CN113219996B - 文化综合体装备的多路径规划方法 - Google Patents

Abstract

本公开的实施例提供一种文化综合体装备的多路径规划方法，该方法包括：根据文化综合体装备的规划任务建立新坐标系；在新坐标系中随机生成多条路径，其中，每个雇佣蜂对应一条路径，多个雇佣蜂组成一个种群；基于多种群蜂群算法更新每个雇佣蜂的路径；基于精英制多种群路径规划算法替换每个种群内至少一个雇佣蜂的路径；经过预定次数的更新和替换后每个种群输出至少一条最优路径。本公开的实施例还提供一种电子设备和一种计算机可读存储介质。

Description

文化综合体装备的多路径规划方法

技术领域

本公开涉及计算机技术领域，尤其涉及文化综合体装备的智能路径规划方法，具体涉及一种文化综合体装备的多路径规划方法。

背景技术

国内现有的多功能演出厅是以改变舞台和观众厅的空间位置关系为主的多功能剧场，又或是以移动舞台车、集装箱舞台作为集约化载体，构筑多功能剧场。但这类多功能演出设备可以实现的文化服务类型相对单一，并且对于一些场景舞台道具的装台，功能设备的转换方面仍采用人力方式，无法快速、高效地完成多个文化应用场景的转换。

针对上述问题，发明人发现：采用无人车辅助搬运的方式，可以提高文化综合体多功能演出装备的切换效率，加快各应用场景的转换与搭建速度。然而，多功能综合体示范区大多位于我国东西部的乡镇及农村基层环境中，无人车的具体使用场景呈现出不确定性、复杂性等特点。

发明内容

有鉴于此，本公开要解决的技术问题在于提供一种文化综合体装备的多路径规划方法，解决了相关技术中无法快速、高效地完成多个文化应用场景转换的问题。

为了解决上述技术问题，本公开的具体实施方式提供一种文化综合体装备的多路径规划方法，包括：根据文化综合体装备的规划任务建立新坐标系；在新坐标系中随机生成多条路径，其中，每个雇佣蜂对应一条路径，多个雇佣蜂组成一个种群；基于多种群蜂群算法更新每个雇佣蜂的路径；基于精英制多种群路径规划算法替换每个种群内至少一个雇佣蜂的路径；经过预定次数的更新和替换后每个种群输出至少一条最优路径。

本公开实施例的另一方面提供了一种电子设备，包括一个或多个处理器以及存储装置，其中，上述存储装置用于存储可执行指令，上述可执行指令在被上述处理器执行时，实现本公开实施例的方法。

本公开实施例的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，上述指令在被处理器执行时用于实现本公开实施例的方法。

本公开的另一方面提供了一种计算机程序，上述计算机程序包括计算机可执行指令，上述指令在被执行时用于实现本公开实施例的方法。

根据本公开的上述实施例，基于多种群协同人工蜂群算法进行多路径规划，可以至少部分地解决相关技术中无法快速、高效地完成多个文化应用场景转换的问题，并因此可以实现提升多个文化应用场景转换效率的技术效果。

应了解的是，上述一般描述及以下具体实施方式仅为示例性及阐释性的，其并不能限制本公开所欲主张的范围。

附图说明

下面的所附附图是本公开的说明书的一部分，其绘示了本公开的示例实施例，所附附图与说明书的描述一起用来说明本公开的原理。

图1为本公开具体实施方式提供的为多路径规划建立新坐标系的示意图。

图2为本公开具体实施方式提供的一种文化综合体装备的多路径规划方法的流程示意图。

图3为本公开具体实施方式提供的一种根据文化综合体装备的规划任务建立新坐标系的流程示意图。

图4为本公开具体实施方式提供的在新坐标系中随机生成多条路径的示意图。

图5为本公开具体实施方式提供的一种在新坐标系中随机生成多条路径的流程示意图。

图6为本公开具体实施方式提供的一种基于多种群蜂群算法更新每个雇佣蜂的路径的流程示意图。

图7为本公开具体实施方式提供的一种基于精英制多种群路径规划算法替换每个种群内至少一个雇佣蜂的路径的流程示意图。

图8为本公开具体实施方式提供的每个种群输出一条最优路径的示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚明白，下面将以附图及详细叙述清楚说明本公开所揭示内容的精神，任何所属技术领域技术人员在了解本公开内容的实施例后，当可由本公开内容所教示的技术，加以改变及修饰，其并不脱离本公开内容的精神与范围。

本公开的示意性实施例及其说明用于解释本公开，但并不作为对本公开的限定。另外，在附图及实施方式中所使用相同或类似标号的元件/构件是用来代表相同或类似部分。

关于本文中所使用的“第一”、“第二”、…等，并非特别指称次序或顺位的意思，也非用以限定本公开，其仅为了区别以相同技术用语描述的元件或操作。

关于本文中所使用的方向用语，例如：上、下、左、右、前或后等，仅是参考附图的方向。因此，使用的方向用语是用来说明并非用来限制本创作。

关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。

关于本文中所使用的“及/或”，包括事物的任一或全部组合。

关于本文中的“多个”包括“两个”及“两个以上”；关于本文中的“多组”包括“两组”及“两组以上”。

关于本文中所使用的用语“大致”、“约”等，用以修饰任何可以微变化的数量或误差，但这些微变化或误差并不会改变其本质。一般而言，此类用语所修饰的微变化或误差的范围在部分实施例中可为20％，在部分实施例中可为10％，在部分实施例中可为5％或是其他数值。本领域技术人员应当了解，前述提及的数值可依实际需求而调整，并不以此为限。

本公开的实施例提供了一种文化综合体装备的多路径规划方法。多功能文化综合体装备是针对在我国乡镇基层文化设施建设中，存在的文化服务资源浪费，文化占地过多及服务效率低，缺乏相关专业工作人员等一系列问题，所提出的集成式解决方案。然而，多功能综合体示范区大多位于我国东西部的乡镇及农村基层环境中，无人车的具体使用场景呈现出不确定性、复杂性等特点。相关技术中，一般对地图的已知信息进行构建，需要提前获取环境信息来指导无人车运动。比如人工势场法、图搜索算法，如A*(A Star算法)，Dijkstra(迪杰斯特拉算法)等；随机采用PRM(概率路图，Probabilistic Road Map)，RRT(Rapidly-exploring Random Tree)算法等。这类算法复杂度较高，规划效率通常较低，并且规划精度较低，无法保证路径最优。

图1为本公开具体实施方式提供的为多路径规划建立新坐标系的示意图。图2为本公开具体实施方式提供的一种文化综合体装备的多路径规划方法的流程示意图。

本公开的实施例中，如图1、图所示，一种文化综合体装备的多路径规划方法可以包括以下操作S201～S205。

在操作S201，根据文化综合体装备的规划任务建立新坐标系。

在本公开的实施例中，确定规划任务的起点和终点，以起点为新二维坐标系的原点O’，以起点和终点的所在的直线作为新坐标系的X’轴，建立新的二维坐标系X’O’Y’，新的二维坐标系X’O’Y’与原二维坐标系XOY之间的坐标转换关系可以轻松确定，如图1所示。

然后，在操作S202，在新坐标系中随机生成多条路径，其中，每个雇佣蜂对应一条路径，多个雇佣蜂组成一个种群。

在本公开的实施例中，每条路径由多段路径构成，将相邻中间点连接起来形成路径段，或者将起点与相邻中间点连接起来形成路径段，或者将终点与相邻中间点连接起来形成路径段。每个雇佣蜂对应一条从起点到终点的完整路径，多个雇佣蜂组成一个种群，每个种群的雇佣蜂数量可以相等。例如，有3个种群，每个种群有50个雇佣蜂，一个雇佣蜂对应一条从起点到终点的完整路径，那么总共生成150条从起点到终点的完整路径。

接下来，在操作S203，基于多种群蜂群算法更新每个雇佣蜂的路径。

在本公开的实施例中，首先，利用目标函数计算每个雇佣蜂对应路径的目标函数值。其次，针对每个种群，根据计算出来的目标函数值选取多个路径作为该种群的蜜源路径。例如，每个种群中有50个雇佣蜂，对50个雇佣蜂对应路径的目标函数值进行排序，取最大的10个目标函数值对应的路径作为该种群的蜜源路径。再次，利用位置更新函数计算每个雇佣蜂的更新路径。然后，利用目标函数计算每个雇佣蜂更新路径的目标函数值。接下来，比较更新路径的目标函数值是否比雇佣蜂当前对应路径的目标函数值大，如果更新路径的目标函数值比雇佣蜂当前对应路径的目标函数值大，那么利用更新路径替换雇佣蜂当前对应的路径，即该雇佣蜂自我进行了路径更新。其中，雇佣蜂更新路径后，还会记录原来的路径，作为记忆路径。然后，针对每个种群，随机选取一个蜜源路径作为观察蜂路径，利用目标函数计算观察蜂路径的目标函数值。接下来，分别比较每个雇佣蜂当前对应路径的目标函数值是否比观察蜂路径的目标函数值大，如果雇佣蜂当前对应路径的目标函数值比观察蜂路径的目标函数值大，那么利用雇佣蜂当前对应的路径替换观察蜂路径，即观察蜂路径进行了更新。

再接下来，在操作S204，基于精英制多种群路径规划算法替换每个种群内至少一个雇佣蜂的路径。

在本公开的实施例中，对于每个种群来说，根据雇佣蜂记忆路径的目标函数值选取多个最佳路径。例如，假如每个种群有50只雇佣蜂，将种群内每个雇佣蜂记忆路径的目标函数值从大到小进行排序，选取10个最大的目标函数值对应的路径作为最佳路径，最佳路径对应的雇佣蜂为种群的精英雇佣蜂群。其次，利用交叉函数分别计算每个最佳路径与其余种群的最佳路径之间的交叉函数适应度。假如共有3个种群，每个种群均选取了10条最佳路径，分别计算每个最佳路径与其余种群的最佳路径之间的交叉函数适应度，那么可以得到30个交叉函数适应度，其中，对于每个种群来说，可以得到10个交叉函数适应度。再次，对于每个种群，将得到的交叉函数适应度从大到小进行排序，选取最大的至少一个交叉函数适应度，将选取的至少一个交叉函数适应度对应的至少一个雇佣蜂，作为至少一个第一精英雇佣蜂。例如，可以选取3个最大的交叉函数适应度，将选取的3个交叉函数适应度对应的3个雇佣蜂作为第一精英雇佣蜂。然后，对于每个种群，将精英雇佣蜂群内雇佣蜂对应的目标函数值从大到小进行排序，选取目标函数值最小的至少一个最佳路径对应的至少一个雇佣蜂，作为至少一个第二精英雇佣蜂。例如，可以选取目标函数值最小的3个最佳路径对应的3个雇佣蜂，作为第二精英雇佣蜂。然后，将一个种群中的第一精英雇佣蜂和第二精英雇佣蜂组成该种群的混合精英雇佣蜂群。例如，可以将3个第一精英雇佣蜂和3个第二精英雇佣蜂组成该种群的混合精英雇佣蜂群。接下来，利用交叉函数将混合精英雇佣蜂群中的雇佣蜂对应的最佳路径两两求解交叉函数适应度，将至少一个第二精英雇佣蜂中具有最大交叉函数适应度的雇佣蜂作为第三精英雇佣蜂。例如，可以将3个第二精英雇佣蜂对应的交叉函数适应度按照从大到小的顺序排列，将最大交叉函数适应度对应的第二精英雇佣蜂作为第三精英雇佣蜂。然后，利用第一精英雇佣蜂中具有最大交叉函数适应度的雇佣蜂对应的最佳路径和第三精英雇佣蜂对应的最佳路径替换当前种群中目标函数值最小的两个雇佣蜂的路径。例如，将种群内每个雇佣蜂当前路径的目标函数值从大到小进行排序，利用第一精英雇佣蜂中具有最大交叉函数适应度的雇佣蜂对应的最佳路径和第三精英雇佣蜂对应的最佳路径替换种群中目标函数值最小的两个雇佣蜂的路径。

然后，在操作S205，经过预定次数的更新和替换后每个种群输出至少一条最优路径。

在本公开的实施例中，每个种群中两个目标函数值最小的两个雇佣蜂的路径被替换掉后，可以返回到操作S203中，再次更新每个雇佣蜂的路径。然后替换每个种群内至少一个雇佣蜂的路径。经过预定次数的迭代后，每个种群可以至少输出一条最优路径。例如，经过70次迭代后，每个种群可以输出一条最优路径。

在本公开的实施例中，更新每个雇佣蜂的路径，让每个雇佣蜂的路径朝着更优路径进化，雇佣蜂的路径进化过程中会受种群内观察蜂路径及该雇佣蜂记忆最佳路径的影响。即让每个雇佣蜂的路径朝着完成目标任务的方向进化，考虑的参数包括路径长度、路径平滑度等。将雇佣蜂分成多个种群，各自进化，避免路径冲突以及局部过早收敛。替换每个种群内雇佣蜂的较差路径，即在迭代中逐渐淘汰不可行的路径。同时，不同种群之间利用交叉函数进行交叉判断，增加路径的多样性，从而增加找到最优路径的概率。并且，替换每个种群内雇佣蜂的较差路径时，考虑了最差路径中包含的有用信息，即吸收了最差路径中的有用路径信息，进一步提高了路径规划精度，进一步提高找到最优路径的概率。

下面参考图3～图7，结合具体实施例对图2所示的方法做进一步说明。

图3为本公开具体实施方式提供的一种根据文化综合体装备的规划任务建立新坐标系的流程示意图。

本公开的可选实施例中，如图3所示，操作S201根据文化综合体装备的规划任务建立新坐标系，例如可以包括以下操作S2011～S2013。

在操作S2011，根据文化综合体装备的规划任务确定路径的起点和终点。

在本公开的实施例中，在规划地图中，路径的起点和终点固定，起点和终点不会随路径规划而改变，目标是找到从起点到终点的最优路径。

然后，在操作S2012，根据起点和终点建立新坐标系。

在本公开的实施例中，以起点S作为新坐标系的原点O’，以起点S和终点T所在的直线作为新坐标系的X’轴，以垂直于X’轴，并经过原点O’的直线作为新坐标系的Y’轴。

接下来，在操作S2013，建立新坐标系与原坐标系之间的对应关系。

在本公开的实施例中，根据起点S和终点T在原坐标系XOY中的坐标，以及起点S和终点T在新坐标系X’O’Y’中的坐标，建立新坐标系与原坐标系之间的对应关系。

根据本公开的实施例，根据起点S和终点T构建新的坐标系，并在新坐标系中进行路径规划，可以降低路径规划的维度，即将二维变成一维，降低规划难度，提高规划效率。

图4为本公开具体实施方式提供的在新坐标系中随机生成多条路径的示意图。图5为本公开具体实施方式提供的一种在新坐标系中随机生成多条路径的流程示意图。

具体地，本公开的可选实施例中，如图4、图5所示，操作S202在新坐标系中随机生成多条路径，例如可以包括以下操作S2021～S2023。

在操作S2021，在新坐标系中确定起点和终点对应在X’轴上的X’轴起点和X’轴终点，垂直于X’轴的多条直线将X’轴起点和X’轴终点之间的连线均分。

在本公开的实施例中，如图4所示，起点S在新坐标系中为原点，终点T在新坐标系中为X’轴上的一点，X’轴坐标值为起点S到终点T的垂直距离。垂直于X’轴的多条直线L₁、L₂、L₃、…、L_N-1垂直于X’轴，并将起点S到终点T之间的直线均分成N段，由于起点S和终点T已知，并且固定不变，因此每条直线L₁、L₂、L₃、…、L_N-1的X’轴坐标值确定，而且固定不变。

然后，在操作S2022，针对每个雇佣蜂，在多条直线的每条直线上随机选取中间点，其中，中间点的y’值位于规划地图内。

在本公开的实施例中，如图4所示，在每条直线L₁、L₂、L₃、…、L_N-1上随机选取中间点，即针对每个雇佣蜂，分别在每条直线L₁、L₂、L₃、…、L_N-1上随机选取一个点。

在本公开的实施例中，由于每条直线L₁、L₂、L₃、…、L_N-1的X’轴坐标值确定，因此，仅需要保证中间点y’值位于规划地图内。在新坐标系X’O’Y’中，每条直线L₁、L₂、L₃、…、L_N-1的y’值取值范围可以利用下述公式进行限定。

上述公式中，

表示原坐标系X轴和新坐标系X’轴之间的夹角；max_x表示规划地图X方向的最大取值；max_y表示规划地图y方向上的最大取值；y'_max表示所要优化的y’值能够取得的最大值；y'_min表示所要优化的y’值能够取得的最小值；i表示中间点的序号；m表示规划地图的中心；x_i表示第i个中间点在原坐标XOY中的x坐标；x_m表示规划地图中心在原坐标XOY中的x坐标；y_i表示第i个中间点在原坐标XOY中的y坐标；y_m表示规划地图中心在原坐标XOY中的y坐标。

在本公开的实施例中，上述公式只是限定中间点的y’值位于规划地图内的一种技术手段，上述具体技术手段并不是对本公开的具体限定。

接下来，在操作S2023，针对每个雇佣蜂，将起点、终点和随机选取的中间点连接起来，形成该雇佣蜂对应的初始路径。

在本公开的实施例中，将起点S、操作S2022中随机选取的N-1个中间点及终点T连接起来，即形成该雇佣对应的初始路径。

通过本公开的实施例，直线L₁、L₂、L₃、…、L_N-1越多，划分的路段越多，规划路径越精细，但是运行时间同时增加，经过实验验证，N的值可以取5～20，例如，N的值可以取5、7、10、12、15、18、20等。

图6为本公开具体实施方式提供的一种基于多种群蜂群算法更新每个雇佣蜂的路径的流程示意图。

本公开的可选实施例中，如图6所示，操作S203基于多种群蜂群算法更新每个雇佣蜂的路径，例如可以包括以下操作S2031～S2037。

在操作S2031，根据每个初始路径的路径属性，利用不同的目标函数计算初始路径的初始目标函数值，其中，路径属性包括可行和不可行，目标函数包括可行路径目标函数和不可行路径目标函数。

在本公开的实施例中，路径属性包括可行和不可行。如果初始路径与障碍物之间存在重合的地方，那么该初始路径的路径属性为不可行，即该初始路径无法正常通行。如果初始路径与障碍物之间没有重合的地方，那么该初始路径的路径属性为可行，即该初始路径可以通行。如果初始路径的路径属性为可行，那么利用可行路径目标函数计算初始路径的初始目标函数值。如果初始路径的路径属性为不可行，那么利用不可行路径目标函数计算初始路径的初始目标函数值。

在本公开的实施例中，可行路径目标函数F_fea的计算公式如下：

上述公式中，f₃表示路径的总长度，例如，初始路径的总长度；k表示调整路径平滑度比重的权重调节因子；f₄表示路径的平滑度；C表示恒定参数。在本公开的实施例中，k的取值可以为1、2、3、4、5等；C的取值可以为5、8、10、12、15、20等。本公开的可选实施例中，当平滑度比重较大时，路径规划算法的多样性程度下降，不利于最终的多路径规划策略，因此k的取值要合适。

在本公开的实施例中，不可行路径目标函数F_in的计算公式如下：

上述公式中，f₁表示不可行段和总路段的比值；f₂表示障碍物重叠总长度和当前路径总长度的比值；f₃表示路径的总长度，例如，初始路径的总长度；w表示调整路径总长度比重的权重调节因子。在本公开的实施例中，可以采用欧氏算法计算路径的总长度。w值通常介于0到1之间，例如，w的值可以为0.3、0.5、0.7、0.9等。

然后，在操作S2032，针对每个种群，根据初始目标函数值选取多条初始路径作为该种群的蜜源路径。

在本公开的实施例中，操作S2032以种群为单位，逐个种群进行。假设共有3个种群，每个种群有50只雇佣蜂，那么每个种群对应50条初始路径。将每个种群对应的初始路径的初始目标函数值按照从大到小的顺序排列，并选取初始目标函数值较大的多个初始路径作为该种群的蜜源路径。例如，对于每个种群来说，可以选取10条初始路径作为该种群的蜜源路径，并且选取的这10条初始路径中的每条初始路径的初始目标函数值比均大于该种群内剩余的40条初始路径的初始目标函数值。

接下来，在操作S2033，利用位置更新函数更新每个雇佣蜂的初始路径得到每个雇佣蜂对应的第一更新路径。

在本公开的实施例中，雇佣蜂的初始路径更新受该雇佣蜂记忆的最佳路径及随机选择的蜜源路径的影响。位置更新函数

的公式如下：

上述公式中，

i表示雇佣蜂在种群中的序号；ω表示用于调节位置更新函数收敛能力的权重调节因子，例如，ω的值可以从0.1到0.9线性变化；r₁和r₂表示0到2之间的随机常数；t表示迭代次数，即当前正在进行第几次迭代；d表示初始路径中间点的序号；

表示在第t次迭代中，第i个雇佣蜂记录的第d个中间点的最佳坐标位置(即在新坐标系X’O’Y’中，Y’

轴的坐标值)；

表示在第t次迭代中，第i个雇佣蜂随机选择的蜜源路径的第d个中间点的坐标位置(即在新坐标系X’O’Y’中，Y’轴的坐标值)，通常蜜源路径的目标函数值越大，该蜜源路径被选择的机率越大，这样有利于每个雇佣蜂的初始路径向更优的路径更新，但也会造成路径更新过早收敛，但是本公开采用多个种群平行进化，且每个种群的雇佣蜂数量相同，可以有效避免路径更新过早收敛的问题；

表示在第t次迭代中，第i个雇佣蜂的第d个中间点的坐标位置(即在新坐标系X’O’Y’中，Y’轴的坐标值)；

表示在第t次迭代中，第i个雇佣蜂的第d个中间点坐标位置更新时的前进步长。

然后，在操作S2034，根据每个第一更新路径的路径属性，利用不同的目标函数计算第一更新路径的第一目标函数值，其中，路径属性包括可行和不可行，目标函数包括可行路径目标函数和不可行路径目标函数。

在本公开的实施例中，路径属性包括可行和不可行。如果第一更新路径与障碍物之间存在重合的地方，那么该第一更新路径的路径属性为不可行，即该第一更新路径无法正常通行。如果第一更新路径与障碍物之间没有重合的地方，那么该第一更新路径的路径属性为可行，即该第一更新路径可以通行。如果第一更新路径的路径属性为可行，那么利用可行路径目标函数计算第一更新路径的第一目标函数值。如果第一更新路径的路径属性为不可行，那么利用不可行路径目标函数计算第一更新路径的第一目标函数值。

然后，在操作S2035，根据第一目标函数值和初始目标函数值确定是否利用第一更新路径更新初始路径。

在本公开的实施例中，如果第一目标函数值大于初始目标函数值，说明第一更新路径优于初始路径，则利用第一更新路径更新初始路径。否则该初始路径不更新。

然后，在操作S2036，针对每个种群，利用轮盘赌法从该种群对应的蜜源路径中选取一个蜜源路径作为第一观察蜂路径，并计算第一观察蜂路径的第二目标函数值。

在本公开的实施例中，操作S2036以种群为单位，逐个种群进行。假如每个种群对应10条蜜源路径，则利用轮盘赌法从这10条蜜源路径中选取一条作为第一观察蜂路径。如果第一观察蜂路径的路径属性为可行，那么利用可行路径目标函数计算第一观察蜂路径的第二目标函数值。如果第一观察蜂路径的路径属性为不可行，那么利用不可行路径目标函数计算第一观察蜂路径的第二目标函数值。

接下来，在操作S2037，针对每个种群，根据每个雇佣蜂的当前路径对应的第三目标函数值和第二目标函数值确定是否更新第一观察蜂路径。

在本公开的实施例中，操作S2037以种群为单位，逐个种群进行。如果雇佣蜂的初始路径被更新，那么该雇佣蜂的当前路径为第一更新路径。如果雇佣蜂的初始路径未被更新，那么该雇佣蜂的当前路径还是初始路径。如果雇佣蜂的当前路径的路径属性为可行，那么利用可行路径目标函数计算雇佣蜂的当前路径的第三目标函数值。如果雇佣蜂的当前路径的路径属性为不可行，那么利用不可行路径目标函数计算雇佣蜂的当前路径的第三目标函数值。另外，针对每个雇佣蜂，如果该雇佣蜂的当前路径对应的第三目标函数值大于第二目标函数值，则利用该雇佣蜂的当前路径更新第一观察蜂路径。否则，第一观察蜂路径保持不变。

通过本公开的实施例可知，雇佣蜂的路径的更新受该雇佣蜂记忆的最佳路径及随机选择的该雇佣蜂所在种群的蜜源路径的影响，雇佣蜂的路径向更优路径更新。并且观察蜂路径会更新为本次雇佣蜂路径更新后的最优路径，观察蜂路径更新为最优路径后，在下次迭代中再次影响雇佣蜂路径的更新。从而使得观察蜂路径和雇佣蜂的路径均向最优路径进化。并且多个种群并行进化，可以避免路径进化时快速收敛，更利于寻找到从起点到终点的最优路径。

本公开的可选实施例中，在操作S2033利用位置更新函数更新每个雇佣蜂的初始路径得到每个雇佣蜂对应的第一更新路径之后，操作S203基于多种群蜂群算法更新每个雇佣蜂的路径，例如还可以包括以下操作：

在操作，判断每个雇佣蜂对应的第一更新路径是否超出规划地图。

本公开的可选实施例中，判断每个雇佣蜂对应的第一更新路径的中间点在新坐标系X’O’Y’中的Y’轴上值是否位于规划地图内。y’值的取值范围可以利用以下公式进行。

上述公式中，

表示原坐标系X轴和新坐标系X’轴之间的夹角；max_x表示规划地图X方向的最大取值；max_y表示规划地图y方向上的最大取值；y'_max表示所要优化的y’值能够取得的最大值；y'_min表示所要优化的y’值能够取得的最小值；i表示中间点的序号；m表示规划地图的中心；x_i表示第i个中间点在原坐标XOY中的x坐标；x_m表示规划地图中心在原坐标XOY中的x坐标；y_i表示第i个中间点在原坐标XOY中的y坐标；y_m表示规划地图中心在原坐标XOY中的y坐标。

然后，在操作，如果超出规划地图，则在多条直线的每条直线上随机选取中间点重新生成一条路径作为该雇佣蜂对应的路径，并利用新生成的路径替换该雇佣蜂对应的第一更新路径，其中，随机选取的中间点的y’值位于规划地图内。

本公开的可选实施例中，如果第一更新路径的中间点超出规划地图，说明第一更新路径不可行，需要像生成雇佣蜂对应的初始路径那样，重新为该雇佣蜂生成一条替换该雇佣蜂对应的第一更新路径的路径，保证本公开路径规划的成功率。

本公开的可选实施例中，在操作S2037针对每个种群，根据每个雇佣蜂的当前路径对应的第三目标函数值和第二目标函数值确定是否更新第一观察蜂路径之后，操作S203基于多种群蜂群算法更新每个雇佣蜂的路径，例如还可以包括以下操作：

在操作，针对每个种群，如果该种群对应的第一观察蜂路径一直未被更新，则在多条直线的每条直线上随机选取中间点重新生成一条路径替换第一观察蜂路径，其中，中间点的y’值位于规划地图内。

本公开的可选实施例中，如果当前种群的雇佣蜂的当前路径对应的第三目标函数值均小于第一观察蜂路径的第二目标函数值，说明多个种群可能对同一路径进行重复优化，那么当前种群对应的第一观察蜂路径将被丢弃，从而避免多个种群对同一路径进行重复优化的可能，让多个种群平行进化，更容易找到最优路径。同时也为所有种群提供更多样的路径，进一步提高找到最优路径的概率。设定第一观察蜂路径被开采的次数，本公开不会因为找到局部最优路径而导致整个路径规划算法停滞不前，进而对上一轮最优路径持续优化，进一步提高找到最优路径的概率。

图7为本公开具体实施方式提供的一种基于精英制多种群路径规划算法替换每个种群内至少一个雇佣蜂的路径的流程示意图。

本公开的可选实施例中，如图7所示，操作S204基于精英制多种群路径规划算法替换每个种群内至少一个雇佣蜂的路径，例如可以包括以下操作：

在操作S2041，从每个种群中选取该种群对应的雇佣蜂记忆的多个第一最佳路径，其中，一个第一最佳路径对应一个雇佣蜂，每个种群对应的多个第一最佳路径对应的雇佣蜂组成该种群的第一精英雇佣蜂群，第一最佳路径包括初始路径和/或第一更新路径。

在本公开的实施例中，如果雇佣蜂更新路径超出规划地图，那么将随机重新生成该雇佣蜂对应的路径，此时重新生成的该雇佣蜂对应的路径通常不是该雇佣蜂对应的第一最佳路径，该雇佣蜂对应的第一最佳路径是该雇佣蜂记忆的路径。针对每个种群，选取该种群对应的雇佣蜂记忆的多个第一最佳路径，一个第一最佳路径对应一个雇佣蜂。例如，可以将每个雇佣蜂记忆的第一最佳路径的目标函数值从大到小进行排序，选取最大目标函数值对应的多个第一最佳路径作为该种群对应的多个第一最佳路径。例如，每个种群拥有50只雇佣蜂，针对每个种群，50只雇佣蜂中的每个雇佣蜂均记忆有第一最佳路径，计算50只雇佣蜂记忆的第一最佳路径的目标函数值，并将50个目标函数值按照从大到小的顺序排序，选取10个最大的目标函数值对应的10条第一最佳路径，将这10条第一最佳路径对应的雇佣蜂组成该种群的第一精英雇佣蜂群。

其次，在操作S2042，利用交叉函数计算每个第一最佳路径与其余种群对应的多个第一最佳路径的第一交叉函数适应度。

在本公开的实施例中，交叉函数可以采用以下公式：

其中，上式中，e表示其他种群中精英雇佣蜂的序号；n表示当前第一最佳路径的路径段的序号；

表示当前第一最佳路径的第n段与其他种群第e个精英雇佣蜂的第一最佳路径之间的交叉点数；F_C表示交叉函数适应度。

在本公开的实施例中，假设有3个种群，每个种群有10条第一最佳路径，每个第一最佳路径的第一交叉函数适应度为该第一最佳路径遍历剩余2个种群的第一最佳路径后的交叉点数之和。所有的混合过程都通过交叉函数进行评估，可以避免其它因素的影响。

然后，在操作S2043，利用目标函数计算每个第一最佳路径的第四目标函数值。

在本公开的实施例中，如果第一最佳路径与障碍物之间没有重合的地方，那么该第一最佳路径的路径属性为可行，即该第一最佳路径可以通行。如果第一最佳路径的路径属性为可行，那么利用可行路径目标函数计算第一最佳路径的第四目标函数值。如果第一最佳路径的路径属性为不可行，那么利用不可行路径目标函数计算第一最佳路径的第四目标函数值。

接下来，在操作S2044，针对每个种群，根据第一交叉函数适应度从该种群的第一精英雇佣蜂群中选取至少一个第一精英雇佣蜂，并根据第四目标函数值从该种群的第一精英雇佣蜂群中选取至少一个第二精英雇佣蜂，并将至少一个第一精英雇佣蜂和至少一个第二精英雇佣蜂组成该种群的第一混合精英雇佣蜂群。

在本公开的实施例中，针对每个种群，将第一交叉函数适应度从大到小进行排列，选取最大的一个或多个第一交叉函数适应度，选取的第一交叉函数适应度对应的雇佣蜂即为第一精英雇佣蜂。假如，第一精英雇佣蜂群包含10只雇佣蜂，计算这10只雇佣蜂的第一最佳路径的第一交叉函数适应度，并将得到的第一交叉函数适应度从大到小进行排列，选取3个最大的第一交叉函数适应度对应的雇佣蜂，选取的3个雇佣蜂就是第一精英雇佣蜂。利用目标函数计算每个第一最佳路径的第四目标函数值，并将第四目标函数值按照从小到大的顺序排列，选取至少一个最小的第四目标函数值，选取的第四目标函数值对应的雇佣蜂就是第二精英雇佣蜂。假如，第一精英雇佣蜂群包含10只雇佣蜂，计算这10只雇佣蜂的第一最佳路径的第四目标函数值，并将得到的第四目标函数值从小到大进行排列，选取3个最小的第四目标函数值对应的雇佣蜂，选取的3个雇佣蜂就是第二精英雇佣蜂。第一精英雇佣蜂和第二精英雇佣蜂组成该种群的第一混合精英雇佣蜂群。可见，第二精英雇佣蜂对应的路径比第一精英雇佣蜂群中其他雇佣蜂对应的路径要差。

然后，在操作S2045，针对每个种群，利用交叉函数计算至少一个第二精英雇佣蜂中的每个第二精英雇佣蜂对应的第一最佳路径与该种群的第一混合精英雇佣蜂群中的其余精英雇佣蜂对应的第一最佳路径之间的第二交叉函数适应度。

在本公开的实施例中，假设第一混合精英雇佣蜂群包括3只第一精英雇佣蜂和3只第二精英雇佣蜂，分别计算每只第二精英雇佣蜂对应的第一最佳路径与第一混合精英雇佣蜂群的其余5只精英雇佣蜂对应的第一最佳路径之间的第二交叉函数适应度。

接下来，在操作S2046，针对每个种群，根据第二交叉函数适应度从至少一个第二精英雇佣蜂中选取一个第三精英雇佣蜂。

在本公开的实施例中，可以将第二交叉函数适应度从大到小进行排序，选取一个最大的第二交叉函数适应度，将最大的第二交叉函数适应度对应的精英雇佣蜂作为第三精英雇佣蜂。

接下来，在操作S2047，针对每个种群，利用第三精英雇佣蜂对应的第一最佳路径和至少一个第一精英雇佣蜂对应的第一最佳路径替换该种群内至少一个雇佣蜂的当前路径，其中，一条第一最佳路径替换一条当前路径。

在本公开的实施例中，利用目标函数计算第一精英雇佣蜂对应的第一最佳路径的目标函数值，并将计算得到的目标函数值按照从大到小的顺序进行排列，然后利用最大目标函数值对应的第一最佳路径和第三精英雇佣蜂对应的第一最佳路径替换该种群内两只雇佣蜂的当前路径。当然，在本公开的其它优先实施例中，也可以利用多个最大目标函数值对应的多个第一最佳路径和多个第三精英雇佣蜂对应的多个第一最佳路径替换该种群内多只雇佣蜂的当前路径，其中，一条第一最佳路径替换一条当前路径。

通过本公开的实施例，逐个种群进行路径替换，增加路径的多样性；从第一精英雇佣蜂群选取最差的几条第一最佳路径，并从最差的几条第一最佳路径中选取交叉函数适应度最好的第一最佳路径与最好的一条第一最佳路径一起去替换种群内两只雇佣蜂的当前路径，可以吸收最差路径中蕴含的信息，进一步扩大多种路径的可能性。

在本公开的其他可选实施例中，操作S203基于多种群蜂群算法更新每个雇佣蜂的路径，例如还可以包括以下操作。

根据替换后的每个雇佣蜂的当前路径的路径属性，利用不同的目标函数计算替换后的每个雇佣蜂的当前路径的第五目标函数值，其中，路径属性包括可行和不可行，目标函数包括可行路径目标函数和不可行路径目标函数。

在本公开的实施例中，如果当前路径与障碍物之间存在重合的地方，那么该当前路径的路径属性为不可行，即该当前路径无法正常通行。如果当前路径与障碍物之间没有重合的地方，那么该当前路径的路径属性为可行，即该当前路径可以通行。如果当前路径的路径属性为可行，那么利用可行路径目标函数计算当前路径的第五目标函数值。如果当前路径的路径属性为不可行，那么利用不可行路径目标函数计算当前路径的第五目标函数值。

针对每个种群，根据第五目标函数值选取替换后的雇佣蜂的当前路径作为该种群的蜜源路径。

在本公开的实施例中，将第五目标函数值按照从大到小的顺序排列，选取最大的多个第五目标函数值对应的雇佣蜂的当前路径作为该种群的蜜源路径。假设共有3个种群，针对每个种群，每个种群有50只雇佣蜂，那么每个雇佣蜂对应一条当前路径，共有50条路径，可以选取10个最大的第五目标函数值，将这10个最大的第五目标函数值对应的雇佣蜂的当前路径作为该种群的蜜源路径。

利用位置更新函数更新替换后的每个雇佣蜂的当前路径得到每个雇佣蜂对应的第二更新路径。

在本公开的实施例中，雇佣蜂的当前路径更新受该雇佣蜂记忆的最佳路径及随机选择的蜜源路径的影响。

根据每个第二更新路径的路径属性，利用不同的目标函数计算第二更新路径的第六目标函数值，其中，路径属性包括可行和不可行，目标函数包括可行路径目标函数和不可行路径目标函数。

在本公开的实施例中，路径属性包括可行和不可行。如果第二更新路径与障碍物之间存在重合的地方，那么该第二更新路径的路径属性为不可行，即该第二更新路径无法正常通行。如果第二更新路径与障碍物之间没有重合的地方，那么该第二更新路径的路径属性为可行，即该第二更新路径可以通行。如果第二更新路径的路径属性为可行，那么利用可行路径目标函数计算第二更新路径的第六目标函数值。如果第二更新路径的路径属性为不可行，那么利用不可行路径目标函数计算第二更新路径的第六目标函数值。

根据第六目标函数值和第五目标函数值确定是否利用第二更新路径更新替换后的雇佣蜂的当前路径。

在本公开的实施例中，如果第六目标函数值大于第五目标函数值，说明第二更新路径优于第一更新路径，则利用第二更新路径更新第一更新路径。否则该第一更新路径不更新。

针对每个种群，利用轮盘赌法从该种群对应的更新后的蜜源路径中选取一个蜜源路径作为第二观察蜂路径，并计算第二观察蜂路径的第七目标函数值。

在本公开的实施例中，以种群为单位，逐个种群进行。假如每个种群对应10条蜜源路径，则利用轮盘赌法从这10条蜜源路径中选取一条作为第二观察蜂路径。如果第二观察蜂路径的路径属性为可行，那么利用可行路径目标函数计算第二观察蜂路径的第七目标函数值。如果第二观察蜂路径的路径属性为不可行，那么利用不可行路径目标函数计算第二观察蜂路径的第七目标函数值。

针对每个种群，根据每个雇佣蜂的当前路径对应的第八目标函数值和第七目标函数值确定是否更新第二观察蜂路径。

在本公开的实施例中，以种群为单位，逐个种群进行。如果雇佣蜂的当前路径的路径属性为可行，那么利用可行路径目标函数计算雇佣蜂的当前路径的第八目标函数值。如果雇佣蜂的当前路径的路径属性为不可行，那么利用不可行路径目标函数计算雇佣蜂的当前路径的第八目标函数值。另外，针对每个雇佣蜂，如果该雇佣蜂的当前路径对应的第八目标函数值大于第七目标函数值，则利用该雇佣蜂的当前路径更新第二观察蜂路径。否则，第二观察蜂路径保持不变。

通过本公开的实施例可知，雇佣蜂的路径的更新受该雇佣蜂记忆的最佳路径及随机选择的该雇佣蜂所在种群的蜜源路径的影响，雇佣蜂的路径向更优路径更新。并且观察蜂路径会更新为本次雇佣蜂路径更新后的最优路径，观察蜂路径更新为最优路径后，在下次迭代中再次影响雇佣蜂路径的更新。从而使得观察蜂路径和雇佣蜂的路径均向最优路径进化。并且多个种群并行进化，可以避免路径进化时快速收敛，更利于寻找到从起点到终点的最优路径。

在本公开的其他可选实施例中，针对每个种群，根据每个雇佣蜂的当前路径对应的第八目标函数值和第七目标函数值确定是否更新第二观察蜂路径之后，操作S203基于多种群蜂群算法更新每个雇佣蜂的路径，还可以包括以下操作。

针对每个种群，如果该种群对应的第二观察蜂路径一直未被更新，则在多条直线的每条直线上随机选取中间点重新生成一条路径替换第二观察蜂路径，其中，中间点的y’值位于规划地图内。

在本公开的实施例中，如果所有种群的雇佣蜂的当前路径对应的第八目标函数值均小于第二观察蜂路径的第七目标函数值，说明多个种群可能对同一路径进行重复优化，那么当前种群对应的第二观察蜂路径将被丢弃，从而避免多个种群对同一路径进行重复优化，让多个种群平行进化，更容易找到最优路径。同时也为所有种群提供更多样的路径，进一步提高找到最优路径的概率。

在本公开的其他可选实施例中，利用位置更新函数更新替换后的每个雇佣蜂的当前路径得到每个雇佣蜂对应的第二更新路径之后，操作S203基于多种群蜂群算法更新每个雇佣蜂的路径，还可以包括以下操作。

判断每个雇佣蜂对应的第二更新路径是否超出规划地图。

如果超出规划地图，则在多条直线的每条直线上随机选取中间点重新生成一条路径作为该雇佣蜂对应的路径，并利用新生成的路径替换该雇佣蜂对应的第二更新路径，其中，中间点的y’值位于规划地图内。

在本公开的实施例中，如果第二更新路径的中间点超出规划地图，说明第二更新路径不可行，需要像生成雇佣蜂对应的初始路径那样，重新为该雇佣蜂生成一条替换该雇佣蜂对应的第二更新路径的路径，保证本公开路径规划的成功率。

在本公开的其他可选实施例中，操作S204基于精英制多种群路径规划算法替换每个种群内至少一个雇佣蜂的路径，例如还可以包括以下操作。

从每个种群中选取该种群对应的雇佣蜂记忆的多个第二最佳路径，其中，一个第二最佳路径对应一个雇佣蜂，每个种群对应的多个第二最佳路径对应的雇佣蜂组成该种群的第二精英雇佣蜂群，第二最佳路径包括初始路径和/或第一更新路径和/或第二更新路径。

在本公开的实施例中，如果雇佣蜂更新路径超出规划地图，那么将随机重新生成该雇佣蜂对应的路径，此时重新生成的该雇佣蜂对应的路径通常不是该雇佣蜂对应的第二最佳路径，该雇佣蜂对应的第二最佳路径是该雇佣蜂记忆的路径。针对每个种群，选取该种群对应的雇佣蜂记忆的多个第二最佳路径，一个第二最佳路径对应一个雇佣蜂。例如，可以将每个雇佣蜂记忆的第二最佳路径的目标函数值从大到小进行排序，选取最大目标函数值对应的多个第二最佳路径作为该种群对应的多个第二最佳路径。例如，每个种群拥有50只雇佣蜂，针对每个种群，50只雇佣蜂中的每个雇佣蜂均记忆有第二最佳路径，计算50只雇佣蜂记忆的第二最佳路径的目标函数值，并将50个目标函数值按照从大到小的顺序排序，选取10个最大的目标函数值对应的10条第二最佳路径，将这10条第二最佳路径对应的雇佣蜂组成该种群的第二精英雇佣蜂群。

利用交叉函数计算每个第二最佳路径与其余种群对应的多个第二最佳路径的第三交叉函数适应度。

在本公开的实施例中，假设有3个种群，每个种群有10条第二最佳路径，每个第二最佳路径的第三交叉函数适应度为该第二最佳路径遍历剩余2个种群的第二最佳路径后的交叉点数之和。所有的混合过程都通过交叉函数进行评估，可以避免其它因素的影响。

利用目标函数计算每个第二最佳路径的第九目标函数值。

在本公开的实施例中，如果第二最佳路径与障碍物之间没有重合的地方，那么该第二最佳路径的路径属性为可行，即该第二最佳路径可以通行。如果第二最佳路径的路径属性为可行，那么利用可行路径目标函数计算第二最佳路径的第九目标函数值。如果第二最佳路径的路径属性为不可行，那么利用不可行路径目标函数计算第二最佳路径的第九目标函数值。

针对每个种群，根据第三交叉函数适应度从该种群的第二精英雇佣蜂群中选取至少一个第四精英雇佣蜂，并根据第九目标函数值从该种群的第二精英雇佣蜂群中选取至少一个第五精英雇佣蜂，至少一个第四精英雇佣蜂和至少一个第五精英雇佣蜂组成该种群的第二混合精英雇佣蜂群。

在本公开的实施例中，针对每个种群，将第三交叉函数适应度从大到小进行排列，选取最大的一个或多个第三交叉函数适应度，选取的第三交叉函数适应度对应的雇佣蜂即为第四精英雇佣蜂。假如，第四精英雇佣蜂群包含10只雇佣蜂，计算这10只雇佣蜂的第二最佳路径的第三交叉函数适应度，并将得到的第三交叉函数适应度从大到小进行排列，选取3个最大的第三交叉函数适应度对应的雇佣蜂，选取的3个雇佣蜂就是第四精英雇佣蜂。利用目标函数计算每个第二最佳路径的第九目标函数值，并将第九目标函数值按照从小到大的顺序排列，选取至少一个最小的第九目标函数值，选取的第九目标函数值对应的雇佣蜂就是第五精英雇佣蜂。假如，第二精英雇佣蜂群包含10只雇佣蜂，计算这10只雇佣蜂的第二最佳路径的第九目标函数值，并将得到的第九目标函数值从小到大进行排列，选取3个最小的第九目标函数值对应的雇佣蜂，选取的3个雇佣蜂就是第五精英雇佣蜂。第四精英雇佣蜂和第五精英雇佣蜂组成该种群的第二混合精英雇佣蜂群。可见，第五精英雇佣蜂对应的路径比第二精英雇佣蜂群中其他雇佣蜂对应的路径要差。

针对每个种群，利用交叉函数计算至少一个第五精英雇佣蜂中的每个第五精英雇佣蜂对应的第二最佳路径与该种群的第二混合精英雇佣蜂群中的其余精英雇佣蜂对应的第二最佳路径之间的第四交叉函数适应度。

在本公开的实施例中，假设第二混合精英雇佣蜂群包括3只第四精英雇佣蜂和3只第五精英雇佣蜂，分别计算每只第五精英雇佣蜂对应的第二最佳路径与第二混合精英雇佣蜂群的其余5只精英雇佣蜂对应的第二最佳路径之间的第四交叉函数适应度。

针对每个种群，根据第四交叉函数适应度从至少一个第五精英雇佣蜂中选取一个第六精英雇佣蜂。

在本公开的实施例中，可以将第四交叉函数适应度从大到小进行排序，选取一个最大的第四交叉函数适应度，将最大的第四交叉函数适应度对应的精英雇佣蜂作为第六精英雇佣蜂。

针对每个种群，利用第六精英雇佣蜂对应的第二最佳路径和至少一个第四精英雇佣蜂对应的最佳路径替换该种群内至少一个雇佣蜂的当前路径，其中，一条最佳路径替换一条当前路径。

在本公开的实施例中，利用目标函数计算第四精英雇佣蜂对应的第一最佳路径的目标函数值，并将计算得到的目标函数值按照从大到小的顺序进行排列，然后利用最大目标函数值对应的第二最佳路径和第六精英雇佣蜂对应的第二最佳路径替换该种群内两只雇佣蜂的当前路径。当然，在本公开的其它优先实施例中，也可以利用多个最大目标函数值对应的多个第二最佳路径和多个第六精英雇佣蜂对应的多个第二最佳路径替换该种群内多只雇佣蜂的当前路径，其中，一条第二最佳路径替换一条当前路径。

通过本公开的实施例，逐个种群进行路径替换，增加路径的多样性；从第二精英雇佣蜂群选取最差的几条第二最佳路径，并从最差的几条第二最佳路径中选取交叉函数适应度最好的第二最佳路径与最好的一条第二最佳路径一起去替换种群内两只雇佣蜂的当前路径，可以吸收最差路径中蕴含的信息，进一步扩大多种路径的可能性。

图8为本公开具体实施方式提供的每个种群输出一条最优路径的示意图。

本公开的可选实施例中，如图8所示，经过预定次数的更新和替换后每个种群输出一条或两条或多条最优路径，最优路径是该种群内目标函数值最大的路径，该路径特点包括平滑度最大、长度最小等。例如，经过70次左右的更新和替换，每个种群的最优路径可以实现对障碍物的规避，经过150次左右的更新和替换，可以寻找到最短路径。由于对每个种群使用交叉函数，不同种群输出的最优路径不同，即一次性规划出多条路径供用户进行决策选择。

上述的本公开实施例可在各种硬件、软件编码或两者组合中进行实施。例如，本公开的实施例也可为在数据信号处理器(Digital Signal Processor，DSP)中执行上述方法的程序代码。本公开也可涉及计算机处理器、数字信号处理器、微处理器或现场可编程门阵列(Field Programmable Gate Array，FPGA)执行的多种功能。可根据本公开配置上述处理器执行特定任务，其通过执行定义了本公开揭示的特定方法的机器可读软件代码或固件代码来完成。可将软件代码或固件代码发展为不同的程序语言与不同的格式或形式。也可为不同的目标平台编译软件代码。然而，根据本公开执行任务的软件代码与其他类型配置代码的不同代码样式、类型与语言不脱离本公开的精神与范围。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

Claims (7)

1.一种文化综合体装备的多路径规划方法，其中，该方法包括：

根据文化综合体装备的规划任务建立新坐标系，包括：根据文化综合体装备的规划任务确定路径的起点和终点；根据所述起点和所述终点建立新坐标系；以及建立所述新坐标系与原坐标系之间的对应关系；

在所述新坐标系中随机生成多条路径，其中，每个雇佣蜂对应一条路径，多个雇佣蜂组成一个种群，在所述新坐标系中随机生成多条路径的步骤，包括：在所述新坐标系中确定所述起点和所述终点对应在X’轴上的X’轴起点和X’轴终点，垂直于X’轴的多条直线将所述X’轴起点和所述X’轴终点之间的连线均分；针对每个雇佣蜂，在所述多条直线的每条直线上随机选取中间点，其中，所述中间点的y’值位于规划地图内；以及针对每个雇佣蜂，将所述起点、所述终点和随机选取的中间点连接起来，形成该雇佣蜂对应的初始路径；

基于多种群蜂群算法更新每个雇佣蜂的路径，包括：根据每个所述初始路径的路径属性，利用不同的目标函数计算所述初始路径的初始目标函数值，其中，所述路径属性包括可行和不可行，所述目标函数包括可行路径目标函数和不可行路径目标函数；针对每个种群，根据所述初始目标函数值选取多条初始路径作为该种群的蜜源路径；利用位置更新函数更新每个所述雇佣蜂的所述初始路径得到每个雇佣蜂对应的第一更新路径；根据每个所述第一更新路径的路径属性，利用不同的目标函数计算所述第一更新路径的第一目标函数值，其中，所述路径属性包括可行和不可行，所述目标函数包括可行路径目标函数和不可行路径目标函数；根据所述第一目标函数值和所述初始目标函数值确定是否利用所述第一更新路径更新所述初始路径；针对每个种群，利用轮盘赌法从该种群对应的蜜源路径中选取一个蜜源路径作为第一观察蜂路径，并计算所述第一观察蜂路径的第二目标函数值；以及针对每个种群，根据每个雇佣蜂的当前路径对应的第三目标函数值和所述第二目标函数值确定是否更新第一观察蜂路径；

基于精英制多种群路径规划算法替换每个种群内至少一个雇佣蜂的路径，包括：从每个种群中选取该种群对应的雇佣蜂记忆的多个第一最佳路径，其中，一个第一最佳路径对应一个雇佣蜂，每个种群对应的多个第一最佳路径对应的雇佣蜂组成该种群的第一精英雇佣蜂群，所述第一最佳路径包括所述初始路径和/或所述第一更新路径；利用交叉函数计算每个第一最佳路径与其余种群对应的多个第一最佳路径的第一交叉函数适应度；利用不同的目标函数计算每个第一最佳路径的第四目标函数值，其中，所述目标函数包括可行路径目标函数和不可行路径目标函数；针对每个种群，根据所述第一交叉函数适应度从该种群的第一精英雇佣蜂群中选取至少一个第一精英雇佣蜂，并根据所述第四目标函数值从该种群的第一精英雇佣蜂群中选取至少一个第二精英雇佣蜂，并将所述至少一个第一精英雇佣蜂和所述至少一个第二精英雇佣蜂组成该种群的第一混合精英雇佣蜂群；针对每个种群，利用交叉函数计算所述至少一个第二精英雇佣蜂中的每个第二精英雇佣蜂对应的第一最佳路径与该种群的第一混合精英雇佣蜂群中的其余精英雇佣蜂对应的第一最佳路径之间的第二交叉函数适应度；针对每个种群，根据所述第二交叉函数适应度从所述至少一个第二精英雇佣蜂中选取一个第三精英雇佣蜂；以及针对每个种群，利用所述第三精英雇佣蜂对应的第一最佳路径和所述至少一个第一精英雇佣蜂对应的第一最佳路径替换该种群内至少一个雇佣蜂的当前路径，其中，一条第一最佳路径替换一条当前路径；以及

经过预定次数的更新和替换后每个种群输出至少一条最优路径，

其中，所述可行路径目标函数F_fea的计算公式如下：

上述公式中，f₃表示路径的总长度；k表示调整路径平滑度比重的权重调节因子；f₄表示路径的平滑度；C表示恒定参数，

所述不可行路径目标函数F_in的计算公式如下：

上述公式中，f₁表示不可行段和总路段的比值；f₂表示障碍物重叠总长度和当前路径总长度的比值；f₃表示路径的总长度；w表示调整路径总长度比重的权重调节因子，

所述位置更新函数

的公式如下：

上述公式中，

i表示雇佣蜂在种群中的序号；ω表示用于调节位置更新函数收敛能力的权重调节因子；r₁和r₂表示0到2之间的随机常数；t表示迭代次数，即当前正在进行第几次迭代；d表示初始路径中间点的序号；

表示在第t次迭代中，第i个雇佣蜂记录的第d个中间点的最佳坐标位置；

表示在第t次迭代中，第i个雇佣蜂随机选择的蜜源路径的第d个中间点的坐标位置；

表示在第t次迭代中，第i个雇佣蜂的第d个中间点的坐标位置；

表示在第t次迭代中，第i个雇佣蜂的第d个中间点坐标位置更新时的前进步长，

所述交叉函数采用以下公式：

其中，上式中，e表示其他种群中精英雇佣蜂的序号；n表示当前第一最佳路径的路径段的序号；

表示当前第一最佳路径的第n段与其他种群第e个精英雇佣蜂的第一最佳路径之间的交叉点数；F_C表示交叉函数适应度。

2.根据权利要求1所述的文化综合体装备的多路径规划方法，其中，基于多种群蜂群算法更新每个雇佣蜂的路径的步骤，还包括：利用位置更新函数更新每个所述雇佣蜂的所述初始路径得到每个雇佣蜂对应的第一更新路径之后，

判断每个雇佣蜂对应的所述第一更新路径是否超出规划地图；以及

如果超出规划地图，则在所述多条直线的每条直线上随机选取中间点重新生成一条路径作为该雇佣蜂对应的路径，并利用新生成的路径替换该雇佣蜂对应的第一更新路径，其中，所述中间点的y’值位于规划地图内。

3.根据权利要求1所述的文化综合体装备的多路径规划方法，其中，基于多种群蜂群算法更新每个雇佣蜂的路径的步骤，还包括：针对每个种群，根据每个雇佣蜂的当前路径对应的第三目标函数值和所述第二目标函数值确定是否更新第一观察蜂路径之后，

针对每个种群，如果该种群对应的第一观察蜂路径一直未被更新，则在所述多条直线的每条直线上随机选取中间点重新生成一条路径替换所述第一观察蜂路径，其中，中间点的y’值位于规划地图内。

4.根据权利要求1所述的文化综合体装备的多路径规划方法，其中，基于多种群蜂群算法更新每个雇佣蜂的路径的步骤，还包括：

根据替换后的每个雇佣蜂的当前路径的路径属性，利用不同的目标函数计算替换后的每个雇佣蜂的当前路径的第五目标函数值，其中，所述路径属性包括可行和不可行，所述目标函数包括可行路径目标函数和不可行路径目标函数；

针对每个种群，根据所述第五目标函数值选取替换后的雇佣蜂的当前路径作为该种群的蜜源路径；

利用位置更新函数更新替换后的每个雇佣蜂的当前路径得到每个雇佣蜂对应的第二更新路径；

根据每个所述第二更新路径的路径属性，利用不同的目标函数计算所述第二更新路径的第六目标函数值，其中，所述路径属性包括可行和不可行，所述目标函数包括可行路径目标函数和不可行路径目标函数；

根据所述第六目标函数值和所述第五目标函数值确定是否利用所述第二更新路径更新替换后的雇佣蜂的当前路径；

针对每个种群，利用轮盘赌法从该种群对应的更新后的蜜源路径中选取一个蜜源路径作为第二观察蜂路径，并计算所述第二观察蜂路径的第七目标函数值；以及

针对每个种群，根据每个雇佣蜂的当前路径对应的第八目标函数值和所述第七目标函数值确定是否更新第二观察蜂路径。

5.根据权利要求4所述的文化综合体装备的多路径规划方法，其中，基于多种群蜂群算法更新每个雇佣蜂的路径的步骤，包括：针对每个种群，根据每个雇佣蜂的当前路径对应的第八目标函数值和所述第七目标函数值确定是否更新第二观察蜂路径之后，

针对每个种群，如果该种群对应的第二观察蜂路径一直未被更新，则在所述多条直线的每条直线上随机选取中间点重新生成一条路径替换所述第二观察蜂路径，其中，中间点的y’值位于规划地图内。

6.根据权利要求4所述的文化综合体装备的多路径规划方法，其中，基于多种群蜂群算法更新每个雇佣蜂的路径的步骤，还包括：利用位置更新函数更新替换后的每个雇佣蜂的当前路径得到每个雇佣蜂对应的第二更新路径之后，

判断每个雇佣蜂对应的所述第二更新路径是否超出规划地图；以及

如果超出规划地图，则在所述多条直线的每条直线上随机选取中间点重新生成一条路径作为该雇佣蜂对应的路径，并利用新生成的路径替换该雇佣蜂对应的第二更新路径，其中，所述中间点的y’值位于规划地图内。

7.根据权利要求6所述的文化综合体装备的多路径规划方法，其中，基于精英制多种群路径规划算法替换每个种群内至少一个雇佣蜂的路径的步骤，还包括：

从每个种群中选取该种群对应的雇佣蜂记忆的多个第二最佳路径，其中，一个第二最佳路径对应一个雇佣蜂，每个种群对应的多个第二最佳路径对应的雇佣蜂组成该种群的第二精英雇佣蜂群，所述第二最佳路径包括所述初始路径和/或所述第一更新路径和/或所述第二更新路径；

利用交叉函数计算每个第二最佳路径与其余种群对应的多个第二最佳路径的第三交叉函数适应度；

利用不同的目标函数计算每个第二最佳路径的第九目标函数值，其中，所述目标函数包括可行路径目标函数和不可行路径目标函数；

针对每个种群，根据所述第三交叉函数适应度从该种群的第二精英雇佣蜂群中选取至少一个第四精英雇佣蜂，并根据所述第九目标函数值从该种群的第二精英雇佣蜂群中选取至少一个第五精英雇佣蜂，所述至少一个第四精英雇佣蜂和所述至少一个第五精英雇佣蜂组成该种群的第二混合精英雇佣蜂群；

针对每个种群，利用交叉函数计算所述至少一个第五精英雇佣蜂中的每个第五精英雇佣蜂对应的第二最佳路径与该种群的第二混合精英雇佣蜂群中的其余精英雇佣蜂对应的第二最佳路径之间的第四交叉函数适应度；

针对每个种群，根据所述第四交叉函数适应度从所述至少一个第五精英雇佣蜂中选取一个第六精英雇佣蜂；以及

针对每个种群，利用所述第六精英雇佣蜂对应的第二最佳路径和所述至少一个第四精英雇佣蜂对应的最佳路径替换该种群内至少一个雇佣蜂的当前路径，其中，一条最佳路径替换一条当前路径。

Images