A (zh) | 基于改进哈里斯鹰优化算法的机器人平滑路径规划方法 | |
CN115933693A (zh) | 一种基于自适应混沌粒子群算法的机器人路径规划方法 | |
Thanh et al. | A survey on hybridizing genetic algorithm with dynamic programming for solving the traveling salesman problem | |
CN115454062A (zh) | 一种基于贝兹曲线的机器人动态路径规划方法及系统 | |
CN114091746A (zh) | 基于动态优化帝王蝶算法的电力能源供应调度规划方法 | |
CN103279796A (zh) | 一种优化遗传算法进化质量的方法 | |
Li et al. | Optimum path planning for mobile robots based on a hybrid genetic algorithm |
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 |