CN112650248B - 基于改进遗传算法的巡检机器人路径规划方法及系统 - Google Patents
基于改进遗传算法的巡检机器人路径规划方法及系统 Download PDFInfo
- Publication number
- CN112650248B CN112650248B CN202011537251.5A CN202011537251A CN112650248B CN 112650248 B CN112650248 B CN 112650248B CN 202011537251 A CN202011537251 A CN 202011537251A CN 112650248 B CN112650248 B CN 112650248B
- Authority
- CN
- China
- Prior art keywords
- grid
- path
- individual
- individuals
- 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.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 77
- 238000007689 inspection Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000002068 genetic effect Effects 0.000 title claims abstract description 38
- 238000013439 planning Methods 0.000 title claims abstract description 36
- 230000015654 memory Effects 0.000 claims description 18
- 238000013468 resource allocation Methods 0.000 claims description 17
- 230000013011 mating Effects 0.000 claims description 16
- 238000011161 development Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 238000007726 management method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000004904 shortening Methods 0.000 claims 2
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000010845 search algorithm Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Images
Classifications
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请公开了基于改进遗传算法的巡检机器人路径规划方法及系统，包括：建立巡检机器人行走的栅格地图；获取巡检机器人在栅格地图中行走时的移动方向数据和位置数据；其中，移动方向数据和位置数据通过GPS获取；根据巡检机器人的移动方向数据和位置数据，基于改进的遗传算法，得到最优移动路径排序，将排序最靠前的路径作为巡检机器人下一步的移动路径。减少巡检机器人路径规划局部搜索的随机性；增强了巡检机器人路径规划结果的多样性；实现了对计算资源消耗的把控，增强了算法的适用性。
Description
技术领域
本申请涉及路径规划技术领域，特别是涉及基于改进遗传算法的巡检机器人路径规划方法及系统。
背景技术
本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。
全局最优化问题(Global Optimization Problem)一直是优化领域的一个热点问题，而利用启发式算法进行求解目前是解决这类问题的主流方法。在历经了多年的探索之后，很多优秀的、具有针对性的启发式算法被提出，它们在搜索策略上可以被分为两大类：基于全局搜索策略的启发式算法和基于个体搜索策略的启发式算法。有学者尝试将两类算法结合起来使用，创造出了许多混合式算法，采用不同的搜索策略可以构成不同的混合式算法,如全局搜索策略可以采用遗传算法、进化策略、进化规划等，局部搜索策略可以采用爬山搜索、模拟退火、贪婪算法、禁忌搜索、导引式局部搜索等。传统的混合算法步骤如图1所示。
搜索算子：全局搜索能力是指找到全局最优解所在大致位置的能力，而局部搜索是指能够无穷接近最优解的能力。如图2中所示：假设我们正在解决一个求全局最大值问题，理论上，我们希望全局搜索可以将个体引导至ab，cd或ef区间，然后由局部搜索算子在a与b区间内，c与d区间内，e与f区间内分别搜索该区间内的最优值。
一般来说，启发式算法性能通常通过：鲁棒性、结果的优劣程度、执行算法所消耗计算资源即算法是否高效等来评定。虽然文化基因算法在很多优化问题上取得了一定的成功，但学界普遍认为该类算法目前这样一个问题——此类算法因步骤繁琐，在提升了结果精确度的同时不可避免地消耗了更多的计算资源。因为他们通常在原算法上面又增加了一个基于个体的随机搜索算法，这样的算法结构无疑会消耗较多的计算资源。
目前巡检机器人的路径规划计算步骤复杂，路径规划计算步骤繁琐，浪费机器人的功耗；路径规划计算速度慢，影响机器人的实时检测能力。现有的路径规划可以采用遗传算法来进行解决，但是现有的遗传算法大量消耗计算资源，大量消耗计算资源根本原因无外乎以下两点：a)局部搜索缺乏针对性,导致在计算资源有限的情况下，大量的计算资源被随机分配；b)局部搜索算法功能不够契合。
我们需求的路径搜索只需要在路径附近很小的区域探索，但很多局部搜索算法会有大幅对路径进行扰动的操作，这是它作为一个独立算法时为了全面地探索解空间的必要步骤，但作为局部搜索算子，大幅的扰动会得到大量无意义的规划路径。
发明内容
为了解决现有技术的不足，本申请提供了基于改进遗传算法的巡检机器人路径规划方法及系统；
第一方面，本申请提供了基于改进遗传算法的巡检机器人路径规划方法；
基于改进遗传算法的巡检机器人路径规划方法，包括：
建立巡检机器人行走的栅格地图；
获取巡检机器人在栅格地图中行走时的移动方向数据和位置数据；其中，移动方向数据和位置数据通过GPS获取；
根据巡检机器人的移动方向数据和位置数据，基于改进的遗传算法，得到最优移动路径排序，将排序最靠前的路径作为巡检机器人下一步的移动路径。
第二方面，本申请提供了基于改进遗传算法的巡检机器人路径规划系统；
基于改进遗传算法的巡检机器人路径规划系统，包括：
栅格地图建立模块，其被配置为：建立巡检机器人行走的栅格地图；
获取模块，其被配置为：获取巡检机器人在栅格地图中行走时的移动方向数据和位置数据；其中，移动方向数据和位置数据通过GPS获取；
路径规划模块，其被配置为：根据巡检机器人的移动方向数据和位置数据，基于改进的遗传算法，得到最优移动路径排序，将排序最靠前的路径作为巡检机器人下一步的移动路径。
第三方面，本申请还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。
第四方面，本申请还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
第五方面，本申请还提供了一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。
与现有技术相比，本申请的有益效果是：
针对此前提出的巡检机器人路径规划中一直存在的问题，提出了一种可行的解决方案，方案主要由两部分：
在进化过程中，资源分配策略将配额合理分配给路径，提高了算法的效率。为了提高收敛性能和保持多样性，进行了快速的自引导开发。提出了一种机制来管理单个开发过程的计算资源消耗，从而提高了适用性。
减少巡检机器人路径规划局部搜索的随机性；增强了巡检机器人路径规划结果的多样性；实现了对计算资源消耗的把控，增强了算法的适用性。
本申请附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为现有技术的混合算法步骤流程图；
图2为现有技术的全局搜索能力和局部搜索能力示意图；
图3为本申请实施例一的方法流程图；
图4为本申请实施例一的改进的遗传算法示意图；
图5为本申请实施例一的算法示意图；
图6为本申请实施例一的算法示意图；
图7为本申请实施例一的算法示意图；
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了基于改进遗传算法的巡检机器人路径规划方法；
如图3、图4、图5、图6和图7所示，基于改进遗传算法的巡检机器人路径规划方法，包括：
S101：建立巡检机器人行走的栅格地图；
S102：获取巡检机器人在栅格地图中行走时的移动方向数据和位置数据；
其中，移动方向数据和位置数据通过巡检机器人携带的GPS获取；
S103：根据巡检机器人的移动方向数据和位置数据，基于改进的遗传算法，得到最优移动路径排序，将排序最靠前的路径作为巡检机器人下一步的移动路径。
作为一个或多个实施例，建立巡检机器人行走的栅格地图；具体假设包括：
在规划时，将巡检机器人视为一个点，不考虑障碍物高度，假设巡检机器人的行走空间为二维平面空间；障碍物的大小和位置已知，且不存在动态障碍物。
示例性的，在构建栅格地图时，首先以地图左下角第一个栅格为坐标原点建立直角坐标系。因此每一个栅格可以用(x，y)的坐标形式表示，比如左下角第一个栅格可以表示为(1，1)。并且从左下角开始每一个栅格进行编号N，编号从0开始。
作为一个或多个实施例，所述根据巡检机器人的移动方向数据和位置数据，基于改进的遗传算法，得到最优移动路径排序，将排序最靠前的路径作为巡检机器人下一步的移动路径；具体步骤包括：
S1031：设置巡检机器人的初始位置，设置巡检机器人的目标位置，设置巡检机器人可行走的路径数量为初始种群规模，设置最大迭代次数；根据建立的栅格地图对种群进行初始化；所述可行走的路径为不与障碍物栅格碰撞的路径；
S1032：通过对初始种群的全局搜索，得到种群集合P；种群集合P是所有可行解的集合，后续操作都是对种群集合P中的个体进行的，通过后续操作不断优化所述可行解；
S1033：执行带偏向的资源分配策略；对种群中的个体分配交配的机会，带偏向指的是每个个体分得的交配机会并不是随机或者平均的，通过带偏向的资源分配策略让更优秀的个体得到更多的交配机会；
S1034：执行快速个体开发策略：根据S1033中分配的交配次数，对个体执行交配操作，也就是执行优化操作，得到的是更优秀的个体的集合；
S1035：执行精英策略，以保证最优秀的个体进入到下一代的种群；
S1036：生成新一代种群；
S1037：判断是否满足迭代终止条件，如果不满足终止条件，则迭代次数加一，返回对初始种群的全局搜索步骤；如果满足则从各个迭代保留结果中，选择最优个体作为巡检机器人的下一步移动路径并输出。
精英策略，它可以保证最优秀的个体进入到下一代的种群，提高算法效率，故称为精英策略。
进一步地，所述S1032：通过对初始种群的全局搜索，得到种群集合P；具体步骤包括：
对每个个体进行路径长度计算，将计算得到的路径长度作为适应度；适应度的使用体现在所有涉及个体选拔的操作中，适应度等同于个体的优秀程度；
计算路径中所有相邻三点的距离作为平滑度；
交叉操作：对于选中的任意两个路径，找出两条路径中所有相同的点，然后随机选择其中的一个点，将之后的路径进行互换操作；路径互换之后产生新的个体，新的个体有着新的路径长度，也就是新的适应度；
变异操作：随机选取路径中除起点和终点以外的任意两个栅格，去除这两个栅格之间的路径，然后以这两个栅格为相邻点，使用初始化路径的方法将这两个点重新进行连续操作；得到一个新的个体。
初始化路径的方法：
可行路径的产生分为两个主要步骤。
第一步首先产生一条间断路径。机器人每次行走一个栅格，因此每一行至少有一个栅格在可行路径中。所以初始化时先按顺序在每一行随机取出一个无障碍栅格，形成一条间断的路径，其中为了减短路径长度路径的第一个和最后一个栅格分别为机器人的起始位置和目标位置。
第二步是将间断的路径连接为连续路径。在这一步中首先从第一个栅格开始判断相邻的两个栅格是否为连续栅格，栅格是否连续的判断方法为：
D＝max{abs(xi+1-xi)，abs(yi+1-yi)}
若D等于1则说明两个相邻栅格连续，反之不连续。对于不连续的栅格取两个栅格的中点栅格，中点栅格的坐标计算为：
若新栅格为障碍物栅格则以上下左右顺序取新栅格的相邻栅格，并判断此栅格是否已经在路径中(防止陷入死循环)，如果此栅格为无障碍栅格且不在路径中则插入路径中，如果遍历上下左右四个栅格后没有满足条件的栅格则删除这条路径；若新栅格为无障碍物栅格，则插入两个不连续栅格中间。继续判断新插入的栅格和新插入的栅格的前一个栅格是否连续，若不连续则循环以上步骤，直到两个栅格连续。当两个栅格连续后取下一个栅格，循环以上步骤，直到整条路径连续；其中：abs(x)表示数值x的绝对值，int(x)表示对数值x取整。
应理解的，机器人由于运动学和动力学的约束，行进时拐弯不宜过大，并且相对平滑的路径有利于机器人的行驶，因此产生的路径有平滑度的要求。路径越平滑，相邻三点形成的角度越大，角度越大相邻三点之间的距离越大，因此计算路径中所有相邻三点的距离作为平滑度。
进一步地，所述S1033：执行带偏向的资源分配策略；具体步骤包括：
S10331：设置候选对象的数量imax；
S10332：将集合P中距离最短的所有路径放在集合T中，并对T中的个体实施基于平滑度的轮盘赌，计算候选对象分配的配额，获得一个拥有imax个元素的、由候选对象(候选对象是指个体，个体是由一个个坐标点组成的路径)及其分配的资源组成的存档集合D(存档集里面存的是选出来的个体和分配给他的交配机会如：个体x1有两次机会，个体x4有4次机会)。
示例性的，所述S10331：设置优选对象的数量；具体是指：通过计算偏差因子与群体中个体数量的乘积，得到优选对象的数量。
进一步地，所述S10332：根据优选对象的数量imax，基于平滑度的轮盘赌计算优选对象分配的配额，获得一个由候选对象及其分配的资源组成的存档集合D；具体步骤包括：
S103321：将集合P中距离最短的所有路径放在集合T中，对集合T中的个体基于平滑度进行归一化，得到个体被选中的概率；
S103322：计算集合T中第i个体xi的累积概率qi；
S103323：生成一个0到1之间的随机数h；
S103324：如果随机数h小于累积概率qi，则将个体存放到存档集合D；否则，找到使随机数qi-1＜h≤qi成立的个体xi，将找到的个体xi存放到存档集合D：
S103325：重复S103323和S103324，直到存档集合D中有imax个个体。
进一步地，所述S1034：执行快速个体开发策略；具体步骤包括：
S10341：计算扰动值；基于扰动值，计算出需要重新规划的栅格的数量Ω。
S10342：基于扰动值生成邻居；随机除去除了起点和终点以外的Ω个连续栅格组成的路径，然后通过路径初始化操作，重新组成这段路径。
S10343：将生成的邻居放进集合K。
之所以需要计算出需要重新规划的栅格的数量Ω，是因为，删除一段数量为Ω的连续栅格，然后对这些空出来的地方执行路径初始化操作从而生成新的个体。
进一步地，所述S1035：执行精英策略，以保证最优秀的个体进入到下一代的种群；具体步骤包括：
将集合K与集合P结合，对集合P中的个体使用精英策略，得到新一代的种群；
所述使用精英策略，是指：将由第i代种群生成的子代个体们和第i代种群合并，然后依据适应度(路径长度)对这两代个体进行优劣排序，取排名靠前的个体作为第i+1代种群。
传统遗传算法会发生优秀个体丢失的情况，为了克服这一现象，使用发明了精英策略。
所述传统遗传算法会发生优秀个体丢失的情况：遗传算法中，个体以一定的概率被选中，参与到交叉和变异操作当中去，生成后代，但是后代的适应度不一定会比父代更好，这样就会导致优秀个体丢失。
精英策略：解决优秀个体丢失问题的方法非常简单，传统遗传算法的第i+1代种群由第i代种群中选出的父本们直接生成，而精英策略将生成的子代个体们和第i代种群合并，然后对这两代个体进行优劣排序，取排名靠前的个体作为第i+1代种群。精英策略可以保证最优秀的个体顺利进入到下一代的种群，提高算法效率，故称为精英策略。
在本申请中，提出了一种高效局部搜索理论，并基于该理论和经典NSGA-II算法给出了一个新型混合遗传算法，叫做带偏向资源分配策略和快速个体开发策略的新型遗传算法。其中偏向资源分配策略使用基于拥挤度距离的轮盘赌方法，将有限的资源自适应给优胜者，并且，此策略还融合了可人为干的强度机制来控制计算资源与解集质量的转化。另外，对于上一步中选出的优胜者，我们提出了一个基于柯西函数的快速个体开发策略，它通过对个体的某部分基因进行修改来快速产生邻居，节省了计算资源的同时提升了解集的质量。
1)提出了一个可人为干预的自适应资源分配策略。它将群体划分，然后通过基于平滑度的轮盘赌机制对个体进行有针对性的计算资源分配，减少了分配的盲目性，提高了效率。
2)然后提出了一个结构非常简单的fast explorer,它使用具有优秀稳定性的tanh函数作为扰动函数，对当前个体的附近区域进行搜索，把个体本身作为局部搜索的引导者，大大增加了搜索的针对性，提高了算法的效率。
此外，我们在这个算法中还融合了一个人为干预策略，通过人为设定优选对象的数量来实现对计算资源总体消耗的把控，在提升算法效果的同时平衡了算法的效率。
展示了NSGA-II-BnF的框架，包括初始化、传统的基于种群的全局搜索、有偏差的资源分配过程、快速自我引导的个体开发过程和精英机制。当满足终止条件时，算法结束。
如图1所示，我们首先设置必要的参数。算法从初始化包含N个个体的种群开始。然后我们执行传统的基于群体的全局搜索(包括，适应度计算、平滑度计算、交叉操作，变异操作)。
这些步骤产生了一个种群集合P，其中大约有2N个个体。然后，将提出的有偏资源分配策略应用于群体P，包括两个步骤：1)使用我们提出的机制设置优选对象的数量；2)根据个体的表现分配资源。
经过上述步骤，我们获得一个由候选对象及其分配的资源组成的存档D。
接下来，我们根据档案D中的信息激活我们提出的快速自我引导个体开发过程，利用分配给他们的计算资源生成邻居，并将生成的邻居存放进集合K。最后，我们将集合K与集合P相结合，对P中的个体应用精英策略，得到一个新一代的种群。
当满足终止条件时，算法结束。Algorithm 1描述了NSGA-II-BnF的伪码。
A.带偏向的资源分配策略
这一策略的核心概念由两部分组成。
首先，用户可以通过使用偏差因子k调整候选数目来控制计算资源的总消耗，从而直接对算法的效率进行管理。
其次，在确定了配额的大小后，我们提出了一种基于平滑度的轮盘赌，在保持多样性的同时，合理地将配额适当地分配给个人。
Algorithm 2描述了有偏分配策略的伪代码，并在以下两个小节中定义了更多细节：1)配额管理和2)配额分配。
配额管理：提出了一种手动机制，用户可以通过调整优选对象的数量来控制算法的效率，此机制定义为：
imax＝k×N，(k＞0) (1)
其中k是偏差因子，在Algorithm 1初始化时手动设置，N是群体的大小，imax是候选人的数量(即配额)。
很明显，变量k与候选人数量呈正相关：其值越大，更多的计算资源将被转化为解集的质量。为了保证效率，我们建议k∈(0.05，0.5)。算法2描述了平衡策略的伪代码。
配额分配：轮盘赌是一种经典的基于概率的选择方法。它用个体与整个群体的比例来表示个体被选中的概率。我们提出了基于平滑度的轮盘赌，以平滑度为指标来计算个体被选中的概率。
主要步骤如下：
(1)路径越平滑，相邻三点形成的角度越大，角度越大相邻三点之间的距离越大，因此计算路径中所有相邻三点的距离作为适应度函数的第二部分，第i个个体的平滑度计算公式如下
其中，end是个体决策变量的最后一位(即终点)，xic是个体xi的第c位决策变量，xic+2是个体xi的第c+2位决策变量。
(2)对集合T中的个体基于平滑度进行归一化，计算如下：
其中，xi是集合T的第i个个体，P(xi)是个体xi被选中的概率，smooth(xi)是xi的平滑度，t是集合T中的个体数。
(3)计算集合T中每个个体xi的累积概率qi，定义为
(4)在[0，1]中生成一个随机数h。
(5)如果h＜q1，将个体x1放入存档集D；否则，找到使qi-1＜h≤qi成立的xi。将xi放入存档集D。
(6)重复步骤(3)和(4)，直到归档文件D中有imax个个体。
需要说明的是，每一个个体都可以被反复选择。
B.自我引导快速个体开发：
1)基于tanh的扰动算子
在数学中，双曲正切“tanh”是由基本双曲函数导出的。它在一定的域内具有稳定的值区间和可接受的对称性。其方程式如下。
以下描述了生成优选对象xi的邻居的过程。
1)生成一个包含r个随机数的集合L，L＝{l1，...，ls，...，lr}，其值在区间[a，b](a，b∈R)中；
例如，我们设a＝-3，b＝3；2)对于每个ls∈L，通过下面的公式计算vs，得到扰动值V＝{v1，...，vs，...，vr}；
通过式(6)得到的扰动是tanh函数在(a，b)区间上的绝对值，其值域为(0.1)。
2)在得到扰动集合后，我们通过式(7)生成xi∈T的邻居
其中
是xi的第s个邻居，vs是v的第s个元素，mi表示个体xi的维度，Mute()表示变异操作。式(7)表示个体xi的第s个邻居由对个体xi中除了终点起点之外的长度为vs×(mi-2)的连续路径进行变异操作得到的，通过(7)式不难看出，变异的程度由vs的值来控制。
由于tanh函数的特性，扰动强度受[a,b]范围的控制，因为l∈L的值在[a,b]中均匀分布，因此[a,b]的范围越大，扰动强度越大。
实施例二
本实施例提供了基于改进遗传算法的巡检机器人路径规划系统；
基于改进遗传算法的巡检机器人路径规划系统，包括：
栅格地图建立模块，其被配置为：建立巡检机器人行走的栅格地图；
获取模块，其被配置为：获取巡检机器人在栅格地图中行走时的移动方向数据和位置数据；其中，移动方向数据和位置数据通过GPS获取；
路径规划模块，其被配置为：根据巡检机器人的移动方向数据和位置数据，基于改进的遗传算法，得到最优移动路径排序，将排序最靠前的路径作为巡检机器人下一步的移动路径。
此处需要说明的是，上述栅格地图建立模块、获取模块和路径规划模块对应于实施例一中的步骤S101至步骤S103，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (8)
1.基于改进遗传算法的巡检机器人路径规划方法，其特征是，包括：
建立巡检机器人行走的栅格地图；
获取巡检机器人在栅格地图中行走时的移动方向数据和位置数据；其中，移动方向数据和位置数据通过GPS获取；
根据巡检机器人的移动方向数据和位置数据，基于改进的遗传算法，得到最优移动路径排序，将排序最靠前的路径作为巡检机器人下一步的移动路径；具体步骤包括：
S1.设置巡检机器人的初始位置，设置巡检机器人的目标位置，设置巡检机器人可行走的路径数量为初始种群规模，设置最大迭代次数；根据建立的栅格地图对种群进行初始化；所述可行走的路径为不与障碍物栅格碰撞的路径；
S2.通过对初始种群的全局搜索，得到种群集合P；种群集合P是所有可行解的集合，后续操作都是对种群集合P中的个体进行的，通过后续操作不断优化所述可行解；
S3.执行带偏向的资源分配策略；对种群中的个体分配交配的机会，带偏向指的是每个个体分得的交配机会并不是随机或者平均的，通过带偏向的资源分配策略让更优秀的个体得到更多的交配机会；
将有偏资源分配策略应用于群体P，包括两个步骤：1)用户设定优选对象的数量；2)根据个体的表现分配资源；
S4.执行快速个体开发策略：根据分配的交配次数，对个体执行交配操作，也就是执行优化操作，得到的是更优秀的个体的集合；具体步骤包括：
计算扰动值；基于扰动值，计算出需要重新规划的栅格的数量Ω；
基于扰动值生成邻居；随机除去除了起点和终点以外的Ω个连续栅格组成的路径，然后通过路径初始化操作，重新组成这段路径；
将生成的邻居放进集合K；
S5.执行精英策略，以保证最优秀的个体进入到下一代的种群；
S6.生成新一代种群；
S7.判断是否满足迭代终止条件，如果不满足终止条件，则迭代次数加一，返回对初始种群的全局搜索步骤；如果满足则从各个迭代保留结果中，选择最优个体作为巡检机器人的下一步移动路径并输出；
S3中，带偏向的资源分配策略由配额管理和配额分配组成；
S3.1在配额管理中提出了一种手动机制，用户可以通过调整优选对象的数量来控制算法的效率，此机制定义为：
imax＝k×N,(k>0) (1)
其中k是偏差因子，N是群体的大小，imax是候选人的数量即配额；
其中变量k与候选人数量呈正相关：k值越大，更多的计算资源将被转化为解集的质量，为了保证效率，建议k∈(0.05,0.5)；
S3.2在配额分配中提出一种基于平滑度的轮盘赌，以平滑度为指标来计算个体被选中的概率，主要步骤如下：
S3.21路径越平滑，相邻三点形成的角度越大，角度越大相邻三点之间的距离越大，因此计算路径中所有相邻三点的距离作为适应度函数的第二部分，第i个个体的平滑度计算公式如下：
其中，end是个体决策变量的最后一位(即终点)，xic是个体xi的第c位决策变量，xic+2是个体xi的第c+2位决策变量；
S3.22对集合T中的个体基于平滑度进行归一化，计算如下：
其中，xi是集合T的第i个个体，P(xi)是个体xi被选中的概率，smooth(xi)是xi的平滑度，t是集合T中的个体数；
S3.23计算集合T中每个个体xi的累积概率qi，定义为
S3.24在[0,1]中生成一个随机数h；
S3.25如果h＜q1，将个体x1放入存档集D；否则，找到使qi-1<h≤qi成立的xi，将xi放入存档集D，
S3.26重复步骤S3.23和S3.24，直到归档文件D中有imax个个体；
其中，每一个个体都可以被反复选择；
S4中，快速个体开发策略，包括：
基于tanh的扰动算子，方程式如下：
生成优选对象xi的邻居的过程如下：
1)生成一个包含r个随机数的集合L，L＝{l1,…,ls,…,lr}，其值在区间[a，b](a，b∈R)中；
设a＝-3，b＝3；2)对于每个ls∈L，通过公式(6)计算vs，得到扰动值V＝{v1,…,vs,…,vr}；
通过式(6)得到的扰动是tanh函数在(a，b)区间上的绝对值，其值域为(0，1)；
2)在得到扰动集合后，通过式(7)生成xi∈T的邻居
其中
是xi的第s个邻居，vs是v的第s个元素,mi表示个体xi的维度，Mute()表示变异操作；
式(7)表示个体xi的第s个邻居由对个体xi中除了终点起点之外的长度为vs×(mi-2)的连续路径进行变异操作得到的，变异的程度由vs的值来控制；
路径初始的步骤，具体如下：
第一，首先产生一条间断路径；机器人每次行走一个栅格，因此每一行至少有一个栅格在可行路径中，所以初始化时先按顺序在每一行随机取出一个无障碍栅格，形成一条间断的路径，其中为了减短路径长度路径的第一个和最后一个栅格分别为机器人的起始位置和目标位置；
第二，将间断的路径连接为连续路径；首先从第一个栅格开始判断相邻的两个栅格是否为连续栅格，栅格是否连续的判断方法为：
D＝max{abs(xi+1-xi),abs(yi+1-yi)}
若D等于1则说明两个相邻栅格连续，反之不连续；对于不连续的栅格取两个栅格的中点栅格，中点栅格的坐标计算为：
若新栅格为障碍物栅格，则以上下左右顺序取新栅格的相邻栅格，并判断此栅格是否已经在路径中；如果此栅格为无障碍栅格且不在路径中则插入路径中，如果遍历上下左右四个栅格后没有满足条件的栅格则删除这条路径；若新栅格为无障碍物栅格，则插入两个不连续栅格中间；继续判断新插入的栅格和新插入的栅格的前一个栅格是否连续，若不连续则循环以上步骤，直到两个栅格连续；当两个栅格连续后取下一个栅格，循环以上步骤，直到整条路径连续；其中：abs(x)表示数值x的绝对值，int(x)表示对数值x取整。
2.如权利要求1所述的基于改进遗传算法的巡检机器人路径规划方法，其特征是，所述通过对初始种群的全局搜索，得到种群集合P；具体步骤包括：
对每个个体进行路径长度计算，将计算得到的路径长度作为适应度；适应度的使用体现在所有涉及个体选拔的操作中，适应度等同于个体的优秀程度；
计算路径中所有相邻三点的距离作为平滑度；
交叉操作：对于选中的任意两个路径，找出两条路径中所有相同的点，然后随机选择其中的一个点，将之后的路径进行互换操作；路径互换之后产生新的个体，新的个体有着新的路径长度，也就是新的适应度；
变异操作：随机选取路径中除起点和终点以外的任意两个栅格，去除这两个栅格之间的路径，然后以这两个栅格为相邻点，使用初始化路径的方法将这两个点重新进行连续操作；得到一个新的个体。
3.如权利要求1所述的基于改进遗传算法的巡检机器人路径规划方法，其特征是，执行带偏向的资源分配策略；具体步骤包括：
设置候选对象的数量imax；
将集合P中距离最短的所有路径放在集合T中，并对T中的个体实施基于平滑度的轮盘赌，计算候选对象分配的配额，获得一个拥有imax个元素的、由候选对象及其分配的资源组成的存档集合D。
4.如权利要求3所述的基于改进遗传算法的巡检机器人路径规划方法，其特征是，根据优选对象的数量imax，基于平滑度的轮盘赌计算优选对象分配的配额，获得一个由候选对象及其分配的资源组成的存档集合D；具体步骤包括：
将集合P中距离最短的所有路径放在集合T中，对集合T中的个体基于平滑度进行归一化，得到个体被选中的概率；
计算集合T中第i个体xi的累积概率qi；
生成一个0到1之间的随机数h；
如果随机数h小于累积概率qi，则将个体存放到存档集合D；否则，找到使随机数qi-1<h≤qi成立的个体xi，将找到的个体xi存放到存档集合D；
重复上述步骤，直到存档集合D中有imax个个体。
5.如权利要求1所述的基于改进遗传算法的巡检机器人路径规划方法，其特征是，所述执行精英策略，以保证最优秀的个体进入到下一代的种群；具体步骤包括：
将集合K与集合P结合，对集合P中的个体使用精英策略，得到新一代的种群；
所述使用精英策略，是指：将由第i代种群生成的子代个体们和第i代种群合并，然后依据适应度对这两代个体进行优劣排序，取排名靠前的个体作为第i+1代种群。
6.基于改进遗传算法的巡检机器人路径规划系统，其特征是，包括：
栅格地图建立模块，其被配置为：建立巡检机器人行走的栅格地图；
获取模块，其被配置为：获取巡检机器人在栅格地图中行走时的移动方向数据和位置数据；其中，移动方向数据和位置数据通过GPS获取；
路径规划模块，其被配置为：根据巡检机器人的移动方向数据和位置数据，基于改进的遗传算法，得到最优移动路径排序，将排序最靠前的路径作为巡检机器人下一步的移动路径；具体步骤包括：
S1.设置巡检机器人的初始位置，设置巡检机器人的目标位置，设置巡检机器人可行走的路径数量为初始种群规模，设置最大迭代次数；根据建立的栅格地图对种群进行初始化；所述可行走的路径为不与障碍物栅格碰撞的路径；
S2.通过对初始种群的全局搜索，得到种群集合P；种群集合P是所有可行解的集合，后续操作都是对种群集合P中的个体进行的，通过后续操作不断优化所述可行解；
S3.执行带偏向的资源分配策略；对种群中的个体分配交配的机会，带偏向指的是每个个体分得的交配机会并不是随机或者平均的，通过带偏向的资源分配策略让更优秀的个体得到更多的交配机会；
将有偏资源分配策略应用于群体P，包括两个步骤：1)用户设定优选对象的数量；2)根据个体的表现分配资源；
S4.执行快速个体开发策略：根据分配的交配次数，对个体执行交配操作，也就是执行优化操作，得到的是更优秀的个体的集合；具体步骤包括：
计算扰动值；基于扰动值，计算出需要重新规划的栅格的数量Ω；
基于扰动值生成邻居；随机除去除了起点和终点以外的Ω个连续栅格组成的路径，然后通过路径初始化操作，重新组成这段路径；
将生成的邻居放进集合K；
S5.执行精英策略，以保证最优秀的个体进入到下一代的种群；
S6.生成新一代种群；
S7.判断是否满足迭代终止条件，如果不满足终止条件，则迭代次数加一，返回对初始种群的全局搜索步骤；如果满足则从各个迭代保留结果中，选择最优个体作为巡检机器人的下一步移动路径并输出；
S3中，带偏向的资源分配策略由配额管理和配额分配组成；
S3.1在配额管理中提出了一种手动机制，用户可以通过调整优选对象的数量来控制算法的效率，此机制定义为：
imax＝k×N,(k>0) (1)
其中k是偏差因子，N是群体的大小，imax是候选人的数量即配额；
其中变量k与候选人数量呈正相关：k值越大，更多的计算资源将被转化为解集的质量，为了保证效率，建议k∈(0.05,0.5)；
S3.2在配额分配中提出一种基于平滑度的轮盘赌，以平滑度为指标来计算个体被选中的概率，主要步骤如下：
S3.21路径越平滑，相邻三点形成的角度越大，角度越大相邻三点之间的距离越大，因此计算路径中所有相邻三点的距离作为适应度函数的第二部分，第i个个体的平滑度计算公式如下：
其中，end是个体决策变量的最后一位(即终点)，xic是个体xi的第c位决策变量，xic+2是个体xi的第c+2位决策变量；
S3.22对集合T中的个体基于平滑度进行归一化，计算如下：
其中，xi是集合T的第i个个体，P(xi)是个体xi被选中的概率，smooth(xi)是xi的平滑度，t是集合T中的个体数；
S3.23计算集合T中每个个体xi的累积概率qi，定义为
S3.24在[0,1]中生成一个随机数h；
S3.25如果h＜q1，将个体x1放入存档集D；否则，找到使qi-1<h≤qi成立的xi，将xi放入存档集D，
S3.26重复步骤S3.23和S3.24，直到归档文件D中有imax个个体；
其中，每一个个体都可以被反复选择；
S4中，快速个体开发策略，包括：
基于tanh的扰动算子，方程式如下：
生成优选对象xi的邻居的过程如下：
1)生成一个包含r个随机数的集合L，L＝{l1,…,ls,…,lr}，其值在区间[a，b](a，b∈R)中；
设a＝-3，b＝3；2)对于每个ls∈L，通过公式(6)计算vs，得到扰动值V＝{v1,…,vs,…,vr}；
通过式(6)得到的扰动是tanh函数在(a，b)区间上的绝对值，其值域为(0，1)；
2)在得到扰动集合后，通过式(7)生成xi∈T的邻居
其中
是xi的第s个邻居，vs是v的第s个元素,mi表示个体xi的维度，Mute()表示变异操作；
式(7)表示个体xi的第s个邻居由对个体xi中除了终点起点之外的长度为vs×(mi-2)的连续路径进行变异操作得到的，变异的程度由vs的值来控制；
路径初始的步骤，具体如下：
第一，首先产生一条间断路径；机器人每次行走一个栅格，因此每一行至少有一个栅格在可行路径中，所以初始化时先按顺序在每一行随机取出一个无障碍栅格，形成一条间断的路径，其中为了减短路径长度路径的第一个和最后一个栅格分别为机器人的起始位置和目标位置；
第二，将间断的路径连接为连续路径；首先从第一个栅格开始判断相邻的两个栅格是否为连续栅格，栅格是否连续的判断方法为：
D＝max{abs(xi+1-xi),abs(yi+1-yi)}
若D等于1则说明两个相邻栅格连续，反之不连续；对于不连续的栅格取两个栅格的中点栅格，中点栅格的坐标计算为：
若新栅格为障碍物栅格，则以上下左右顺序取新栅格的相邻栅格，并判断此栅格是否已经在路径中；如果此栅格为无障碍栅格且不在路径中则插入路径中，如果遍历上下左右四个栅格后没有满足条件的栅格则删除这条路径；若新栅格为无障碍物栅格，则插入两个不连续栅格中间；继续判断新插入的栅格和新插入的栅格的前一个栅格是否连续，若不连续则循环以上步骤，直到两个栅格连续；当两个栅格连续后取下一个栅格，循环以上步骤，直到整条路径连续；其中：abs(x)表示数值x的绝对值，int(x)表示对数值x取整。
7.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011537251.5A CN112650248B (zh) | 2020-12-23 | 2020-12-23 | 基于改进遗传算法的巡检机器人路径规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011537251.5A CN112650248B (zh) | 2020-12-23 | 2020-12-23 | 基于改进遗传算法的巡检机器人路径规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112650248A CN112650248A (zh) | 2021-04-13 |
| CN112650248B true CN112650248B (zh) | 2023-03-31 |
Family
ID=75359530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011537251.5A Active CN112650248B (zh) | 2020-12-23 | 2020-12-23 | 基于改进遗传算法的巡检机器人路径规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112650248B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113301306A (zh) * | 2021-05-24 | 2021-08-24 | 中国工商银行股份有限公司 | 智能巡检方法及系统 |
| CN113485364B (zh) * | 2021-08-03 | 2024-04-26 | 彭刚 | 一种配送机器人路径规划系统 |
| CN114756026B (zh) * | 2022-04-07 | 2024-04-19 | 青岛沃柏斯智能实验科技有限公司 | 一种实验环境安全检查的巡视控制系统 |
| CN115079704B (zh) * | 2022-08-01 | 2024-02-27 | 中国电信股份有限公司 | 路径规划方法、装置、存储介质及电子设备 |
| CN115357028B (zh) * | 2022-09-23 | 2024-05-10 | 桂林电子科技大学 | 一种排序野马优化算法的移动机器人路径规划方法 |
| CN115451974B (zh) * | 2022-11-09 | 2023-04-07 | 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 |
| CN117592633B (zh) * | 2024-01-18 | 2024-03-26 | 深圳金智凌轩视讯技术有限公司 | 一种智慧巡检优化方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110162041A (zh) * | 2019-05-14 | 2019-08-23 | 江苏师范大学 | 一种基于自适应遗传算法的机器人路径规划方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324982B (zh) * | 2013-06-07 | 2016-03-02 | 银江股份有限公司 | 一种基于遗传算法的路径规划方法 |
| 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 |
| CN111310883A (zh) * | 2020-01-16 | 2020-06-19 | 东北石油大学 | 一种求解高维优化问题的改进粒子群算法 |
| CN111780759B (zh) * | 2020-05-28 | 2023-11-28 | 南京邮电大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
-
2020
- 2020-12-23 CN CN202011537251.5A patent/CN112650248B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110162041A (zh) * | 2019-05-14 | 2019-08-23 | 江苏师范大学 | 一种基于自适应遗传算法的机器人路径规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112650248A (zh) | 2021-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112650248B (zh) | 基于改进遗传算法的巡检机器人路径规划方法及系统 | |
| Fu et al. | Generalize a small pre-trained model to arbitrarily large tsp instances | |
| Luo et al. | A novel hybrid shuffled frog leaping algorithm for vehicle routing problem with time windows | |
| Drezner et al. | New heuristic algorithms for solving the planar p-median problem | |
| Lee et al. | An improved genetic algorithm for facility layout problems having inner structure walls and passages | |
| CN109614495B (zh) | 一种结合知识图谱和文本信息的相关公司挖掘方法 | |
| CN107609694B (zh) | 海上风电集群输电系统结构优化方法及存储介质 | |
| CN106228265B (zh) | 基于改进粒子群优化的总拖期运输计划调度方法 | |
| CN110118566B (zh) | 机器人运行路径生成方法及装置 | |
| CN112013829A (zh) | 基于多目标优化的多uav/ugv协同长时作业路径规划方法 | |
| CN115755954B (zh) | 巡检路径规划方法、系统、计算机设备及存储介质 | |
| CN112101676A (zh) | 一种乘车路径规划方法、装置、计算机设备及存储介质 | |
| CN113708969A (zh) | 一种基于深度强化学习的云数据中心虚拟网络的协同嵌入方法 | |
| CN115860081B (zh) | 一种芯粒算法调度方法、系统、电子设备及存储介质 | |
| Zhao et al. | A decomposition-based many-objective ant colony optimization algorithm with adaptive solution construction and selection approaches | |
| CN115713856A (zh) | 一种基于交通流预测与实际路况的车辆路径规划方法 | |
| CN110222824B (zh) | 智能算法模型自主生成及进化方法、系统、装置 | |
| Liu et al. | Spatio-temporal hierarchical adaptive dispatching for ridesharing systems | |
| CN104318035B (zh) | 针对海量地形大数据点云的总分式三角网多线程并行生成方法 | |
| Zhang et al. | Intelligent scheduling of public traffic vehicles based on a hybrid genetic algorithm | |
| Liu et al. | DAACO: adaptive dynamic quantity of ant ACO algorithm to solve the traveling salesman problem | |
| CN109635912B (zh) | 一种基于双向蚁群与动态规划的管道布设方法及装置 | |
| Peng et al. | An incremental density based spatial clustering of application with noise algorithm based on partition index | |
| Yiu et al. | Hierarchical evolutionary heuristic a* search | |
| Kureichik et al. | Channel routing based on ant colony adaptive behavior model |
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 |