CN113741482B - 一种基于异步遗传算法的多智能体路径规划方法 - Google Patents
一种基于异步遗传算法的多智能体路径规划方法 Download PDFInfo
- Publication number
- CN113741482B CN113741482B CN202111107193.7A CN202111107193A CN113741482B CN 113741482 B CN113741482 B CN 113741482B CN 202111107193 A CN202111107193 A CN 202111107193A CN 113741482 B CN113741482 B CN 113741482B
- Authority
- CN
- China
- Prior art keywords
- class
- elements
- classes
- min2
- agents
- 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
- 230000002068 genetic effect Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 27
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 claims description 36
- 210000000349 chromosome Anatomy 0.000 claims description 22
- 230000009191 jumping Effects 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 claims 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- G05D1/0217—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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于异步遗传算法的多智能体路径规划方法,该方法在传统遗传算法的基础之上,加入了聚类算法的思想以及精英保留策略。首先将在起始位置的多个智能体按照某一特征划分成若干个含智能体数目相等的类,对多智能体要到达的目标位置也划分为对应数目的类;再对每一个类中的智能体利用遗传算法框架并行化进行路径规划,得到每一类中的最优路径;将各个类中得到的最优路径进行汇总,从而获得整个多智能体系统的最优路径。该方法的使用能够快速实现对大规模多智能体系统的路径规划,为大规模多智能体系统执行任务奠定基础。
Description
技术领域
本发明属于人工智能技术领域,涉及一种基于异步遗传算法的多智能体路径规划方法。
背景技术
随着人工智能理论以及相关研究技术的发展与成熟,智能体的能力不断提高,应用领域和范围也在不断拓展。
但在复杂多变的环境中执行任务时,单个智能体的能力还不足以支持完成任务。于是人们考虑采用多个单一智能体组成多智能体系统,通过系统中个体间的相互协作来完成单个智能体无法或者难以完成的工作。对多智能体系统的研究是人工智能技术发展的必然趋势,必将对人工智能技术的发展起着至关重要的作用。而路径规划是研究多智能体系统的基础,也是研究重点,侧重考虑整个系统全局的最优路径,如系统路径的总耗时最少或总路径长度最短等。只有规划出整个系统最有效的路径,才能提高多智能体系统执行任务的效率与成功率。目前传统的算法无法对有高实时性要求的大规模多智能体系统进行路径规划。
发明内容:
针对现有算法无法对多智能体系统进行路径规划的问题,本发明提供了一种基于异步遗传算法的多智能体路径规划方法。
本发明的基本设计思路是:
本发明在传统遗传算法的基础之上,加入了聚类算法的思想以及精英保留策略。首先将在起始位置的多个智能体按照某一特征划分成若干个含智能体数目相等的类,对多智能体要到达的目标位置也划分为对应数目的类;再对每一个类中的智能体利用遗传算法框架并行化进行路径规划,得到每一类中的最优路径;将各个类中得到的最优路径进行汇总,即获得整个多智能体系统的最优路径。
本发明的具体技术方案是:
一种基于异步遗传算法的多智能体路径规划方法,包含以下步骤:
步骤1:建立智能体系统模型,并获取智能体系统模型初始状态信息:
步骤3:对初始位置的多个智能体进行等分聚类:
步骤5:对各个类中元素进行遗传算法路径规划:
先将从步骤3获得的初始位置处的类分别与步骤4获得的目标位置处的类进行对应,对应的原则为初始位置处类的聚类中心与目标位置处类的聚类中心之间距离最短;最后对相对应的初始位置处的类中所含元素与目标位置处的类中所含元素采用遗传算法进行路径规划,得到类中元素的最优路径;
步骤6:将步骤5遗传算法路径规划得到的各类中智能体的最优
路径进行汇总,得到多智能体系统整体的最优路径。
进一步地,上述步骤3的具体执行步骤如下:
步骤3.1:设定智能体系统模型划分的类别数量k;k≥2;
步骤3.2:通过类别数量k以及智能体的数量N,计算每一个类中含有的智能体元素数目;
情况一:当N能被k整除时,则将N个智能体聚成k个大小均等的类,每个类中元素数目n=N/k,则跳转执行步骤3.3至步骤3.7:
情况二:当N不能被k整除时,将N/k的余数设为k1,则前k-k1个类中含元素数目为[N/k],后k1个类中含元素数目为[N/k]+1,然后跳转执行步骤3.8至步骤3.15;
步骤3.3:利用聚类算法进行二分生成两个类{CP1,CQ1},并计算两个类的聚类中心位置坐标{PP1,PQ1};
其中,Pi1为第P1个类中第i1个元素的位置,nP1为第P1个类中含有的元素数目,i1∈(1,nP1);Pi2为第Q1个类中第i2个元素的位置,nQ1为第Q1个类中含有的元素数目,i2∈(1,nQ1);
步骤3.4:将两个类{CP1,CQ1}中含元素多的类定义为Cmax 1,含元素少的类定义为Cmin 1;
判断Cmin 1中所含元素数目是否等于n;
若等于n,则直接执行步骤3.5;
若小于n,则从Cmax 1中,依照欧氏距离选择离Cmin 1的聚类中心距离最短的元素,分配至类Cmin 1中,重复执行该步骤,直到Cmin 1中元素数目等于n后执行步骤3.5;
若大于n,则从类Cmin 1中,依照欧氏距离选择离类Cmax 1的聚类中心距离最短的元素,分配至类Cmax 1中,重复执行该步骤,直到Cmin 1中元素数目等于n后执行步骤3.5;
步骤3.5:将步骤3.4中获得的含n个元素的类Cmin 1保存并输出;
步骤3.6:判断是否已经生成了k个类;若否,则选择类Cmax 1,跳转至步骤3.3,继续执行分类流程;若是,则直接跳转至下一步;
步骤3.7:将最后剩下的类Cmax 1保存并输出;
步骤3.8:利用聚类算法进行二分生成两个类{Cp2,CQ2},并计算两个类的聚类中心位置坐标{PP2,PQ2};
其中,Pi3为第P2个类中第i3个元素的位置,nP2为第P2个类中含有的元素数目,i3∈(1,nP2);Pi4为第Q2个类中第i4个元素的位置,nQ2为第Q2个类中含有的元素数目,i4∈(1,nQ2);
步骤3.9:将两个类{Cp2,CQ2}中含元素多的类定义为Cmax 2,含元素少的类定义为Cmin 2;并判断此时生成类的数目是否大于等于k-k1+1;若否,则执行步骤3.10;若是,则执行步骤3.12;
步骤3.10:根据类Cmin 2、Cmax 2与前k-k1个类中应有元素数目[N/k],调整类中元素:
判断类Cmin 2中所含元素数是否为[N/k];
若等于[N/k],则直接执行步骤3.11;
若小于[N/k],则从Cmax 2中,依照欧氏距离选择离Cmin 2的聚类中心距离最短的元素,分配至类Cmin 2中,重复执行该步骤,直到Cmin 2中元素数目等于[N/k]后执行步骤3.11;
若大于[N/k],则从Cmin 2中,依照欧氏距离选择离Cmax 2的聚类中心距离最短的元素,分配至Cmax 2中;重复执行此步骤,直到类Cmin 2中元素数目等于[N/k]后执行步骤3.11;
步骤3.11:将生成的含[N/k]个元素的类Cmin 2保存并输出,选择类Cmax 2,跳转至步骤3.8,继续执行分类流程;
步骤3.12:根据类Cmin 2、Cmax 2与后k1个类中应有元素数目[N/k]+1,调整类中元素:
判断类Cmin 2中所含元素是否为[N/k]+1;
若等于[N/k]+1,则直接执行步骤3.13;
若小于[N/k]+1,则从Cmax 2中,依照欧氏距离选择离类Cmin 2的聚类中心距离最短的元素,分配至类Cmin 2中;重复执行此步骤,直至类Cmin 2中元素数目等于[N/k]+1后执行3.13;
若大于[N/k]+1,则从类Cmin 2中,依照欧氏距离选择离类Cmax 2的聚类中心距离最短的元素,分配至类中Cmax 2;重复执行此步骤,直至类Cmin 2中元素数目等于[N/k]+1后执行3.13;
步骤3.13:将生成的含[N/k]+1个元素的类Cmin 2保存并输出;
步骤3.14:判断是否生成了k个类;若否,选择剩下的类Cmax 2,跳转至步骤3.8,继续执行分类流程;若是,则跳转至下一步;
步骤3.15:将最后剩下的类Cmax 2,保存并输出。
进一步地,上述步骤5中采用遗传算法进行路径规划的具体执行步骤如下:
步骤5.1:通过编码建立表现型到基因型的映射关系:
步骤5.2:得到表现型到基因型的映射关系后,随机生成进化的初始种群;初始种群为一组染色体个体的组合;而染色体个体为一组基因型组成的字符串,一个染色体对应着问题的一个解,即初始位置到目标位置的一条路径;
步骤5.3:判断是否满足遗传算法迭代终止条件:
若是,则对基因型进行解码,得到实际的最优路径,并将最优路径输出;若否,则跳转至步骤5.4;
此处设置的迭代终止条件为智能体在本次迭代中得到的最优路径与上一次迭代结果的偏差为0;
步骤5.4:计算种群中个体适应度值:
此处将每个智能体从初始位置到目标位置路径的距离与种群中所有智能体从初始位置到目标位置路径的总路程的比值作为种群中个体适应度值的评估标准;
步骤5.5:进行选择操作:
利用精英保留机制将种群中适应度最高的个体保留,直接进入新的种群;
对其余的个体依照适应度值的高低通过轮盘赌的形式选择进入新一代种群;
步骤5.6:进行交叉操作:对种群中的染色体个体进行交叉操作,提高种群的多样性;
步骤5.7:进行变异操作:对种群中的染色体个体进行变异操作,避免算法陷入局部最优解、早熟的出现;
步骤5.8:完成一次进化,跳转至步骤5.3。
本发明的有益效果在于:
本发明针对多智能体的路径规划问题,利用一种结合等分聚类算法及带精英保留策略遗传算法的异步遗传算法,能够快速实现对大规模多智能体系统的路径规划,为大规模多智能体系统执行任务奠定基础。
附图说明
图1为实施例的提供的路径规划方法流程图。
图2为等分聚类算法执行的流程图。
图3为带精英保留机制的遗传算法流程图。
图4为等分聚类算法执行实例图。
图5为用传统遗传算法进行路径规划的实例图。
图6为对初始位置与目标位置元素的等分聚类实例图。
图7为对等分聚类后获得的初始位置与目标位置的上半部分元素进行遗传算法路径规划实例图。
图8为对等分聚类后获得的初始位置与目标位置的下半部分元素进行遗传算法路径规划实例图。
具体实施方式
下面结合附图和对比试验,对本发明的具体实施方式进行详细说明。
如图1所示,一种基于异步遗传算法的多智能体路径规划方法,具体包含以下步骤:
步骤1:在matlab软件下建立智能体系统模型,以及获取智能体系统模型初始状态信息:
在该步骤中,针对多智能体系统模型自主路径规划的作业过程,通过全局定位的方式获取智能体的数量以及智能体在全局坐标下的当前位置坐标,通过激光雷达和视觉识别获取每个智能体之间相对位置;
步骤3:对初始位置的多智能体进行等分聚类;
根据智能体的数量、要划分成的类的数目k以及智能体初始位置PI对多智能体进行类别划分,经过多次迭代达到终止条件,完成等分聚类;
参见图2,等分聚类算法的具体运行流程如下:
步骤3.1:设定智能体系统划分的类别数量k;k≥2;
步骤3.2:通过类别数量k以及总智能体元素数N,计算每一个类中含有的智能体元素数目;
判断N是否为k的倍数;
情况一:当N能被k的整除时,则可将N个元素聚成k个大小均等的类,每个类中元素数目n=N/k;
情况二:当N不能被k的整除时,将N/k的余数设为k1,则前k-k1个类中含元素数目为[N/k],后k1个类中含元素数目为[N/k]+1;
当满足情况一时执行流程A(即下面步骤3.3-3.7);当满足情况二时执行流程B(即下面步骤3.8-3.15);
如图4中Step 0所示,输入N=12,k=3,由于此时N可被k整除,n=4,故执行流程A。
流程A:
步骤3.3:参见图4的Step 1利用聚类算法进行二分生成两个类{CP1,CQ1},并计算两个类的聚类中心位置坐标{PP1,PQ1}
其中,Pi1为第P1个类中第i1个元素的位置,nP1为第P1个类中含有的元素数目,i1∈(1,nP1);Pi2为第Q1个类中第i2个元素的位置,nQ1为第Q1个类中含有的元素数目,i2∈(1,nQ1);
步骤3.4:将两个类{CP1,CQ1}中含元素多的类定义为Cmax 1,含元素少的类定义为Cmin 1;
判断类Cmin中所含元素数目是否等于n;
若等于n,则直接执行步骤3.5;
若小于n,则从Cmax 1中,依照欧氏距离选择离Cmin 1的聚类中心距离最短的元素,分配至类Cmin 1中,重复执行该步骤,直到Cmin 1中元素数目等于n后执行步骤3.5;
若大于n,则从类Cmin 1中,依照欧氏距离选择离类Cmax 1的聚类中心距离最短的元素,分配至类Cmax 1中,重复执行该步骤,直到Cmin 1中元素数目等于n后执行步骤3.5;
如图4中Step2所示,此时含元素数较小的类Cmin 1所含的元素数为3,对此,从类Cmax 1中选择将离类Cmin 1最近的元素分配至类Cmin 1中;
步骤3.5:将生成的含n个元素的类Cmin 1保存并输出;
如图4中Step2所示,将类Cmin 1保存为C1并输出;
步骤3.6:判断是否已经生成了k个类;若否,则选择类Cmax 1,跳转至步骤3.3,继续执行分类流程;若是,则直接跳转至下一步;
如图4中Step3所示,由于本实施例的为3个类,因此需要选择类Cmax 1继续执行二分,得到类Cmax 1与C2,从类Cmax 1向类C2中输送元素,直至类C2元素数满足要求,保存类C2并输出
步骤3.7:如图4中Step4所示,将最后剩下的类Cmax,保存为类C3并输出。
流程B:
步骤3.8:利用聚类算法进行二分生成两个类{Cp2,CQ2},并计算两个类的聚类中心位置坐标{PP2,PQ2};
其中,Pi3为第P2个类中第i3个元素的位置,nP2为第P2个类中含有的元素数目,i3∈(1,nP2);Pi4为第Q2个类中第i4个元素的位置,nQ2为第Q2个类中含有的元素数目,i4∈(1,nQ2);
步骤3.9:将两个类{Cp2,CQ2}中含元素多的类定义为Cmax 2,含元素少的类定义为Cmin 2;并判断此时生成类的数目是否大于等于≥k-k1+1;若否,则执行步骤3.10;若是,则执行步骤3.12;
步骤3.10:根据类Cmin 2、Cmax 2与前k-k1个类中应有元素数目[N/k],调整类中元素:
判断类Cmin 2中所含元素数是否为[N/k];
若等于[N/k],则直接执行步骤3.11;
若小于[N/k],则从Cmax 2中,依照欧氏距离选择离Cmin 2的聚类中心距离最短的元素,分配至类Cmin 2中,重复执行该步骤,直到Cmin 2中元素数目等于[N/k]后执行步骤3.11;
若大于[N/k],则从Cmin 2中,依照欧氏距离选择离Cmax 2的聚类中心距离最短的元素,分配至Cmax 2中;重复执行此步骤,直到类Cmin 2中元素数目等于[N/k]后执行步骤3.11;
步骤3.11:将生成的含[N/k]个元素的类Cmin 2保存并输出,选择类Cmax 2,跳转至步骤3.8,继续执行分类流程;
步骤3.12:根据类Cmin 2、Cmax 2与后k1个类中应有元素数目[N/k]+1,调整类中元素:
判断类Cmin 2中所含元素是否为[N/k]+1;
若等于[N/k]+1,则直接执行步骤3.13;
若小于[N/k]+1,则从Cmax 2中,依照欧氏距离选择离类Cmin 2的聚类中心距离最短的元素,分配至类Cmin 2中;重复执行此步骤,直至类Cmin 2中元素数目等于[N/k]+1后执行3.13;
若大于[N/k]+1,则从类Cmin 2中,依照欧氏距离选择离类Cmax 2的聚类中心距离最短的元素,分配至类中Cmax 2;重复执行此步骤,直至类Cmin 2中元素数目等于[N/k]+1后执行3.13;
步骤3.13:将生成的含[N/k]+1个元素的类Cmin 2保存并输出;
步骤3.14:判断是否生成了k个类;若否,选择类Cmax 2,跳转至步骤3.8,继续执行分类流程;若是,则跳转至下一步;
步骤3.15:将最后剩下的类Cmax 2,保存并输出;
步骤5:对各个类中元素进行遗传算法路径规划:
先将从步骤3获得的初始位置处的类分别与步骤4获得的目标位置处的类进行对应,对应的原则为初始位置处类的聚类中心与目标位置处类的聚类中心之间距离最短;最后对相对应的初始位置处的类中所含元素与目标位置处的类中所含元素采用遗传算法进行路径规划,得到类中元素的最优路径;
参见图3,上面采用遗传算法进行路径规划的具体运行流程如下:
步骤5.1:通过编码建立表现型到基因型的映射关系:
步骤5.2:得到表现型到基因型的映射关系后,随机生成进化的初始种群;
初始种群为一组染色体个体的组合;而染色体个体为一组基因型组成的字符串,一个染色体对应着问题的一个解,即初始位置到目标位置的一条路径;
步骤5.3:判断是否满足遗传算法迭代终止条件:
若是,则对基因型进行解码,得到实际的最优路径,并将最优路径输出;若否,则跳转至步骤5.4;
解码对应着编码的逆操作,将一组字符串表现形式的染色体转换成实际的路径;
此处设置的迭代终止条件为智能体在本次迭代中得到的最优路径总路径长度与上一次迭代结果的误差为0;
步骤5.4:计算种群中个体适应度值:
此处将每个染色体个体从初始位置到目标位置路径的长度与种群中所有染色体个体从初始位置到目标位置路径的总路程的比值作为种群中个体适应度值的评估标准;
步骤5.5:进行选择操作:
利用精英保留机制将种群中适应度最高的个体保留,直接进入新的种群,对其余的个体依照适应度值的高低通过轮盘赌的形式选择进入新一代种群;
步骤5.6:进行交叉操作:
对种群中的染色体个体进行交叉操作,提高种群的多样性;交叉操作对应着生物学中的基因交叉,将2条染色体上同一点位的基因进行交叉互换,得到2个新的染色体个体;
步骤5.7:进行变异操作:
对种群中的染色体个体进行变异操作,避免算法陷入局部最优解、早熟的出现;变异操作对应着生物学中的基因变异,将染色体上某一点位的基因进行改变,产生一个新的染色体个体。
步骤5.8:完成一次进化,跳转至步骤5.3;
步骤6:汇总各类中的最优路径:将步骤5遗传算法路径规划得到的各类中智能体的最优路径进行汇总,得到多智能体系统整体的最优路径。
对比验证
如图5所示为利用传统遗传对从初始位置到目标位置的元素进行路径规划,算法迭代次数为6035次,得到的最优路径的总路程为34518.24。
如图6所示为对初始位置与目标位置采用本发明的方法进行聚类,此处N=100,k=2,将初始位置与目标位置的元素各自划分为上下两个均等的类。如图7所示,将从图6得到的初始位置与目标位置的上半部分的元素进行遗传算法路径规划,算法迭代次数为1867次,最优路径的总路程为16630.27;如图8所示,将从图6得到的初始位置与目标位置的下半部分的元素进行遗传算法路径规划,算法迭代次数为1034次,最优路径的总路程为17894.34。本发明的算法总迭代次数为2901次,比传统遗传算法的迭代次数少3134次;本发明的算法求解的上、下两部分最优路径的总路程和为34524.61,比传统遗传算法求解得到的最优路径的总路程长6.37,偏差率为0.018%。
Claims (2)
1.一种基于异步遗传算法的多智能体路径规划方法,其特征在于,包含以下步骤:
步骤1:建立智能体系统模型,并获取智能体系统模型初始状态信息:
步骤3:对初始位置的多个智能体进行等分聚类:
步骤3.1:设定智能体系统模型划分的类别数量k;k≥2;
步骤3.2:通过类别数量k以及智能体的数量N,计算每一个类中含有的智能体元素数目;
情况一:当N能被k整除时,则将N个智能体聚成k个大小均等的类,每个类中元素数目n=N/k,则跳转执行步骤3.3至步骤3.7:
情况二:当N不能被k整除时,将N/k的余数设为k1,则前k-k1个类中含元素数目为[N/k],后k1个类中含元素数目为[N/k]+1,然后跳转执行步骤3.8至步骤3.15;
步骤3.3:利用聚类算法进行二分生成两个类{CP1,CQ1},并计算两个类的聚类中心位置坐标{PP1,PQ1};
其中,Pi1为第P1个类中第i1个元素的位置,nP1为第P1个类中含有的元素数目,i1∈(1,nP1);Pi2为第Q1个类中第i2个元素的位置,nQ1为第Q1个类中含有的元素数目,i2∈(1,nQ1);
步骤3.4:将两个类{CP1,CQ1}中含元素多的类定义为Cmax1,含元素少的类定义为Cmin1;
判断Cmin1中所含元素数目是否等于n;
若等于n,则直接执行步骤3.5;
若小于n,则从Cmax1中,依照欧氏距离选择离Cmin1的聚类中心距离最短的元素,分配至类Cmin1中,重复执行该步骤,直到Cmin1中元素数目等于n后执行步骤3.5;
若大于n,则从类Cmin1中,依照欧氏距离选择离类Cmax1的聚类中心距离最短的元素,分配至类Cmax1中,重复执行该步骤,直到Cmin1中元素数目等于n后执行步骤3.5;
步骤3.5:将步骤3.4中获得的含n个元素的类Cmin1保存并输出;
步骤3.6:判断是否已经生成了k个类;若否,则选择类Cmax1,跳转至步骤3.3,继续执行分类流程;若是,则直接跳转至下一步;
步骤3.7:将最后剩下的类Cmax1保存并输出;
步骤3.8:利用聚类算法进行二分生成两个类{Cp2,CQ2},并计算两个类的聚类中心位置坐标{PP2,PQ2};
其中,Pi3为第P2个类中第i3个元素的位置,nP2为第P2个类中含有的元素数目,i3∈(1,nP2);Pi4为第Q2个类中第i4个元素的位置,nQ2为第Q2个类中含有的元素数目,i4∈(1,nQ2);
步骤3.9:将两个类{Cp2,CQ2}中含元素多的类定义为Cmax2,含元素少的类定义为Cmin2;并判断此时生成类的数目是否大于等于k-k1+1;若否,则执行步骤3.10;若是,则执行步骤3.12;
步骤3.10:根据类Cmin2、Cmax2与前k-k1个类中应有元素数目[N/k],调整类中元素:
判断类Cmin2中所含元素数是否为[N/k];
若等于[N/k],则直接执行步骤3.11;
若小于[N/k],则从Cmax2中,依照欧氏距离选择离Cmin2的聚类中心距离最短的元素,分配至类Cmin2中,重复执行该步骤,直到Cmin2中元素数目等于[N/k]后执行步骤3.11;
若大于[N/k],则从Cmin2中,依照欧氏距离选择离Cmax2的聚类中心距离最短的元素,分配至Cmax2中;重复执行此步骤,直到类Cmin2中元素数目等于[N/k]后执行步骤3.11;
步骤3.11:将生成的含[N/k]个元素的类Cmin2保存并输出,选择类Cmax2,跳转至步骤3.8,继续执行分类流程;
步骤3.12:根据类Cmin2、Cmax2与后k1个类中应有元素数目[N/k]+1,调整类中元素:
判断类Cmin2中所含元素是否为[N/k]+1;
若等于[N/k]+1,则直接执行步骤3.13;
若小于[N/k]+1,则从Cmax2中,依照欧氏距离选择离类Cmin2的聚类中心距离最短的元素,分配至类Cmin2中;重复执行此步骤,直至类Cmin2中元素数目等于[N/k]+1后执行3.13;
若大于[N/k]+1,则从类Cmin2中,依照欧氏距离选择离类Cmax2的聚类中心距离最短的元素,分配至类中Cmax2;重复执行此步骤,直至类Cmin2中元素数目等于[N/k]+1后执行3.13;
步骤3.13:将生成的含[N/k]+1个元素的类Cmin2保存并输出;
步骤3.14:判断是否生成了k个类;若否,选择剩下的类Cmax2,跳转至步骤3.8,继续执行分类流程;若是,则跳转至下一步;
步骤3.15:将最后剩下的类Cmax2,保存并输出;
步骤5:对各个类中元素进行遗传算法路径规划:
先将从步骤3获得的初始位置处的类分别与步骤4获得的目标位置处的类进行对应,对应的原则为初始位置处类的聚类中心与目标位置处类的聚类中心之间距离最短;最后对相对应的初始位置处的类中所含元素与目标位置处的类中所含元素采用遗传算法进行路径规划,得到类中元素的最优路径;
步骤6:将步骤5遗传算法路径规划得到的各类中智能体的最优路径进行汇总,得到多智能体系统整体的最优路径。
2.根据权利要求1所述的基于异步遗传算法的多智能体路径规划方法,其特征在于:所述步骤5中采用遗传算法进行路径规划的具体执行步骤如下:
步骤5.1:通过编码建立表现型到基因型的映射关系:
步骤5.2:得到表现型到基因型的映射关系后,随机生成进化的初始种群;初始种群为一组染色体个体的组合;而染色体个体为一组基因型组成的字符串,一个染色体对应着问题的一个解,即初始位置到目标位置的一条路径;
步骤5.3:判断是否满足遗传算法迭代终止条件:
若是,则对基因型进行解码,得到实际的最优路径,并将最优路径输出;若否,则跳转至步骤5.4;
此处设置的迭代终止条件为智能体在本次迭代中得到的最优路径与上一次迭代结果的偏差为0;
步骤5.4:计算种群中个体适应度值:
此处将每个智能体从初始位置到目标位置路径的距离与种群中所有智能体从初始位置到目标位置路径的总路程的比值作为种群中个体适应度值的评估标准;
步骤5.5:进行选择操作:
利用精英保留机制将种群中适应度最高的个体保留,直接进入新的种群;
对其余的个体依照适应度值的高低通过轮盘赌的形式选择进入新一代种群;
步骤5.6:进行交叉操作:对种群中的染色体个体进行交叉操作,提高种群的多样性;
步骤5.7:进行变异操作:对种群中的染色体个体进行变异操作,避免算法陷入局部最优解、早熟的出现;
步骤5.8:完成一次进化,跳转至步骤5.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111107193.7A CN113741482B (zh) | 2021-09-22 | 2021-09-22 | 一种基于异步遗传算法的多智能体路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111107193.7A CN113741482B (zh) | 2021-09-22 | 2021-09-22 | 一种基于异步遗传算法的多智能体路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113741482A CN113741482A (zh) | 2021-12-03 |
CN113741482B true CN113741482B (zh) | 2023-03-21 |
Family
ID=78740376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111107193.7A Active CN113741482B (zh) | 2021-09-22 | 2021-09-22 | 一种基于异步遗传算法的多智能体路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113741482B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114415690A (zh) * | 2022-01-28 | 2022-04-29 | 上海仙工智能科技有限公司 | 一种多智能体路径规划方法、导航服务器及可读存储介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050680B (zh) * | 2014-07-04 | 2016-10-12 | 西安电子科技大学 | 基于迭代自组织和多智能体遗传聚类算法的图像分割方法 |
CN106990792B (zh) * | 2017-05-23 | 2019-12-27 | 西北工业大学 | 混合引力搜索算法的多无人机协同时序耦合任务分配方法 |
CN107238388B (zh) * | 2017-05-27 | 2018-02-23 | 合肥工业大学 | 多无人机任务分配与航迹规划联合优化方法及装置 |
CN107292450A (zh) * | 2017-07-18 | 2017-10-24 | 西安电子科技大学 | 基于多智能体遗传算法的灾害救援救护车路径规划方法 |
CN110163544A (zh) * | 2018-04-03 | 2019-08-23 | 西安科技大学 | 一种基于优化的遗传算法进行货物配送的方法 |
CN109164810B (zh) * | 2018-09-28 | 2021-08-10 | 昆明理工大学 | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 |
CN110442143B (zh) * | 2019-07-05 | 2020-10-27 | 北京航空航天大学 | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 |
US11762819B2 (en) * | 2019-10-15 | 2023-09-19 | Target Brands, Inc. | Clustering model analysis for big data environments |
CN112000131B (zh) * | 2020-09-09 | 2022-08-02 | 中国人民解放军国防科技大学 | 基于人工势场法的无人机集群路径规划方法及系统 |
CN112731967B (zh) * | 2020-12-24 | 2021-11-19 | 中科院计算技术研究所大数据研究院 | 一种基于聚类和遗传算法的多无人机协同任务规划方法 |
CN113093785B (zh) * | 2021-03-09 | 2022-10-11 | 中国电子科技集团公司第五十四研究所 | 一种通信支援下的无人机群目标覆盖方法 |
CN113238232B (zh) * | 2021-05-06 | 2022-03-25 | 中国海洋大学 | 面向海洋静态目标的自主水下航行器系统目标搜索方法 |
-
2021
- 2021-09-22 CN CN202111107193.7A patent/CN113741482B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113741482A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Stanley et al. | Evolving neural networks through augmenting topologies | |
CN113034026B (zh) | 基于Q-learning和GA的多目标柔性作业车间调度自学习方法 | |
CN114186749B (zh) | 基于强化学习及遗传算法的柔性车间调度方法及模型 | |
Liu et al. | An adaptive online parameter control algorithm for particle swarm optimization based on reinforcement learning | |
CN105629927A (zh) | 一种基于混合遗传算法的mes生产计划排产方法 | |
Adibi et al. | A clustering-based modified variable neighborhood search algorithm for a dynamic job shop scheduling problem | |
Yu et al. | A new design of genetic algorithm for solving TSP | |
CN111832725B (zh) | 一种基于改进遗传算法的多机器人多任务分配方法及装置 | |
CN111784072B (zh) | 一种车辆路径问题的优化方法及装置 | |
CN106611378A (zh) | 一种基于优先权编码的混合遗传算法解作业车间调度问题 | |
CN106991442A (zh) | 混合蛙跳算法的自适应核k‑means方法与系统 | |
Wang et al. | Solving task scheduling problems in cloud manufacturing via attention mechanism and deep reinforcement learning | |
CN113741482B (zh) | 一种基于异步遗传算法的多智能体路径规划方法 | |
CN115965169A (zh) | 路径规划方法、智能设备及计算机可读存储介质 | |
Fu et al. | Solving TSP problem with improved genetic algorithm | |
CN111401693A (zh) | 一种带机器人运输的柔性车间调度优化方法及系统 | |
CN112783210A (zh) | 无人机集群控制系统的多目标控制参数调优方法 | |
CN106919504B (zh) | 一种基于ga算法的测试数据进化生成方法 | |
Chattopadhyay et al. | Feature selection using differential evolution with binary mutation scheme | |
CN116933485A (zh) | 一种遗传贪心组合算法的装配序列规划方法 | |
Gao et al. | An adaptive framework to select the coordinate systems for evolutionary algorithms | |
CN116341860A (zh) | 一种基于改进nsga-ⅱ算法的车辆调度优化方法 | |
CN113141272B (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
Miyandoab et al. | Compact NSGA-II for Multi-objective Feature Selection | |
CN111883208B (zh) | 一种基因序列优化方法、装置、设备及介质 |
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 |