CN112504274A - 一种基于Dsl_GA算法的移动机器人路径规划方法 - Google Patents
一种基于Dsl_GA算法的移动机器人路径规划方法 Download PDFInfo
- Publication number
- CN112504274A CN112504274A CN202011230415.XA CN202011230415A CN112504274A CN 112504274 A CN112504274 A CN 112504274A CN 202011230415 A CN202011230415 A CN 202011230415A CN 112504274 A CN112504274 A CN 112504274A
- Authority
- CN
- China
- Prior art keywords
- node
- algorithm
- mobile robot
- path
- dsl
- 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.)
- Withdrawn
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
- 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
- G06N3/12—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)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于Dsl_GA算法的移动机器人路径规划方法,包括采用栅格法对移动机器人的工作环境进行建模;使用实数编码和二维坐标法对自由栅格进行编码;随机选取自由栅格作为路径的中间节点,再利用Dstar_lite算法补齐起始节点、中间节点、终止节点之间的路径,从而形成一条从起始节点到终止节点不经过任何障碍物的可行连续路径;设置欧式距离为适应度函数;采用锦标赛选择法和最优保护策略作为选择操作、算术交叉、随机变异的方式对初始化种群进行遗传操作;最后通过仿真实验表明本文提出算法的有效性和可行性。本发明增加了生成路径的可行性,为解决路径规划问题提供了新的思路。
Description
技术领域
本发明属于机器人领域,涉及一种基于Dsl_GA算法的移动机器人路径规划方法。
背景技术
随着科学技术的快速发展,优化方法已经成功地应用于自动控制、图像处理、组合优化、数据挖掘、国防军事、人工智能、交通运输、电子科学等领域。国内外许多专家学 者从自然界和仿生学中得到启发,提出了一系列群体智能优化算法,其中包括:蚁群算法、 粒子群算法、遗传算法、布谷鸟算法以及狼群算法等。其中,蚁群算法在求解性能上,具 有很强的鲁棒性,但存在计算量过大、搜索时间过长等缺陷;粒子群算法长用来求解连续 问题,但容易陷入局部最优,局部寻优能力较差。
从上个世纪60年代起,许多学者就开始了对机器人的研究。截止至今,机器人已经成功地应用于交通运输、工业生产、医疗、人工智能等各个领域。机器人路径规划是机器 人的一个重要环节,其目标是找到一条从起始节点到终止节点不经过任何障碍物的可行路径。而对机器人路径规划的研究一直是国内外机器人领域的重要内容。从当前的研究成果来看,以遗传算法、蚁群算法、粒子群算法为代表的群体智能优化算法应用于机器人路径规划领域取得了不错的进展。
遗传算法作为群体智能优化算法的主要算法之一。相比其他算法而言,遗传算法凭 借这能够从多个初始解开始搜索,容易跳出局部最优、具有较好的全局寻找最优解的能力、 天生的并行性并广泛地应用于机器人路径规划问题。
发明内容
本发明的目的是提供一种基于Dsl_GA算法的移动机器人路径规划方法。该算法通过随机选取自由栅格和Dstar_lite算法相结合的方式,随机生成适应度不同的初始种群,然 后,通过锦标赛选择法和最优保护策略、算术交叉、随机变异优化初始种群,得到一条从起点到终点不经过任何障碍物的最优路径,增加了生成路径的可行性,为解决移动机器人路径规划问题,提供新的解决思路。
本发明采用的技术方案是:一种基于Dsl_GA算法的移动机器人路径规划方法,包括如下步骤:
S1:本发明采用栅格法对移动机器人的工作环境进行建模;
S2:本发明按照从下到上、从左到右的顺序使用实数编码和二维坐标法对自由栅格 进行编号;
S3:设置初始化参数。设置移动机器人的起点、终点、种群数量、迭代次数、代沟、交叉率、变异率和中间节点的个数;
S4:随机生成初始化种群,生成初始路径;
S5:计算适应度值;
S6:执行选择操作,对初始化种群生成的中间节点进行更新;
S7:执行交叉操作,对选择操作生成的中间节点进行更新;
S8:执行变异操作,对交叉操作生成的中间节点进行更新;
S9:判断是否达到最大迭代次数,若是则停止搜索,输出全局最优路径,否则跳转至S5进行下一次迭代。
根据权利要求1所述的一种基于Dsl_GA算法的移动机器人路径规划方法,其特征在于,所述步骤S1的栅格法建模具体为:
将机器人的工作环境划分为一系列大小相等的栅格,其中,黑色栅格表示障碍物,机器人不可以通行;白色栅格表示自由栅格,机器人可以通行。
根据权利要求1所述的一种基于Dsl_GA算法的移动机器人路径规划方法,其特征在于,所述步骤S4中生成初始路径具体为:
首先,利用公式(1)(2)在起点和终点之间随机选取num个自由栅格作为中间节点,然后,利用Dstar_lite算法补齐起点、num个中间节点,终点之间的路径,最终,生成一条 从起点到终点不经过任何障碍物的可行且连续路径。
Node=[Node1,Node2,…Nodenum] (7)
其中,Node表示可生成中间节点对应的栅格序号,num表示生成中间节点的个数。
根据权利要求1所述的一种基于Dsl_GA算法的移动机器人路径规划方法,其特征在于,所述步骤S5中适应度函数具体为:
其中,(xi,yi)、(xi+1,yi+1)分别表示两个点的坐标。
根据权利要求1所述的一种基于Dsl_GA算法的移动机器人路径规划方法,其特征在于,所述步骤S6中选择操作具体为:
本发明采用锦标赛选择法和最优保护策略作为选择操作。
根据权利要求1所述的一种基于Dsl_GA算法的移动机器人路径规划方法,其特征在于,所述步骤S7中交叉操作具体为:
本发明采用了算数交叉,其交叉公式为:
根据权利要求1所述的一种基于Dsl_GA算法的移动机器人路径规划方法,其特征在于,所述步骤S8中变异操作具体为:
本发明采用了随机变异,其变异公式如下:
与现有的技术相比,本发明的有益效果是:
为了保证生成路径的可行性,本发明一方面选择了使用自由栅格作为中间节点,保 证了生成节点的可行性;另一方面选用Dstar_lite算法,保证了生成路径的可行性。
本发明可以实现移动机器人在栅格环境中可以寻找到一条从起点到终点可行的连续 路径。
附图说明
图1为本发明基于Dsl_GA算法的移动机器人路径规划的总体流程图;
图2为本发明实施例中15×15栅格环境下路径规划示意图;
图3为本发明实施例中15×15栅格环境下独立运行10次平均适应度函数曲线图;
图4为本发明实施例中25×25栅格环境下路径规划示意图;
图5为本发明实施例中25×25栅格环境下独立运行10次平均适应度函数曲线图;
具体实施方式
为了便于理解下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进 行清楚、详细地描述。所描述的实施例仅是本发明的一部分实施例。
如图1所示,一种基于Dsl_GA算法的移动机器人路径规划方法,主要包括以下步骤:
S1:本算法采用栅格法对移动机器人的工作环境进行建模,具体为:
将机器人的工作环境划分为一系列大小相等的栅格,其中,黑色栅格表示障碍物,机器人不可以通行;白色栅格表示自由栅格,机器人可以通行。
S2:本算法按照从下到上、从左到右的顺序使用实数编码和二维坐标法对自由栅格 进行编号;
S3:设置初始化参数。设置移动机器人的起点、终点、种群数量、迭代次数、代沟、交叉率、变异率和中间节点的个数;
S4:随机生成初始化种群,生成初始路径,具体为:
首先,利用公式(1)(2)在起点和终点之间随机选取num个自由栅格作为中间节点,然后,利用Dstar_lite算法补齐起点、num个中间节点,终点之间的路径,最终,生成一条 从起点到终点不经过任何障碍物的可行连续路径。
Node=[Node1,Node2,…Nodenum] (13)
其中,Node表示可生成中间节点对应的栅格序号,num表示生成中间节点的个数。
Node=A+r×(B-A) (14)
其中,A、B分别表示可以生成中间节点对应栅格序号的最小值、最大值,r表示一个在[0,1]范围内的随机数。
S5:计算适应度值;
其中,(xi,yi)、(xi+1,yi+1)分别表示两个点的坐标。
S6:执行选择操作,对初始化种群生成的中间节点进行更新;
本发明采用锦标赛选择法和最优保护策略作为选择操作。
S7:执行交叉操作,对选择操作生成的中间节点进行更新;
本发明采用了算数交叉,其交叉公式为:
其中,Nodey1、Nodey2分别表示交叉后的个体,Nodex1和Nodex2分别表示较优父代 个体和较差父代个体,K取[0,0.5]区间内的任意数。
S8:执行变异操作,对交叉操作生成的中间节点进行更新;
本发明采用了随机变异,其变异公式如下:
其中,Node1、Node2分别表示交叉前、后的个体,A、B分别表示可以生成中间节点对应 栅格序号的最小值、最大值,r表示一个在[0,1]范围内的随机数。
S9:判断是否达到最大迭代次数,若是则停止搜索,输出全局最优路径,否则跳转至S5进行下一次迭代。
为了验证改进算法的有效性,将本发明提出的改进算法分别在15×15、25×25的栅 格地图进行仿真实验,程序的编译环境为MATLAB R2020。实验结果如图2、图3、图4、 图5所示。
从图(2)、(4)中可以看出,本发明提出的一种基于Dsl_GA算法的移动机器人路 径规划方法,在15×15、25×25的栅格地图均可以找到可行且路径长度最短的最优路径, 对应的适应度函数值分别为22.1421、38.0416m。图(3)、(5)给出了随着迭代次数的增加, 本发明在15×15、25×25两种栅格地图中平均适应度函数的变化曲线。其中,横坐标表示 迭代次数,纵坐标表示10次实验后适应度函数的平均值。
从图(3)、(5)中可以看出,本发明提出的一种基于Dsl_GA算法的移动机器人路 径规划方法,在15×15的栅格地图中,在迭代初期,适应度函数开始陷入局部最优,并随 着迭代的进行,适应度函数值在56代左右开始收敛到全局最优。在25×25的栅格地图中, 在迭代初期,适应度函数开始陷入局部最优,并随着迭代的进行,适应度函数值在48代左 右开始收敛到全局最优。这说明了本发明提出的一种基于Dsl_GA算法的移动机器人路径规 划方法在解决路径规划问题时的有效性。此外,本发明为解决路径规划问题提供了新思路。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实 施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提 下做出各种变化。
Claims (7)
1.一种基于Dsl_GA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:
S1:采用栅格法对移动机器人的工作环境进行建模;
S2:从下到上、从左到右的顺序使用实数编码和二维坐标法对自由栅格进行编号;
S3:设置初始化参数;设置移动机器人的起点、终点、种群数量、迭代次数、代沟、交叉率、变异率和中间节点的个数;
S4:随机生成初始化种群,生成初始路径;
S5:计算适应度值;
S6:执行选择操作,对初始化种群生成的中间节点进行更新;
S7:执行交叉操作,对选择操作生成的中间节点进行更新;
S8:执行变异操作,对交叉操作生成的中间节点进行更新;
S9:判断是否达到最大迭代次数,若是则停止搜索,输出全局最优路径,否则跳转至S5进行下一次迭代。
2.根据权利要求1所述的一种基于Dsl_GA算法的移动机器人路径规划方法,其特征在于,所述步骤S1的栅格法建模具体为:
将机器人的工作环境划分为一系列大小相等的栅格,其中,黑色栅格表示障碍物,机器人不可以通行;白色栅格表示自由栅格,机器人可以通行。
3.根据权利要求1所述的一种基于Dsl_GA算法的移动机器人路径规划方法,其特征在于,所述步骤S4中生成初始路径具体为:
首先,利用公式(1)(2)在起点和终点之间随机选取num个自由栅格作为中间节点,然后,利用Dstar_lite算法补齐起点、num个中间节点,终点之间的路径,从而生成一条从起点到终点不经过任何障碍物的可行且连续路径;
Node=[Node1,Node2,…Nodenum] (1)
其中,Node表示可生成中间节点对应的栅格序号,num表示生成中间节点的个数;
5.根据权利要求1所述的一种基于Dsl_GA算法的移动机器人路径规划方法,其特征在于,所述步骤S6中选择操作具体为:
采用锦标赛选择法和最优保护策略作为选择操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011230415.XA CN112504274A (zh) | 2020-11-06 | 2020-11-06 | 一种基于Dsl_GA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 |
---|---|---|---|
CN202011230415.XA CN112504274A (zh) | 2020-11-06 | 2020-11-06 | 一种基于Dsl_GA算法的移动机器人路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112504274A true CN112504274A (zh) | 2021-03-16 |
Family
ID=74955627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011230415.XA Withdrawn CN112504274A (zh) | 2020-11-06 | 2020-11-06 | 一种基于Dsl_GA算法的移动机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112504274A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113467471A (zh) * | 2021-07-26 | 2021-10-01 | 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 |
CN115451974A (zh) * | 2022-11-09 | 2022-12-09 | 广东电网有限责任公司湛江供电局 | 一种电力设备巡检路径规划方法、系统、设备和介质 |
-
2020
- 2020-11-06 CN CN202011230415.XA patent/CN112504274A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113467471A (zh) * | 2021-07-26 | 2021-10-01 | 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 |
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 |
CN115451974A (zh) * | 2022-11-09 | 2022-12-09 | 广东电网有限责任公司湛江供电局 | 一种电力设备巡检路径规划方法、系统、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110162041A (zh) | 一种基于自适应遗传算法的机器人路径规划方法 | |
CN112504274A (zh) | 一种基于Dsl_GA算法的移动机器人路径规划方法 | |
CN109945881A (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
CN108444489A (zh) | 一种改进rrt算法的路径规划方法 | |
CN108037758A (zh) | 一种基于改进afsa的移动机器人路径规划方法 | |
CN111780759B (zh) | 一种基于改进遗传算法的移动机器人路径规划方法 | |
CN108413963B (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
CN108803332B (zh) | 基于改进生物地理学的路径规划方法 | |
CN116242383B (zh) | 一种基于增强哈里斯鹰算法的无人车路径规划方法 | |
CN105005823B (zh) | 一种基于遗传算法的船舶分支管路路径规划方法 | |
CN107229287A (zh) | 一种基于遗传蚂蚁算法的无人机全局路径规划方法 | |
CN111610786A (zh) | 基于改进rrt算法的移动机器人路径规划方法 | |
Liu et al. | An improved genetic algorithm approach on mechanism kinematic structure enumeration with intelligent manufacturing | |
CN112947480B (zh) | 一种移动机器人路径规划方法、存储介质及系统 | |
CN115562273A (zh) | 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 | |
CN113110520A (zh) | 一种多智能优化并行算法的机器人路径规划方法 | |
CN113917925B (zh) | 一种基于改进遗传算法的移动机器人路径规划方法 | |
CN113919485A (zh) | 基于动态层级通信网络的多智能体强化学习方法及系统 | |
CN109583133B (zh) | 一种x结构下基于多阶段转换和遗传操作的粒子群优化斯坦纳最小树构造方法 | |
CN107490959A (zh) | 一种有效的机器人路径规划系统 | |
Xiao-Ting et al. | Flight path planning based on an improved genetic algorithm | |
Pu et al. | Path planning for robot based on IACO-SFLA hybrid algorithm | |
CN113282089B (zh) | 高温场景中的移动机器人全局路径规划方法 | |
CN116485057A (zh) | 一种自适应遗传算法求解路径规划的方法 | |
CN114995413A (zh) | 基于改进遗传算法的智能小车路径规划方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210316 |
|
WW01 | Invention patent application withdrawn after publication |