CN113156931B - 给含有离子-人工蜂群算法的移动机器人配置路径的方法 - Google Patents

给含有离子-人工蜂群算法的移动机器人配置路径的方法 Download PDF

Info

Publication number
CN113156931B
CN113156931B CN202011520181.2A CN202011520181A CN113156931B CN 113156931 B CN113156931 B CN 113156931B CN 202011520181 A CN202011520181 A CN 202011520181A CN 113156931 B CN113156931 B CN 113156931B
Authority
CN
China
Prior art keywords
algorithm
bees
mobile robot
ion
bee colony
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
Application number
CN202011520181.2A
Other languages
English (en)
Other versions
CN113156931A (zh
Inventor
魏博
杨茸
舒思豪
李艳生
张毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202011520181.2A priority Critical patent/CN113156931B/zh
Publication of CN113156931A publication Critical patent/CN113156931A/zh
Application granted granted Critical
Publication of CN113156931B publication Critical patent/CN113156931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of 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
    • G05D1/0212—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了给含有离子‑人工蜂群算法的移动机器人配置路径的方法，主要用于解决仓储环境下路径规划问题；针对传统ABC算法存在的不足与缺陷，引入自然界离子间相互作用力来改善蜂群算法搜索阶段，并把搜索阶段分成前、后期来平衡算法的开发和探索能力，在保证不陷入局部最优的前提下，加大搜索步长，并在全局更新阶段加入自适应性花香浓度，根据花香浓度指引变异自适应性更新，提升算法的效率。该算法在不同的标准测试函数下验证极值求解能力并表现出较大的优势，通过求解机器人路径规划问题验证了算法的实际运用效果。

Description

给含有离子-人工蜂群算法的移动机器人配置路径的方法
技术领域
本发明涉及机器人领域的运用，具体涉及给含有离子-人工蜂群算法的移动机器人配置路径的方法。
背景技术
路径规划是轮式移动机器人导航的核心技术之一，是指在具有障碍物环境下给定机器人起始点与目标点后，按照特定的评价标准为机器人提供一条安全、高效的运动路径，其评价标准通常有：最短行程、最短时间、最少能量等，而传统的路径规划方法有人工势场法、图搜索法、栅格解耦法等；近些年由于国内外学者对路径规划方法做了大量的研究，提出众多较优秀的群智能算法：如粒子群算法(Particle Swarm Optimization,PSO)、蚁群算法(Ant Colony Optimization,ACO)、烟花-蚁群融合算法(Fireworks-Ant ColonyAlgorithm,FA-ACA)等，这些方法极大地提高了路径规划性能，但同时也有一定的局限性，比如陷入局部最优、运算时间长、求解复杂等问题。
人工蜂群(Artificial Bee Colony,ABC)算法是Karaboga受蜜蜂觅食启发提出的群体智能进化算法，该算法模拟了蜜蜂采蜜相互协作转换来指引搜索，标准的ABC算法具有收敛速度快、寻优能力强、实现简单等优点，但同时也存在后期收敛速度过快导致局部最优、平衡能力差和精度相对较低等缺点。
发明内容
本发明所要解决的技术问题是机器人在使用人工蜂群算法平衡能力差、精度相对较低，收敛速度慢等缺点，目的在于提供给含有离子-人工蜂群算法的移动机器人配置路径的方法，在路径规划中能更有效的平衡蜂群算法的开发和探索能力。
本发明通过下述技术方案实现：
给含有离子-人工蜂群算法的移动机器人配置路径的方法，包括以下步骤：
S1：给移动机器人的处理系统中配置目标运动地图参数、起始点坐标函数参数和目标点坐标函数参数；
S2：处理系统中的离子-人工蜂群计算模块利用配置目标运动地图参数、起始点坐标函数参数和目标点坐标函数参数，经过处理得到移动机器人的最优解；
S3：移动机机器人的处理系统把最优解视为移动机器人的最短运动路径；
S4：移动机器人按照处理系统得到的最短运动路径去执行运动指令。
进一步，S21：对处理系统预设的离子-人工蜂群算法的相关参数进行初始化操作，得到初始化后的相关参数；
S22：把初始化后的相关参数输入到可行空间后，初始化参数在可行空间内开始得到初始种群，其中，设置迭代次数iter＝0；
S23：对于产生的初始化种群，采用离子运动规律算法产生引领蜂和跟随蜂的新解后并保留最优解；
S24：处理系统程序检测迭代次数iter是否小于N/2，如果iter小于N/2，则进行下一步S25操作，如果iter大于或等于N/2；则返回步骤S23进行反复迭代操作；
S25：在迭代次数iter小于N/2后，引领蜂和跟随蜂开始产生新个体，保留引领蜂和跟随蜂产生新个体后的较优解；
S26：在得到引领蜂和跟随蜂产生新个体后的较优解后，系统检测i位置Limit是否更新，如果没有更新，侦查蜂放弃位置limit，侦查蜂根据自适应花香因子选择个体后更新种群并返回步骤S3；如果i位置Limit已经更新，则进行下一步骤S27；
S27：处理系统判断iter是否大于或等于N；如果iter小于N，返回步骤S24，如果iter大于或等于N，则进行下一步骤S28；
S28：处理系统判断iter已达到的最大迭代次数或目标精度后，输出得到移动机器人的最优解；
S29：移动机机器人的处理系统把最优解视为移动机器人的最短运动路径。
进一步，所述离子-人工蜂群算法的相关参数为目标运动地图参数、起始点坐标函数参数、目标点坐标函数参数种群数量SUM、最大迭代次数N和控制参数Limit。
进一步，所述利用离子运动规律产生新解，引领蜂和跟随蜂按式：
Ai,j＝Ai,j+AFi,j*(Bbestj-Aj)和Bi,j＝Bi,j+BFi,j*(Abestj-Bj)产生新解Ai,j、Bi,j。
进一步，产生的新解Ai,j、Bi,j，按式
Figure GDA0003008368620000021
计算并留较优的解。
进一步，所述引领蜂按式
Figure GDA0003008368620000022
随机产生新解vi,j，并按式
Figure GDA0003008368620000023
保留较优的解。
进一步，所述跟随蜂按照式
Figure GDA0003008368620000024
的反轮盘赌的机制选择个体，按照式
的
Figure GDA0003008368620000031
产生新个体vi,j，按照式
Figure GDA0003008368620000032
保留较优的解。
进一步，含有离子-人工蜂群算法路径规划的机器人在路径规划中能更有效的平衡蜂群算法的开发和探索能力，为了平衡算法的开发能力和探索能力，可以根据周围个体适应度值的优劣调整进化方向，于是引入离子交叉搜索规则，这样有利于提高种群总体的进化速度和效果。
进一步，所述移动机器人内置目标运动地图参数、起始点坐标函数参数、目标点坐标函数参数、种群数量SUM、最大迭代次数N和控制参数Limit；所述机器人配有目标运动地图参数、起始点坐标函数参数、目标点坐标函数参数、种群数量SUM、最大迭代次数N和控制参数Limit的窗口，所述移动机器人配置有离子-人工蜂群计算模块和系统处理模块。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明一种给含有离子-人工蜂群算法的移动机器人配置路径的方法，该方法在路径规划中能更有效的平衡蜂群算法的开发和探索能力，为了平衡算法的开发能力和探索能力，可以根据周围个体适应度值的优劣调整进化方向，于是引入离子交叉搜索规则，这样有利于提高种群总体的进化速度和效果，同时考虑到跟随蜂依据轮盘赌选择策略来更新种群是一种相对贪婪的方式，在算法的整个过程中会快速的降低种群多样性，容易导致过早收敛和局部最优，为了保证收敛速度的前提下，避免局部最优，需要引入一个自适应因子进行调节。该与传统蜂群和其他群智能算法相比，该改进算法在能避免局部最优的前提下，极大的提升算法的收敛速度与精度。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明IM-ABC算法流程图。
图2为本发明ABC算法机器人示意图。
图3为本发明IM-ABC算法机器人示意图。
图4为本发明ABC算法机器人MATLAB示意图。
图5为本发明IM-ABC算法机器人MATLAB示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中，需要理解的是，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
实施例
如图1所示，本发明给含有离子-人工蜂群算法的移动机器人配置路径的方法，为避免传统的人工蜂群算法平衡能力差、易陷入局部最优等缺点，该算法在搜索阶段的前后期采用不同策略。在算法前期提出离子交叉搜索规则，提升种群开发能力；后期采用反轮盘赌，扩大种群多样性，避免陷入局部最优；全局更新阶段提出自适应花香浓度规则，改善抽样方式，引导种群更新的方向。与其他群智能算法相比，该算法在路径规划中能更有效地平衡算法的开发和探索能力，在能避免局部最优的前提下，极大地提升算法的收敛速度与精度。
ABC算法是模拟蜜蜂采蜜过程所提出的，其中蜂群主要分为三类：领蜂、跟随蜂和侦察蜂[15]。三种蜜蜂在采蜜过程中进行协作和信息共享，跟随蜂得到引领蜂信息后进行评价，根据优劣选择合适的花源进行采蜜，侦察蜂在蜜源枯竭时更新较差蜜源，每一个蜜源代表路径规划的一条可行解。ABC算法寻优步骤如下：
1)初始化阶段。首先设定蜂群数量SUM、最大迭代次数N和控制参数Limit，在S维空间随机生成M个初始位置Xi＝(xi1，xi2，...，xiS)，Xi按式(1)进行生成：
xi，j＝Wi，j+rand(0，1)(Ui，j-wi，j) (1)
其中：Wi,j和Ui,j分别为S维空间取值的上下界，i＝1,2,…,M，j＝1,2,…,S；M代表解的个数，一般取值为SUM/2。
2)搜索阶段。种群中适应度值较小的一半为引领蜂，另一半为跟随蜂，跟随蜂随机选择个体
Figure GDA0003008368620000056
逐维进行搜索产生新个体V，如式(3)。
Figure GDA0003008368620000057
Figure GDA0003008368620000051
式中：
Figure GDA0003008368620000052
为[1,-1]之间的随机数。
跟随蜂按照轮盘赌在引领蜂群中选择概率pi较大的个体，然后在[0,1]内产生一个随机数，如果pi大于产生的随机数，则按照式(4)选择位置J：
Figure GDA0003008368620000053
Figure GDA0003008368620000054
式(4)中fit为蜜源适应度值，按式(5)进行更新。引领蜂和跟随蜂产生新解后按照式(6)进行贪婪选择并保留新解。
Figure GDA0003008368620000055
3)全局更新阶段。经过引领蜂和跟随蜂种群的搜索完成后，为了避免种群多样性丧失，若i位置连续Limit代不变，那么就根据式(1)随机生成一个替代解，接下来返回雇佣蜂和跟随蜂搜索过程，重复地循环直至找到最优解。
在标准的ABC算法中，引领蜂搜索实际可以理解成自身向其他个体学习的过程，在算法中引领蜂的更新是在自身位置周围随机选择个体进行交叉更新，这样选择的个体优秀和较差的几率对等，虽然这种在一定程度上扩大了种群多样性，但大大地降低了算法的收敛速度，也就是说这种方式探索能力强却开发能力差[16]。为了平衡算法的开发能力和探索能力，可以根据周围个体适应度值的优劣调整进化方向，这样有利于提高种群总体的进化速度和效果。
考虑到跟随蜂依据轮盘赌选择策略来更新种群是一种相对贪婪的方式，在算法的整个过程中会快速地降低种群多样性，容易导致过早收敛和局部最优，为了在保证收敛速度的前提下，避免局部最优，需要引入一个自适应因子进行调节。为了使算法得到更好的效果，把算法搜索阶段可分为前后两期。
在自然界中，具有相似电荷的离子往往会排斥，而具有相反电荷的离子相互吸引。吸引力和排斥力与阴离子和阳离子之间的关系如图1所示，实线箭头代表引力，虚线箭头代表离子在吸引力/排斥力作用下阴离子向最好的阳离子靠拢，而阳离子向最好的阴离子移动。
为了平衡算法的开发和探索能力，把算法搜索阶段分为前后两期，并引入离子交叉搜索规则：
1)搜索阶段前期，在ABC算法引入离子运动交叉搜索方程，假设引领蜂为阳离子，跟随蜂为阴离子，蜜蜂之间传递的信息比作离子间引力，则引领蜂和跟随蜂交叉更新如式(7)、(8)所示。引领蜂和跟随蜂选择适应度值最优的个体交叉学习，并引入引力因子AFi,j、BFi,j自适应调节增大搜索步长，这种方法可以自适应加快算法进化速度、促进种群快速收敛。
Ai,j＝Ai,j+AFi,j*(Bbestj-Aj) (7)
Bi,j＝Bi,j+BFi,j*(Abestj-Bj) (8)
Figure GDA0003008368620000061
Figure GDA0003008368620000062
式中：Ai,j、Bi,j分别是引领蜂和跟随蜂产生的新生个体；Abestj、Bbestj代表种群中最优引领蜂与跟随蜂。
2)搜索阶段后期，种群个体大都处于较优状态，优秀的个体的进化信息不再起主导作用，这时需要平衡前期的开发能力，增大蜂群的局部探索能力，使蜂群能够在自身领域附近进行精细化搜索，不需要如前期那样较大的搜索步长，避免因搜索步长较大导致局部最优，降低寻找到全局最优解的概率。
在后期中引领蜂按照式(3)进行搜索，产生的新解按照式(6)进行选择替换。跟随蜂则引入反向轮盘赌选择机制如式(11)，适应度值倒数较大的个体被选中的可能性变大，能有效的跳出局部最优。
Figure GDA0003008368620000063
在全局更新阶段，由于侦察蜂位置更新方式随机性较大，属于放回型采样，会对较差的蜜源做多次无用更新计算，和实际意义不贴切，可以加入自适应花香浓度信息策略，根据加入自适应因子的花香浓度的进行更新，自适应因子可以调节每次循环中的花香浓度，当侦察蜂发现某个方向蜜源较差，就不会第二次更新该方向，侦察蜂根据式(12)计算位置更新概率。
Figure GDA0003008368620000071
Figure GDA0003008368620000072
式中：KTi为每维度的花香浓度，
Figure GDA0003008368620000073
是自适应参数，Max_Cycle是算法的最大迭代次数，初始时浓度都相等，当排除后的维度KTi设为零，这样就避免了同一个方向二次更新，同时自适应的为侦察蜂更新提供方向性，一定程度上加速了算法收敛，且不会导致局部最优。
IM-ABC算法流程如下：
Step 1设置初始化相关参数，主要有种群数量SUM，最大迭代次数N，控制参数Limit。
Step 2在可行空间内产生初始种群，并设置迭代次数iter＝0。
Step 3利用离子运动规律产生新解，引领蜂和跟随蜂按式(7)、(8)产生新解Ai,j、Bi,j。
Step 4产生的新解Ai,j、Bi,j，按式(6)保留较优的解。
Step 5跳转回step2和step3进行反复迭代，若迭代次数iter<N/2,则跳转到step6。
Step 6引领蜂按式(3)随机产生新解vi,j，并按式(6)保留较优的解。
Step 7跟随蜂按照式(11)的反轮盘赌的机制选择个体，并按式(3)产生新个体vi,j，并按式(6)保留较优的解。
Step 8跳转回step2和step3进行反复迭代，若位置i连续Limit未更新，则放弃该位置，侦察蜂根据式(12)的花香因子选择个体，并更新种群。
Step 9判断是否达到最大迭代次数或目标精度，若满足，则输出最优解，否则跳转至step5。
为了验证IM-ABC算法的有效性，本文选择研究人员普遍使用的四个标准测试函数：Sphere函数、Rosenbrock函数、Rastrigin函数、Griwank函数，对传统的ABC算法和目前性能较为优秀的快速搜索人工蜂群(Fast Search Artificial Bee Colony，FSABC)算法、局部路径人工蜂群算法(Local Route Artificial Bee Colony，LRABC)算法进行测试比较，FSABC算法采用局部搜索算子在求解精度上有显著提升[17]，LRABC算法在收敛速度上有较大提升[18]，但两个算法在开发能力上仍具有一定的缺陷。
在实验中对四种算法的参数进行设置，算法中总群数量SUM设为100，引领蜂和跟随蜂的数量分别设为50，Limit值设置为750，测试函数的维度均为30，且最大迭代次数N设置为2000，通过对实验数据的最优值、最差值、平均值和方差来衡量算法性能。测试函数信息见表1，测试结果数据见表2，实验结果显示本文所提的IM-ABC算法的精度要优于传统的ABC算法和其余两个ABC改进算法，具有良好的搜索能力。
表1标准测试函数
Figure GDA0003008368620000081
表2算法仿真比较结果
Figure GDA0003008368620000082
运用于求解机器人路径规划问题，为了验证算法的实际应用效果，通过建立栅格模型来模拟现实中复杂多变的仓储环境。如图2所示，以20m×20m的栅格环境为例，在栅格地图中，工作环境被划分成两种栅格，黑色栅格表示障碍物，白色栅格表示无障碍物，在系统仿真程序中分别用1和0表示，栅格图的尺寸和大小可根据实际环境进行调整。
实验利用Matlab 2016a软件进行仿真，通过测试ABC算法、IM-ABC算法在栅格地图上寻找由起始点A到目标点B中心连线的最短路径来模拟实际坏境中的最短路径。在20m×20m大小的栅格地图环境中，将蜂群规模SUM设置为100，最大迭代次数N为200，Limit值设置为10。
该离子人工蜂群算法运用在机器人路径规划中，有效的提升了机器人的寻优性能和收敛速度，如图2和图3。
如图3和图4，在运用到机器人中该算法仿真迭代次数降低了58.3％，寻优性能上提升了12.6％，表现出较高的规划效率。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.给含有离子-人工蜂群算法的移动机器人配置路径的方法，其特征在于，包括以下步骤：
S1：给移动机器人的处理系统中配置目标运动地图参数、起始点坐标函数参数和目标点坐标函数参数；
S2：处理系统中的离子-人工蜂群计算模块利用配置目标运动地图参数、起始点坐标函数参数和目标点坐标函数参数，经过处理得到移动机器人的最优解；
所述离子-人工蜂群计算模块得到移动机器人的最优解的具体方法为：
S21：对处理系统预设的离子-人工蜂群算法的相关参数进行初始化操作，得到初始化后的相关参数；
S22：把初始化后的相关参数输入到可行空间后，初始化参数在可行空间内开始得到初始种群，其中，设置迭代次数iter＝0；
S23：对于产生的初始化种群，采用离子运动规律算法产生引领蜂和跟随蜂的新解后并保留最优解；
所述利用离子运动规律产生新解，引领蜂和跟随蜂按式：
Ai,j＝Ai,j+AFi,j*(Bbestj-Aj)和Bi,j＝Bi,j+BFi,j*(Abestj-Bj)产生新解Ai,j、Bi,j；其中，AFi,j、BFi,j表示引力因子，Ai,j、Bi,j分别代表引领蜂和跟随蜂产生的新生个体；Abestj、Bbestj代表种群中最优引领蜂与跟随蜂；
S24：处理系统程序检测迭代次数iter是否小于N/2，如果iter小于N/2，则进行下一步S25操作，如果iter大于或等于N/2；则返回步骤S23进行反复迭代操作；
S25：在迭代次数iter小于N/2后，引领蜂和跟随蜂开始产生新个体，保留引领蜂和跟随蜂产生新个体后的较优解；
S26：在得到引领蜂和跟随蜂产生新个体后的较优解后，系统检测i位置Limit是否更新，如果没有更新，侦查蜂放弃位置limit，侦查蜂根据自适应花香因子选择个体后更新种群并返回步骤S23；如果i位置Limit已经更新，则进行下一步骤S27；
侦查蜂根据自适应花香因子选择个体后更新种群的过程为：
侦察蜂根据下式计算位置更新概率PTi：
Figure FDA0003562277660000011
Figure FDA0003562277660000012
其中，KTi表示每维度的花香浓度，
Figure FDA0003562277660000021
表示自适应参数，Max_Cycle表示算法的最大迭代次数；
S27：处理系统判断iter是否大于或等于N；如果iter小于N，返回步骤S24，如果iter大于或等于N，则进行下一步骤S28；
S28：处理系统判断iter已达到的最大迭代次数或目标精度后，输出得到移动机器人的最优解；
S3：移动机机器人的处理系统把最优解视为移动机器人的最短运动路径；
S4：移动机器人按照处理系统得到的最短运动路径去执行运动指令。
2.根据权利要求1所述的给含有离子-人工蜂群算法的移动机器人配置路径的方法，其特征在于，所述离子-人工蜂群算法的相关参数为目标运动地图参数、起始点坐标函数参数、目标点坐标函数参数种群数量SUM、最大迭代次数N和控制参数Limit。
3.根据权利要求1所述的给含有离子-人工蜂群算法的移动机器人配置路径的方法，其特征在于，产生的新解Ai,j、Bi,j，按式
Figure FDA0003562277660000022
计算并留较优的解。
4.根据权利要求1所述的给含有离子-人工蜂群算法的移动机器人配置路径的方法，其特征在于，所述引领蜂按式
Figure FDA0003562277660000023
随机产生新解vi,j，并按式
Figure FDA0003562277660000024
保留较优的解。
5.根据权利要求1所述的给含有离子-人工蜂群算法的移动机器人配置路径的方法，其特征在于，所述跟随蜂按照式
Figure FDA0003562277660000025
的反轮盘赌的机制选择个体，按照式
Figure FDA0003562277660000026
产生新个体vi,j，按照式
Figure FDA0003562277660000031
保留较优的解。
6.根据权利要求1所述的给含有离子-人工蜂群算法的移动机器人配置路径的方法，其特征在于，所述移动机器人内置目标运动地图参数、起始点坐标函数参数、目标点坐标函数参数、种群数量SUM、最大迭代次数N和控制参数Limit；所述机器人配有目标运动地图参数、起始点坐标函数参数、目标点坐标函数参数、种群数量SUM、最大迭代次数N和控制参数Limit的窗口，所述移动机器人配置有离子-人工蜂群计算模块和系统处理模块。
CN202011520181.2A 2020-12-21 2020-12-21 给含有离子-人工蜂群算法的移动机器人配置路径的方法 Active CN113156931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011520181.2A CN113156931B (zh) 2020-12-21 2020-12-21 给含有离子-人工蜂群算法的移动机器人配置路径的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011520181.2A CN113156931B (zh) 2020-12-21 2020-12-21 给含有离子-人工蜂群算法的移动机器人配置路径的方法

Publications (2)

Publication Number Publication Date
CN113156931A CN113156931A (zh) 2021-07-23
CN113156931B true CN113156931B (zh) 2022-09-09

Family

ID=76882644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011520181.2A Active CN113156931B (zh) 2020-12-21 2020-12-21 给含有离子-人工蜂群算法的移动机器人配置路径的方法

Country Status (1)

Country Link
CN (1) CN113156931B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202023103072U1 (de) 2023-06-05 2023-06-20 Fuad Alhosban Ein optimiertes Pfadbewertungssystem zur Auswahl einer Nahrungsquelle basierend auf der mittleren künstlichen Bienenkolonie

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834809A (zh) * 2015-04-17 2015-08-12 中国石油大学(华东) 基于人工蜂群搜索的七自由度机械臂逆向运动学求解方法
CN107145934A (zh) * 2017-05-09 2017-09-08 华侨大学 一种基于增强局部搜索能力的人工蜂群优化方法
CN108491598A (zh) * 2018-03-09 2018-09-04 山东师范大学 一种基于路径规划的人群疏散仿真方法及系统
CN109118008A (zh) * 2018-08-23 2019-01-01 厦门北卡信息科技有限公司 一种混沌人工蜂群最优数据获取方法、路径规划方法及资源调度方法
CN112036539A (zh) * 2020-08-28 2020-12-04 广西民族大学 一种提高局部搜索能力的混合爆炸式人工蜂群方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9053426B2 (en) * 2013-01-30 2015-06-09 Harris Corporation Distributed multi-layer particle swarm optimization based cognitive network
CN108875896A (zh) * 2018-06-08 2018-11-23 福州大学 一种全局最优引导的自扰动混沌人工蜂群算法
CN110569957A (zh) * 2019-09-03 2019-12-13 华侨大学 一种基于人工蜂群算法的优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834809A (zh) * 2015-04-17 2015-08-12 中国石油大学(华东) 基于人工蜂群搜索的七自由度机械臂逆向运动学求解方法
CN107145934A (zh) * 2017-05-09 2017-09-08 华侨大学 一种基于增强局部搜索能力的人工蜂群优化方法
CN108491598A (zh) * 2018-03-09 2018-09-04 山东师范大学 一种基于路径规划的人群疏散仿真方法及系统
CN109118008A (zh) * 2018-08-23 2019-01-01 厦门北卡信息科技有限公司 一种混沌人工蜂群最优数据获取方法、路径规划方法及资源调度方法
CN112036539A (zh) * 2020-08-28 2020-12-04 广西民族大学 一种提高局部搜索能力的混合爆炸式人工蜂群方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
An improved hybrid group intelligent algorithm based on artificial bee colony and particle swarm optimization;Gao yuxi;《2018 international conference on virtual reality and intelligent systems（ICVRIS）》;20181112;全文 *
Research on warehouse allocation problem based on the artificial bee colony inspired particle swarm optimization(ABC-PSO) algorithm;Hu wenxin，等;《2012 Fifth international symposium on computation intelligence and design》;20130111;全文 *
增强开发能力的改进人工蜂群算法;张志强，等;《计算机应用》;20190430;第39卷(第4期);全文 *

Also Published As

Publication number Publication date
CN113156931A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN108764450A (zh) 一种基于广义粒子群算法的参数优化及估计方法
CN107092255A (zh) 一种基于改进遗传算法的多移动机器人路径规划方法
CN102778229A (zh) 未知环境下基于改进蚁群算法的移动Agent路径规划方法
CN112666957A (zh) 一种基于改进蚁群算法的水下机器人路径规划方法
CN113156931B (zh) 给含有离子-人工蜂群算法的移动机器人配置路径的方法
CN113703450B (zh) 基于平滑因素改进蚁群算法的移动机器人路径规划方法
CN107179077A (zh) 一种基于elm‑lrf的自适应视觉导航方法
CN108062585A (zh) 一种基于飞蛾扑火算法计算函数最值的方法
CN114995460A (zh) 一种基于自适应改进蚁群算法的机器人路径规划方法
CN114326735A (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
Panda et al. Reduction of linear time-invariant systems using Routh-approximation and PSO
Panda et al. Model reduction of linear systems by conventional and evolutionary techniques
Gu et al. Robot path planning of improved adaptive Ant Colony System Algorithm based on Dijkstra
CN106503850A (zh) 一种用于风电功率预测的svm预测模型
CN110362116A (zh) 基于改进蚁群算法的变压器微型仿生鱼全局路径规划方法
CN116362286A (zh) 一种基于Cubic映射和纵横交叉的花授粉算法
Wang et al. An improved NSGA-II algorithm for UAV path planning problems
CN114089699B (zh) 一种基于细胞型膜计算模型求解混合流水车间调度的方法
CN114221350B (zh) 基于bas-iga算法的分布式光伏集群划分方法和系统
CN108921354A (zh) 一种基于粒子群优化的蚁群算法求解tsp问题的方法
CN113419532A (zh) 一种基于均匀设计的路径规划蚁群算法参数选取方法
CN115097814A (zh) 基于改进pso算法的移动机器人路径规划方法、系统及应用
CN107330302A (zh) 联合Memetic算法和S系统的生物模体重构方法
Jin et al. WOA-AGA algorithm design for robot path planning
CN113326135A (zh) 一种多目标下的云资源调度方法

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
GR01 Patent grant
GR01 Patent grant