CN113759927A - 基于人工蜂群-自适应遗传算法的仓储机器人路径规划方法 - Google Patents

Abstract

本发明涉及一种基于人工蜂群‑自适应遗传算法的仓储机器人路径规划方法，属于路径规划领域，本方法中，根据仓储环境、障碍区域位置信息建立栅格地图；针对遗传算法的性能依赖于初始种群的质量、遗传算子的选择、交叉和变异操作，在求解机器人路径规划时存在收敛速度慢、易陷入局部最优等缺点，引入人工蜂群算法蜜蜂寻找蜜源机制生成初始种群，提高遗传算法初始种群质量；针对路径规划目标函数进行优化，将路径长度、路径转弯节点数、能耗因子作为评价指标；引入自适应交叉、变异算子以提高算法的收敛速度；针对改进后的遗传算法与传统遗传算法进行对比，本发明在算法收敛速度、路径平滑度和能耗方面大幅度提升。

Description

基于人工蜂群-自适应遗传算法的仓储机器人路径规划方法

技术领域

本发明属于机器人路径规划领域，涉及一种基于人工蜂群-自适应遗传算法的仓储机器人路径规划方法。

背景技术

近年来，以阿里巴巴、京东和拼多多为主导的电商业务的兴起，将中国快递包裹的数量推向了新高。爆炸式增长的包裹数量对仓储物流系统的作业效率提出了更高的要求，而仓储机器人拣选路径规划是影响仓储作业效率主要因素之一。

路径规划的目的是再有障碍物的环境下找到一条从起点到终点无碰撞的最优路径，在实际应用中，往往还要实现更多目标，例如所需时间最短、路径最短、能耗最少等等，而这些目标往往又存在冲突，路径最短，能耗不是最优，这使得传统的方法不再适用，所以对路径规划算法研究及改进是十分必要的。

国内外学者提出了很多用于解决机器人路径规划问题的算法，常用的有粒子群算法、蚁群算法和遗传算法。遗传算法具备良好的并行性，它能够对搜索空间中的多个解进行评估，使其在计算求解过程中呈现出良好的全局搜索性能，适合用于求解仓储机器人路径规划，然而基本遗传算法容易陷入局部最优、收敛速度慢等缺点。

发明内容

有鉴于此，本发明的目的在于考虑路径长度、转弯次数和能耗等问题对基本遗传算法进行改进，用于求解一条能耗少、路径长度和平滑度都尽可能小的路径。

为达到上述目的，本发明提供如下技术方案：

一种基于人工蜂群-自适应遗传算法的仓储机器人路径规划方法，包括以下步骤：

S1：根据仓储环境、障碍区域位置信息建立栅格地图；

S2：初始化相关参数，包括种群大小N，最大进化代数G，引领蜂数量N_B，跟随蜂N_O，蜂群最大迭代次数MaxIter，蜜源最大循环次数Limit，交叉概率的上限P_{c_max}、下限P_{c_max}，变异概率的上限P_{m_max}、下限P_{m_min}，交叉概率参数P_c′，变异概率参数P_m′；

S3：人工蜂群算法生成初始种群；

S4：判断栅格是否连续，若不连续则用插入算子进行填补，连接成可行路径；

S5：计算种群适应度，适应度函数由路径总长度、转弯节点数和运行能耗组成；

S6：判断是否达到最大进化次数，若是则输出种群的最优解，算法结束，否则转至S7；

S7：采用锦标赛选择法和精英保留策略相结合的方式选择父代个体，将最优个体保留至下一代，继续进行交叉变异操作；

S8：生成一个(0，1)之间的随机数，判断是否满足自适应调整策略的交叉算子的交叉概率pc，若满足则转至S9，否则转至S10；

S9：对种群进行交叉操作，生成新的个体；

S10：生成一个(0，1)之间的随机数，判断是否满足自适应调整策略的变异算子的变异概率pm，若满足则转至S11，否则转至S13；

S11：对种群进行变异操作，生成新的个体；

S12：判断栅格是否连续，若不连续则用插入算子进行填补，连接成可行路径

S13：生成新一代种群，进化次数加一，转至S5。

进一步，所述步骤S3具体包括以下步骤：

S3.1：蜂群按照下式以随机的方式进行初始化生成蜜源

x_ij＝x_j ^min+(x_j ^max-x_j ^min)·rand(0，1)

式中：i∈[1，N]为蜂蜜编号，x_ij为蜜源位置，j∈[1，D]为生存维度，D＝2，x_j ^max、x_j ^min为维度j的上下界，rand(0，1)为(0，1)间的随机数；

S3.2：引领蜂采用交叉方式搜索蜜源，搜索公式如下：

式中：j∈[1，D]为生存维度，D＝2，x_j ^max、x_j ^min为维度j的上下界，rand(0，1)为(0，1)间的随机数，x_j为引领蜂搜索到的新蜜源位置；x_ij为原蜜源位置；

S3.3：引领蜂通过摇摆舞将蜜源浓度信息传递给跟随蜂，跟随蜂依据蜜源浓度选择引领蜂，公式如下：

式中：P_i为引领蜂被选概率；N_B为引领蜂数量；fit_i为第i只引领蜂所在位置的蜜源浓度。

S3.4：当引领蜂或跟随蜂在某一蜜源附近搜索次数达到设定次数limit，则放弃此处蜜源，同时引领蜂转化为侦查蜂在搜索区域内进行大范围随机搜索，按照下式搜索产生新蜜源代替它，接下来返回引领蜂和跟随蜂搜索过程，重复循环直至找到最优解：

x_ij＝x_j ^min+(x_j ^max-x_j ^min)·rand(0，1)

式中：i∈[1，N]为蜂蜜编号，x_ij为蜜源位置，j∈[1，D]为生存维度，D＝2，x_j ^max、x_j ^min为维度j的上下界，rand(0，1)为(0，1)间的随机数。

进一步，所述步骤S4中判断栅格是否连续的方法为：

Δ＝max{abs(x_k+1-x_k)，abs(y_k+1-y_k)}

式中：(x_k，y_k)，(x_k+1，y_k+1)为相邻两栅格p_k和p_k+1的坐标，若Δ＝1，则p_k和p_k+1连续，否则按照式平均值法插入自由栅格坐标(x_k′，y_k′)，若附近均为障碍栅格，则淘汰此路径，计算方法为：

进一步，步骤S5中，考虑路径总长度、转弯节点数和运行能耗三个因子，定义种群适应度函数如下所示：

式中：path_lenth表示路径长度；node_num表示路径转弯节点数；f_p表示运行能耗因子，η表示转弯能耗效率，angle表示路径累计转弯角度，r表示机器人转弯半径，a+b+c＝1为权重因子。

进一步，步骤S8中所述自适应交叉概率计算方法为：

式中：P_{c_max}、P_{c_min}分别表示交叉概率的上限和下限，f_max、f_min分别是种群适应度的最大值和最小值，f_avg为每代种群适应度的平均值，f′为交叉的两个体中较大的适应度值，P_c′和P_m′分别为交叉和变异概率参数。

进一步，步骤S10中所述自适应变异概率计算方法为：

式中：P_{m_max}、P_{m_min}分别表示变异概率的上限和下限，f_max、f_min分别是种群适应度的最大值和最小值，f_avg为每代种群适应度的平均值，f为要变异个体的适应度值，P_m′变异概率参数。

本发明的有益效果在于：本发明引入人工蜂群算法蜜蜂寻找蜜源机制生成初始种群，提高遗传算法初始种群质量；针对改进后的遗传算法与传统遗传算法进行对比，本发明在算法收敛速度、路径平滑度和能耗方面大幅度提升。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明基于人工蜂群-自适应遗传算法的仓储机器人路径规划方法流程图；

图2为模拟仓储环境的栅格地图；

图3为基本遗传算法的路径仿真；

图4为基本遗传算法的路径收敛曲线；

图5为基本遗传算法的能耗收敛曲线；

图6为本发明改进遗传算法的路径仿真；

图7为本发明改进遗传算法的路径收敛曲线；

图8为本发明改进遗传算法的能耗收敛曲线。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”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，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明提出的一种基于人工蜂群-自适应遗传算法的仓储机器人路径规划方法流程图如图1所示，包括以下步骤：

S1：首先根据仓储环境、障碍区域位置信息建立20*20的栅格地图，如图2所示；

S2：初始化相关参数，包括：种群大小N，最大进化代数G，引领蜂数量N_B，跟随蜂N_O，蜂群最大迭代次数MaxIter，蜜源最大循环次数Limit，交叉概率的上限P_{c_max}下限P_{c_min}，变异概率的上限P_{m_max}，下限P_{m_min}，交叉概率参数P_c′，变异概率参数P_m′；

S3：人工蜂群算法生成初始种群；

S4：判断栅格是否连续，若不连续则用插入算子进行填补，连接成可行路径，判断方法为：

Δ＝max{abs(x_k+1-x_k)，abs(y_k+1-y_k)}

式中：(x_k，y_k)，(x_k+1，y_k+1)为相邻两栅格p_k和p_k+1的坐标，若Δ＝1，则p_k和p_k+1连续，否则按照式平均值法插入自由栅格坐标(x_k′，y_k′)，若附近均为障碍栅格，则淘汰此路径，计算方法为：

S5：计算种群适应度，适应度函数由路径长度、转弯节点数和运行能耗组成，计算方法为：

式中：path_lenth路径长度；node_num路径转弯节点数；f_p运行能耗因子，η转弯能耗效率，angle路径累计转弯角度，r机器人转弯半径，a+b+c＝1为权重因子。

S6：判断是否达到最大进化次数，若是则输出种群的最优解，算法结束，否则转至S7；

S7：采用锦标赛选择法和精英保留策略相结合的方式选择父代个体，将最优个体保留至下一代，继续进行交叉变异操作；

S8：生成一个(0，1)之间的随机数，判断是否满足自适应调整策略的交叉算子的交叉概率pc，若满足则转至S9，否则转至S10，自适应交叉概率计算方法为：

式中：P_{c_max}、P_{c_min}分别表示交叉概率的上限和下限，f_max、f_min分别是种群适应度的最大值和最小值，f_avg为每代种群适应度的平均值，f′为交叉的两个体中较大的适应度值，P_c′和P_m′分别为交叉和变异概率参数。

S9：对种群进行交叉操作，生成新的个体；

S10：生成一个(0，1)之间的随机数，判断是否满足自适应调整策略的变异算子的变异概率pm，若满足则转至S11，否则转至S13，自适应变异概率计算方法为：

式中：P_{m_max}、P_{m_min}分别表示变异概率的上限和下限，f_max、f_min分别是种群适应度的最大值和最小值，f_avg为每代种群适应度的平均值，f为要变异个体的适应度值，P_m′变异概率参数。

S11：对种群进行变异操作，生成新的个体；

S12：判断栅格是否连续，若不连续则用插入算子进行填补，连接成可行路径

S13：生成新一代种群，进化次数加一，转至S5；

步骤S3的具体实施过程：

S3.1蜂群按照下式以随机的方式进行初始化生成蜜源

x_ij＝x_j ^min+(x_j ^max-x_j ^min)·rand(0，1)

式中：i∈[1，N]为蜂蜜编号，x_ij为蜜源位置，j∈[1，D]为生存维度，D＝2，x_j ^max、x_j ^min为维度j的上下界，rand(0，1)为(0，1)间的随机数。

S3.2引领蜂采用交叉方式搜索蜜源，搜索公式如下：

式中：j∈[1，D]为生存维度，D＝2，x_j ^max、x_j ^min为维度j的上下界，rand(0，1)为(0，1)间的随机数，x_j为引领蜂搜索到的新蜜源位置；x_ij为原蜜源位置。

S3.3引领蜂通过摇摆舞将蜜源浓度信息传递给跟随蜂，跟随蜂依据蜜源浓度选择引领蜂，公式如下：

式中：P_i为引领蜂被选概率；N_B为引领蜂数量；fit_i为第i只引领蜂所在位置的蜜源浓度。

S3.4当引领蜂或跟随蜂在某一蜜源附近搜索次数达到设定次数limit，则放弃此处蜜源，同时引领蜂转化为侦查蜂在搜索区域内进行大范围随机搜索，按照下式搜索产生新蜜源代替它，接下来返回引领蜂和跟随蜂搜索过程，重复循环直至找到最优解。

x_ij＝x_j ^min+(x_j ^max-x_j ^min)·rand(0，1)

式中：i∈[1，N]为蜂蜜编号，x_ij为蜜源位置，j∈[1，D]为生存维度，D＝2，x_j ^max、x_j ^min为维度j的上下界，rand(0，1)为(0，1)间的随机数。

为了验证本发明方法的正确性和有效性，使用两轮差速驱动半径r＝0.5m，驱动总功率120w的圆形AGV，在MATLAB2016b软件中用图2所示的栅格地图进行仿真实验，与基本遗传算法进行对比。对基本遗传算法参数设置如下：种群大小N＝200，最大进化代数G＝400，交叉概率P_c＝0.8，变异概率P_m＝0.1。而改进遗传算法的参数设置为：种群大小N＝200，最大进化代数G＝400，引领蜂数量N_B＝200，跟随蜂N_O＝200，蜂群最大迭代次数MaxIter＝60，蜜源最大循环次数Limit＝100，交叉概率的上限P_{c_max}＝0.9，下限P_{c_min}＝0.4，变异概率的上限P_{m_max}＝0.1，下限P_{m_min}＝0.01，交叉概率参数P_c′＝0.6，变异概率参数P_m′＝0.05，η＝0.8，权重系数a＝0.6，b＝c＝0.2。

表1仿真实验结果对比

基本遗传算法和改进遗传算法的最优解及收敛曲线分别如图3，4，5，6，7，8所示，具体实验结果如表1所示，基本遗传算法在进化到184次才得到最优解，路径长度为32.7279m，而改进遗传算法的收敛速度大幅提升，在进化21次就搜索到最优路径长度33.3137m，只有6个转弯节点，比基本遗传算法的16个转弯节点路径更平滑，且改进遗传算法能耗为4294.1341J，基本遗传算法消耗4530.5634J，本发明改进算法规划的路径比基本遗传算法长1.79％，转弯节点数减少62.5％，迭代次数减少88.59％，路径能耗相应减少5.22％。本发明改进的人工蜂群-自适应遗传算法(ABC-AGA)在更少的迭代次数规划出更平滑能耗更少的路径，证明了改进遗传算法的正确性及有效性，更加适用于仓储机器人路径规划。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于人工蜂群-自适应遗传算法的仓储机器人路径规划方法，其特征在于：包括以下步骤：

S1：根据仓储环境、障碍区域位置信息建立栅格地图；

S2：初始化相关参数，包括种群大小N，最大进化代数G，引领蜂数量N_B，跟随蜂N_O，蜂群最大迭代次数MaxIter,蜜源最大循环次数Limit,交叉概率的上限P_{c_max}、下限P_{c_max}，变异概率的上限P_{m_max}、下限P_{m_min}，交叉概率参数P_c′，变异概率参数P_m′；

S3：人工蜂群算法生成初始种群；

S4：判断栅格是否连续，若不连续则用插入算子进行填补，连接成可行路径；

S5：计算种群适应度，适应度函数由路径总长度、转弯节点数和运行能耗组成；

S6：判断是否达到最大进化次数，若是则输出种群的最优解，算法结束，否则转至S7；

S7：采用锦标赛选择法和精英保留策略相结合的方式选择父代个体，将最优个体保留至下一代，继续进行交叉变异操作；

S8：生成一个(0,1)之间的随机数，判断是否满足自适应调整策略的交叉算子的交叉概率pc，若满足则转至S9，否则转至S10；

S9：对种群进行交叉操作，生成新的个体；

S10：生成一个(0,1)之间的随机数，判断是否满足自适应调整策略的变异算子的变异概率pm，若满足则转至S11，否则转至S13；

S11：对种群进行变异操作，生成新的个体；

S12：判断栅格是否连续，若不连续则用插入算子进行填补，连接成可行路径

S13：生成新一代种群，进化次数加一，转至S5。

2.根据权利要求1所述的基于人工蜂群-自适应遗传算法的仓储机器人路径规划方法，其特征在于：所述步骤S3具体包括以下步骤：

S3.1：蜂群按照下式以随机的方式进行初始化生成蜜源

x_ij＝x_j ^min+(x_j ^max-x_j ^min)·rand(0,1)

式中：i∈[1,N]为蜂蜜编号，x_ij为蜜源位置，j∈[1,D]为生存维度，D＝2,x_j ^max、x_j ^min为维度j的上下界，rand(0,1)为(0,1)间的随机数；

S3.2：引领蜂采用交叉方式搜索蜜源，搜索公式如下：

式中：j∈[1,D]为生存维度，D＝2，x_j ^max、x_j ^min为维度j的上下界，rand(0,1)为(0,1)间的随机数，x_j为引领蜂搜索到的新蜜源位置；x_ij为原蜜源位置；

S3.3：引领蜂通过摇摆舞将蜜源浓度信息传递给跟随蜂，跟随蜂依据蜜源浓度选择引领蜂，公式如下：

式中：P_i为引领蜂被选概率；N_B为引领蜂数量；fit_i为第i只引领蜂所在位置的蜜源浓度；

S3.4：当引领蜂或跟随蜂在某一蜜源附近搜索次数达到设定次数limit，则放弃此处蜜源，同时引领蜂转化为侦查蜂在搜索区域内进行大范围随机搜索，按照下式搜索产生新蜜源代替它，接下来返回引领蜂和跟随蜂搜索过程，重复循环直至找到最优解：

x_ij＝x_j ^min+(x_j ^max-x_j ^min)·rand(0,1)

式中：i∈[1,N]为蜂蜜编号，x_ij为蜜源位置，j∈[1,D]为生存维度，D＝2,x_j ^max、x_j ^min为维度j的上下界，rand(0,1)为(0,1)间的随机数。

3.根据权利要求1所述的基于人工蜂群-自适应遗传算法的仓储机器人路径规划方法，其特征在于：所述步骤S4中判断栅格是否连续的方法为：

Δ＝max{abs(x_k+1-x_k),abs(y_k+1-y_k)}

式中：(x_k,y_k),(x_k+1,y_k+1)为相邻两栅格p_k和p_k+1的坐标，若Δ＝1，则p_k和p_k+1连续，否则按照式平均值法插入自由栅格坐标(x_k′,y_k′)，若附近均为障碍栅格，则淘汰此路径，计算方法为：

4.根据权利要求1所述的基于人工蜂群-自适应遗传算法的仓储机器人路径规划方法，其特征在于：步骤S5中，考虑路径总长度、转弯节点数和运行能耗三个因子，定义种群适应度函数如下所示：

式中：pathy_lenth表示路径长度；node_num表示路径转弯节点数；f_p表示运行能耗因子，η表示转弯能耗效率，angle表示路径累计转弯角度，r表示机器人转弯半径，a+b+c＝1为权重因子。

5.根据权利要求1所述的基于人工蜂群-自适应遗传算法的仓储机器人路径规划方法，其特征在于：步骤S8中所述自适应交叉概率计算方法为：

式中：P_{c_max}、P_{c_min}分别表示交叉概率的上限和下限，f_max、f_min分别是种群适应度的最大值和最小值，f_avg为每代种群适应度的平均值，f′为交叉的两个体中较大的适应度值，P_c′和P_m′分别为交叉和变异概率参数。

6.根据权利要求5所述的基于人工蜂群-自适应遗传算法的仓储机器人路径规划方法，其特征在于：步骤S10中所述自适应变异概率计算方法为：

式中：P_{m_max}、P_{m_min}分别表示变异概率的上限和下限，f_max、f_min分别是种群适应度的最大值和最小值，f_avg为每代种群适应度的平均值，f为要变异个体的适应度值，P_m′变异概率参数。

Images