CN113495564A - 一种基于进化型果蝇算法的地面无人平台路径规划方法 - Google Patents
一种基于进化型果蝇算法的地面无人平台路径规划方法 Download PDFInfo
- Publication number
- CN113495564A CN113495564A CN202110875616.3A CN202110875616A CN113495564A CN 113495564 A CN113495564 A CN 113495564A CN 202110875616 A CN202110875616 A CN 202110875616A CN 113495564 A CN113495564 A CN 113495564A
- Authority
- CN
- China
- Prior art keywords
- individual
- drosophila
- unmanned platform
- optimal
- ground unmanned
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 43
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 26
- 241000255588 Tephritidae Species 0.000 claims abstract description 25
- 230000000739 chaotic effect Effects 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 235000013305 food Nutrition 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241000282461 Canis lupus Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
Abstract
本发明提供一种基于进化型果蝇算法的地面无人平台路径规划方法,包括:获取地面无人平台工作环境信息并建立模型,获取移动区域地图,并对地图进行格栅化处理,建立地面无人平台路径规划的目标函数function;初始化果蝇种群初始中心位置,利用Logistic映射混沌化果蝇个体的位置;获取果蝇个体的位置与坐标原点之间距离值的倒数Li,以此获取食物浓度判定值;根据目标函数function以及获取每个果蝇个体的适应度值,确定当次迭代最优适应度值和历史最优适应度值中的最优个体;获取当前迭代次数iter果蝇个体按照自适应飞行半径向该最优个体搜索的结果;达到预设的最大迭代次数Miter后,输出地面无人平台最优移动路径。上述方法能够显著提升地面无人平台路径规划的效果。
Description
技术领域
本发明涉及路径规划技术领域,具体涉及基于进化型果蝇算法的地面无人平台路径规划方法。
背景技术
无论是在民用工业,还是在军事工业,作为地面专业车辆的一种重要类别,地面无人平台的应用越来越多,在改善生活方式、改进生产方式、改变作战形式等方法发挥了积极的作用。而对于地面无人平台而言,自主移动能力是其多项关键技术之一,而能够自主移动是建立在具有良好的移动路径规划能力基础之上的。地面无人平台的路径规划是指其在对周围环境进行感知后,能够自行规划出一条从出发点至终点的最优移动路径,这条最优路径可以是满足移动路径最短,可以是满足耗时最短,还可以满足能量消耗最少等。
路径规划问题,实际上可以看成是一个带约束条件的复杂优化问题。因此,一些智能优化算法对于提高路径规划的效果发挥了积极的作用,很多学者开展了大量的研究工作。例如,陈雪俊等对智能水滴算法进行了改进,提出了改进水滴算法的无人车避障路径规划方法(陈雪俊,贝绍轶.一种基于改进智能水滴算法的无人车避障路径规划方法[P].江苏省:CN110703767A,2020-01-17.);刘洪丹等提出了量子狼群算法并用于无人驾驶智能车的自动避障研究(刘胜,张兰勇,丁一轩,李冰,李芃,孙玥.基于量子狼群算法的无人驾驶智能车自动避碰方法[P].黑龙江省:CN110471426A,2019-11-19.);江鹏程等提出了基于蚁群算法的无人车路径规划方法(江鹏程,丛华,邱绵浩,张楠,冯辅周,张传清,刘西侠,张丽霞,何嘉武,张小明,王志荣,杨昌伟.无人车混合路径规划算法[P].北京市:CN110609557A,2019-12-24.);葛洪伟等提出了改进的多目标粒子群算法,并以此为优化方法进行了无人车的路径规划研究(葛洪伟,钱小宇,葛阳.基于改进的多目标粒子群算法的无人车路径规划方法[P].江苏:CN107992051A,2018-05-04.)。
根据目前的研究成果来看,智能优化算法是一种有效的地面无人平台路径规划方法。果蝇优化算法是一种模拟果蝇觅食行为的新型智能优化算法,同样可以应用于地面无人平台路径规划问题。但是,果蝇优化算法存仍然存在有一些缺陷,使得算法容易陷入局部最优和收敛精度不高,在进行地面无人平台路径规划时,往往达不到理想的路径规划效果。
为此,本发明提出了一种新的基于进化型果蝇算法的地面无人平台路径规划方法。
发明内容
为解决上述问题,本发明的目的在于提供一种基于进化型果蝇算法的地面无人平台路径规划方法,能够显著提升地面无人平台路径规划的效果。
为实现上述目的,本发明提供了如下的技术方案。
一种基于进化型果蝇算法的地面无人平台路径规划方法,包括以下步骤:
根据地面无人平台工作环境信息建立环境模型,根据环境模型获取移动区域地图,并对地图进行格栅化处理;建立地面无人平台路径规划的目标函数function;
初始化果蝇种群在地图上初始中心位置,利用Logistic映射混沌化果蝇个体的位置(Xi,Yi);
获取果蝇个体的位置与坐标原点之间距离值的倒数Li,根据Li获取食物浓度判定值Si:
根据目标函数function以及Si获取每个果蝇个体的适应度值,确定当次迭代最优适应度值和历史最优适应度值中的最优个体;
根据预设的果蝇个体飞行半径上限frmax和飞行半径下限frmin,获取当前迭代次数iter果蝇个体按照自适应飞行半径向该最优个体搜索的结果:
达到预设的最大迭代次数Miter后,输出地面无人平台最优移动路径。
优选地,所述混沌化果蝇个体的位置的过程包括:
对于种群中的第i果蝇个体,在搜索范围内,以中心位置(X_axis,Y_axis)为基础,利用Logistic映射对其坐标(Xi,Yi)进行混沌化:
式中,amax和amin为搜索单位的最大值和最小值;X′i和Y′i分别表示混沌映射后的值。
优选地,所述果蝇个体的位置与坐标原点之间距离值的倒数Li:
优选地,每个所述果蝇个体的适应度值:
Smelli=function(Si) (7)
记录当次迭代中最优果蝇个体的适应度值及其所在位置:
[bestSmell]=max(Smelli) (8)
记录历次迭代中最大的最优果蝇个体的适应度值bestSmell:
Smellbest=bestSmell。 (9)
本发明有益效果:
(1)通过引入Logistic映射进行果蝇种群位置的初始化,可以提升种群位置分布的均匀性和多样性,进而算法的稳定性得以增强。
(2)对食物味道浓度判定值的计算方式进行了改进,实现了算法搜索范围的增大,算法的适应性得以增强。
(3)将果蝇个体固定飞行半径变成了自适应飞行半径,实现了算法在前后期搜索能力的平衡,保证了算法在前期可以进行全局搜索,在后期能够进行局部搜索。
附图说明
图1是本发明实施例的整体流程图;
图2是本发明实施例路径规划结果图;
图3是本发明实施例迭代过程曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
一种基于进化型果蝇算法的地面无人平台路径规划方法,整体流程图如图1所示,包括以下步骤:
S1:获取地面无人平台工作环境信息并建立模型,获取移动区域地图,并对地图进行格栅化处理,建立地面无人平台路径规划的目标函数function;
S2:初始化果蝇种群初始中心位置,利用Logistic映射混沌化果蝇个体的位置(Xi,Yi):
具体的,对于种群中的第i果蝇个体,在搜索范围内,以中心位置(X_axis,Y_axis)为基础,利用Logistic映射对其坐标(Xi,Yi)进行混沌化:
式中,amax和amin为搜索单位的最大值和最小值;X′i和Y′i分别表示混沌映射后的值。
S3:获取果蝇个体的位置与坐标原点之间距离值的倒数Li:
根据Li获取食物浓度判定值Si:
S4:根据目标函数function以及Si获取每个果蝇个体的适应度值,确定当次迭代最优适应度值和历史最优适应度值中的最优个体:
每个果蝇个体的适应度值:
Smelli=function(Si) (7)
记录当次迭代中最优果蝇个体的适应度值及其所在位置:
[bestSmell]=max(Smelli) (8)
记录历次迭代中最大的最优果蝇个体的适应度值bestSmell:
Smellbest=bestSmell (9)
S5:根据预设的果蝇个体飞行半径上限frmax和飞行半径下限frmin,获取当前迭代次数iter果蝇个体按照自适应飞行半径向该最优个体搜索的结果:
达到预设的最大迭代次数Miter后,输出地面无人平台最优移动路径。
本实施例中,
以MATLAB为仿真平台,建立地面无人平台移动的20×20的格栅矩阵,以最短移动距离为目标,对FOA方法和UFOA方法进行分析。FOA算法中的参数为:Popsize=30,Maxiter=100,[amin,amax]=[-10,10],fr=amax/20;UFOA算法中的参数为:Popsize=30,Maxiter=100,[amin,amax]=[-10,10],fr=amax/20,frmin=SR/40。仿真环境和两个方法分别得到的移动路径如图2所示(Start和End分别代表地面无人平台移动路径的起点和终点,黑色方块表示障碍物),图3为迭代过程曲线。
从图2中可以直观的发现FOA得到的地面无人平台移动路径比UFOA的要长,路径比较迂回,而UFOA得到的路径则比较合理。进一步分析图2和图3中的结果可知,采用FOA算法时,算法在迭代43次后,得到了最短的路径长度为38.69;采用UFOA算法时,算法在迭代26次后,得到了最短的路径长度为30.99,可以看出,本发明所设计的UFOA算法具有更快的收敛速度和收敛精度,而FOA则出现了陷入局部最优的情况。仿真结果表明,在相同的环境下,UFOA实现了果蝇种群的均匀分布、平衡了算法的前后搜索能力,获得了地面无人平台从起点至终点的最优移动路径,验证了算法的有效性。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于进化型果蝇算法的地面无人平台路径规划方法,其特征在于,包括以下步骤:
根据地面无人平台工作环境信息建立环境模型,根据环境模型获取移动区域地图,并对地图进行格栅化处理;建立地面无人平台路径规划的目标函数function;
初始化果蝇种群在地图上的初始中心位置,利用Logistic映射混沌化果蝇个体的位置(Xi,Yi);
获取果蝇个体的位置与坐标原点之间距离值的倒数Li,根据Li获取食物浓度判定值Si:
根据目标函数function以及Si获取每个果蝇个体的适应度值,确定当次迭代最优适应度值和历史最优适应度值中的最优个体;
根据预设的果蝇个体飞行半径上限frmax和飞行半径下限frmin,获取当前迭代次数iter果蝇个体按照自适应飞行半径向该最优个体搜索的结果:
达到预设的最大迭代次数Miter后,输出地面无人平台最优移动路径。
4.根据权利要求1所述的基于进化型果蝇算法的地面无人平台路径规划方法,其特征在于,每个所述果蝇个体的适应度值:
Smelli=function(Si) (7)
记录当次迭代中最优果蝇个体的适应度值及其所在位置:
[bestSmell]=max(Smelli) (8)
记录历次迭代中最大的最优果蝇个体的适应度值bestSmell:
Smellbest=bestSmell (9) 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110875616.3A CN113495564A (zh) | 2021-07-30 | 2021-07-30 | 一种基于进化型果蝇算法的地面无人平台路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110875616.3A CN113495564A (zh) | 2021-07-30 | 2021-07-30 | 一种基于进化型果蝇算法的地面无人平台路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113495564A true CN113495564A (zh) | 2021-10-12 |
Family
ID=77997180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110875616.3A Pending CN113495564A (zh) | 2021-07-30 | 2021-07-30 | 一种基于进化型果蝇算法的地面无人平台路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113495564A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114047770A (zh) * | 2022-01-13 | 2022-02-15 | 中国人民解放军陆军装甲兵学院 | 一种多内心搜寻改进灰狼算法的移动机器人路径规划方法 |
CN115509239A (zh) * | 2022-11-19 | 2022-12-23 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息共享的无人车路径规划方法 |
CN117130263A (zh) * | 2023-10-26 | 2023-11-28 | 博创联动科技股份有限公司 | 一种基于车联网大数据的整车智能控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107063255A (zh) * | 2017-01-09 | 2017-08-18 | 北京工业大学 | 一种基于改进果蝇优化算法的三维航路规划方法 |
CN110084390A (zh) * | 2019-03-26 | 2019-08-02 | 河南科技学院 | 一种基于改进型果蝇算法的多车协同拼车路径优化方法 |
US20190362640A1 (en) * | 2016-12-16 | 2019-11-28 | Guangzhou Xaircraft Technology Co., Ltd | Unmanned Aerial Vehicle Operating Method and Device |
CN110802601A (zh) * | 2019-11-29 | 2020-02-18 | 北京理工大学 | 一种基于果蝇优化算法的机器人路径规划方法 |
CN110986958A (zh) * | 2019-12-24 | 2020-04-10 | 北京工业大学 | 基于多种群协作果蝇优化的多无人机协同路径规划方法 |
-
2021
- 2021-07-30 CN CN202110875616.3A patent/CN113495564A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190362640A1 (en) * | 2016-12-16 | 2019-11-28 | Guangzhou Xaircraft Technology Co., Ltd | Unmanned Aerial Vehicle Operating Method and Device |
CN107063255A (zh) * | 2017-01-09 | 2017-08-18 | 北京工业大学 | 一种基于改进果蝇优化算法的三维航路规划方法 |
CN110084390A (zh) * | 2019-03-26 | 2019-08-02 | 河南科技学院 | 一种基于改进型果蝇算法的多车协同拼车路径优化方法 |
CN110802601A (zh) * | 2019-11-29 | 2020-02-18 | 北京理工大学 | 一种基于果蝇优化算法的机器人路径规划方法 |
CN110986958A (zh) * | 2019-12-24 | 2020-04-10 | 北京工业大学 | 基于多种群协作果蝇优化的多无人机协同路径规划方法 |
Non-Patent Citations (2)
Title |
---|
毛正阳 等: "应用改进果蝇优化算法的月面巡视器路径规划", 《中国空间科学技术》 * |
高栋: "群智能优化算法的改进研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114047770A (zh) * | 2022-01-13 | 2022-02-15 | 中国人民解放军陆军装甲兵学院 | 一种多内心搜寻改进灰狼算法的移动机器人路径规划方法 |
CN114047770B (zh) * | 2022-01-13 | 2022-03-29 | 中国人民解放军陆军装甲兵学院 | 一种多内心搜寻改进灰狼算法的移动机器人路径规划方法 |
CN115509239A (zh) * | 2022-11-19 | 2022-12-23 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息共享的无人车路径规划方法 |
CN115509239B (zh) * | 2022-11-19 | 2023-02-28 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息共享的无人车路径规划方法 |
CN117130263A (zh) * | 2023-10-26 | 2023-11-28 | 博创联动科技股份有限公司 | 一种基于车联网大数据的整车智能控制方法及系统 |
CN117130263B (zh) * | 2023-10-26 | 2024-01-16 | 博创联动科技股份有限公司 | 一种基于车联网大数据的整车智能控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113495564A (zh) | 一种基于进化型果蝇算法的地面无人平台路径规划方法 | |
CN109765893B (zh) | 基于鲸鱼优化算法的移动机器人路径规划方法 | |
CN109116841B (zh) | 一种基于蚁群算法的路径规划平滑优化方法 | |
CN113741508B (zh) | 基于改进狼群算法的无人机任务分配方法 | |
CN109945881A (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
CN113485371B (zh) | 一种基于改进麻雀搜索算法的水下多auv路径规划方法 | |
CN108320293A (zh) | 一种结合改进粒子群算法的快速点云边界提取技术 | |
CN110514567B (zh) | 基于信息熵的气体源搜索方法 | |
CN113573333B (zh) | 一种基于虚拟力的粒子群异构WSNs覆盖优化算法 | |
CN114611801A (zh) | 一种基于改进的鲸鱼优化算法的旅行商问题求解方法 | |
CN114545958A (zh) | 一种基于改进的麻雀搜索算法的无人机路径规划方法 | |
CN115509239A (zh) | 一种基于空地信息共享的无人车路径规划方法 | |
CN110928357A (zh) | 一种时变阴影情况下光伏阵列的最大功率点跟踪方法 | |
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 | |
CN115657694A (zh) | 一种基于空地信息交互的无人车路径规划方法 | |
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 | |
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 | |
Wu et al. | Global and local moth-flame optimization algorithm for UAV formation path planning under multi-constraints | |
CN116772880B (zh) | 一种基于无人机视觉的无人车路径规划方法 | |
CN116400737B (zh) | 一种基于蚁群算法的安全路径规划系统 | |
Gu et al. | Robot path planning of improved adaptive Ant Colony System Algorithm based on Dijkstra | |
CN111080035A (zh) | 基于改进量子粒子群优化算法的全局路径规划方法 | |
CN116483094A (zh) | 一种融合空地视角和多维信息的无人车路径规划方法 | |
CN106022510A (zh) | 一种基于多粒子群协同演化的人车混合疏散仿真优化方法 | |
WO2023245939A1 (zh) | 基于新型紧凑粒子群算法的传感器网络覆盖率优化方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211012 |