CN113805595B - 一种基于改进混沌粒子群的综合体空间内路径规划方法 - Google Patents
一种基于改进混沌粒子群的综合体空间内路径规划方法 Download PDFInfo
- Publication number
- CN113805595B CN113805595B CN202111130274.9A CN202111130274A CN113805595B CN 113805595 B CN113805595 B CN 113805595B CN 202111130274 A CN202111130274 A CN 202111130274A CN 113805595 B CN113805595 B CN 113805595B
- Authority
- CN
- China
- Prior art keywords
- path
- particle
- complex space
- chaotic
- moved
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000000739 chaotic effect Effects 0.000 title claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000013507 mapping Methods 0.000 claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000004888 barrier function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 238000000265 homogenisation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000003313 weakening effect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 5
- 238000002474 experimental method Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract 1
- 238000004088 simulation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011423 initialization method Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 231100000817 safety factor Toxicity 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
- G05D1/0212—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
- G05D1/0276—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)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进混沌粒子群的综合体空间内路径规划方法，首先提出了一种平均化的Logstic混沌映射方式，利用这种混沌序列进行分段初始化形成综合体空间内待移动体初始路径，其次提出了一种基于初始路径的自适应适应度值计算方法，最后提出了一种基于当前综合体空间内待移动体获得的最优路径和粒子最大速度变化的学习因子和最大速度更新策略以及精英保留策略，克服了现有基于粒子群算法的路径规划方法收敛速度慢，收敛精度不高的缺点，提高了空间切换效率。最后对本发明所提的方法进行了仿真实验以及对比实验，证实了本发明的优越性。本发明主要用于综合体空间内移动智能体的自动路径规划。
Description
技术领域
本发明涉及小型文化服务综合体多种文化活动空间组合变换与控制技术领域，特别涉及了一种基于改进混沌粒子群的综合体空间内路径规划方法。
背景技术
随着科学技术的不断发展，农村文化活动的多样性与自组织性越来越高。通过对国内基层公共文化场馆情况的调查与初步分析，农村基层社区对综合文化的需求较大，但现有分类配置的文化设施不能满足居民对综合文化需求的期望。小型文化服务综合体可以较好的解决该问题，其着力点是推行多功能活动空间建设，它可以集成民俗活动、展览、会议、阅览等功能，形成一体化的场馆服务载体，既满足了农村基层文化的多样性和自组织性的需求，又探索出一条满足我国新农村公共文化服务要求的新模式。
为了达到小型文化综合体“一馆多用”要求，往往要通过移动智能体协助完成多种功能空间相互快速组合以及切换，实现小型综合体空间内拥挤环境下的自主轨迹规划与快速搬运服务等。空间切换过程中，为了满足一定的切换要求，如切换时间、切换能耗、安全因素等，各移动单元需要按照预先设定的规划来有序进行调整，另外在各空间相对位置不明确时，各移动单元可能会自主开展一些移动控制，避免碰撞，因此需要通过路径规划自动规划出一条可行且较优的路径。而目前在综合体空间内切换领域中，相关研究非常少，针对综合体空间内的路径规划的研究内容几乎空白。
随着机器人技术的不断发展和应用，路径规划成为了目前非常热门的一项研究工作，相关研究方法层出不穷，目前主要包括三类方法，经典算法、元启发式算法、人工智能算法，目前实际应用较多的是经典算法和元启发式算法。粒子群算法是1995年由Eberhart和Kennedy提出的一种进化元启发式优化算法，通过多年的研究和发展，目前在很多优化领域上都有应用，如自动控制、机器学习、路径规划等。
发明内容
针对现有技术中存在的上述问题，本发明的目的在于提供一种基于改进混沌粒子群的综合体空间内路径规划方法，该方法不仅解决了当前现有的粒子群路径规划方法规划速度慢、收敛精度不高等问题，而且实现了综合体空间内移动智能体的路径规划和避障的功能，使得综合体的空间切换效率达到提升。
为了实现上述目的，本发明采用以下技术方案：
本发明公开的一种基于改进混沌粒子群的综合体空间内路径规划方法，其特征在于包括下列步骤：
S1：规定映射环境，将综合体空间内物理环境映射到n*n的平面坐标系中，通过圆形和矩形的组合重叠形成综合体空间内待移动单元周围的障碍物信息，设为地图信息，再将该组合重叠图像膨胀处理，膨胀宽度为移动单元自身大小；
S2：初始化算法的各个参数以及综合体空间内待移动单元的参数；
S3：通过Logistic混沌映射关系建立混沌映射序列；
S4：通过分段混沌初始化种群的方法生成综合体空间内待移动单元的初始路径；
S5：在得到初始种群后，通过自适应的计算适应度值的方法计算综合体空间内待移动单元所有路径的适应度，并初始化局部最优粒子和全局最优粒子；
S6：在初始化完毕后，开始进入主循环，通过迭代计算更新种群，使得综合体空间内待移动单元获得的最优路径越来越短；
S7：当迭代次数到达设定值时代表算法寻优结束，全局最优粒子即为最终寻优路径节点信息，加上起始点和终点后，将所有点连成线即为算法最终规划出的综合体空间内待移动单元要移动的路径。
进一步地，本发明限定了步骤S2中的初始化算法的参数包括待移动单元起点坐标P1和终点坐标Pn、待移动单元周围障碍物信息、种群大小possize、迭代次数gennum、权重因子w，局部学习因子c1，全局学习因子c2，共享学习因子c3，最大学习因子cmax，最小学习因子cmin，最大速度vmax，粒子维度dim；定义item为当前迭代次数，lim为粒子移动范围大小，表示为1×4维的向量，lim(1)为横轴下界，lim(2)为横轴上界，lim(3)为纵轴下界，lim(4)为纵轴上界。
进一步地，本发明限定了步骤S3通过Logistic混沌映射关系建立混沌映射序列的具体方法为：首先建立混沌映射序列Zn，通过Logistic混沌映射函数迭代N次生成N个混沌数，表示为Zn＝[Z1，Z2,…ZN]，其中Logistic混沌映射函数表示为Zn+1＝Zn×μ×(1-Zn)其中μ∈[0,4]，Z∈[0,1]，Zn表示第n个混沌数，n＝1,...,N；Logistic混沌映射后再进行均匀化处理，具体方法为过滤掉Z∈[0,0.1]和Z∈[0.9,1]两个范围内的部分数据，具体为删除0～0.1范围内a个数据、删除0.9～1范围内b个数据，处理后的混沌映射序列表示为Xj＝[X1,X2,…XN-a-b]，j＝1,...,N-a-b，其中Xj是Zn的一个子集。
进一步地，本发明限定了步骤S4的通过分段混沌初始化种群的方法生成综合体空间内待移动单元的初始路径，具体过程如下：
S401：用S3提到的方法生成混沌映射序列Ix和Iy，每个序列元素个数为K，然后将序列Ix按照从小到大排序处理，最后将序列Ix和Iy转换为(K/dim)×dim维矩阵，其中xn为1×dim维的向量,n＝1，2,…,K/dim；同理/>yn为1×dim维的向量，n＝1，2,…,K/dim；
S402：在得到预处理后的混沌序列Ix和Iy后，建立如下规则，具体如式(1-1)和式(1-2)所示：
首先令i＝1，j＝1
PXj＝lim(1)+(lim(2)-lim(1))×xi (1-1)
PYj＝lim(3)+(lim(4)-lim(3))×yi (1-2)
其中i∈[1,K/dim]，j∈[1,possize],xi、yi为S401所提1×dim维的向量，lim为粒子移动范围；由此得到第一条路径P1，它包含了dim个坐标点，P1中所有点的横坐标为PX1，所有点的纵坐标为PY1；P1所包含的所有点即为综合体空间内待移动单元要行进切换的关键点；
S403：将起始点和终点加入到P1中，判断该路径是否经过综合体空间内待移动单元周围的障碍物，具体方法为：遍历每两个邻近点之间线段，对该线段采样若干个点，判断每个点的坐标是否在障碍物表示范围内，若在则表示路径穿过了障碍物，若经过障碍物，则返回步骤S402并令i加1，若生成的路径不经过障碍物，则令j加1，并返回步骤S402，如此反复直到全部初始化。
进一步地，本发明限定了步骤S5中通过自适应的计算适应度值的方法，该自适应的计算适应度值具体计算方法如式(2-1)、式(2-2)、式(2-3)所示：
其中xt为综合体空间内待移动单元终点横坐标，yt为终点纵坐标，xs为综合体空间内待移动单元起点横坐标，ys为起点纵坐标，dis为每个粒子当前规划的路径距离，init_pgdis为初始化种群中最优个体的路径长度，δ为自适应适应度值控制系数。
进一步地，本发明限定了步骤S6的具体过程如下：
S601：判断每个粒子所规划的路径是否与障碍物相交，即移动体在从设定的起点到终点之间根据规划的路径移动时是否会和障碍物产生碰撞，首先计算collision，collision为possize×1维向量；
S602：计算每个粒子的适应度fitvalue，局部最优粒子pbest，全局最优粒子gbest；
S603：计算共享学习粒子S，该粒子的作用是增大粒子的运动范围，提高局部寻优能力，提高综合体空间内移动体的路径规划精度，具体计算公式如式(3-1)和式(3-2)所示：
其中xn为当前每个粒子的横坐标集合，yn为当前每个粒子的纵坐标集合，因此Sx为1×dim维向量，Sy为1×dim维向量；
S604：更新粒子速度，进而更新综合体空间内移动体的规划路径，使其不断的进行寻优，使得移动体的移动路径不断变短，该速度更新方式如式(4-1)、式(4-2)、式(4-3)、式(4-4)所示：
newvx＝w*vx+c1*Xi*(pidx-posx)+c2*Xi+1*(pgdx-posx)+c3*Xi+2*(Sx-posx) (4-1)
newvy＝w*vy+c1*Xi+3*(pidy-posy)+c2*Xi+4*(pgdy-posy)+c3*Xi+5*(Sy-posy) (4-2)
其中v为当前速度，newv为更新后速度，Xn为S3步骤生成的混沌序列；
S605：获得更新后的速度后即可更新粒子的位置，更新后的粒子即为综合体空间内移动体的移动路径的关键点坐标，具体更新方法如式5-1、5-2所示：
其中newpos为更新后的粒子位置，pos为当前粒子位置，两者都是possize×dim维矩阵；
S606：采用基于适应度值变化的学习因子更新方法，包括局部学习因子c1，全局学习因子c2，共享学习因子c3，具体更新方法如式(6-1)、式(6-2)、式(6-3)所示：
其中newc1、newc2、newc3为更新后的学习因子，c1、c2为当前学习因子，α为线性增量常数，β为控制变量常数，两者取值范围都在0～1之间；
S607：将惯性权重因子w的更新方式分为三部分，先弱化局部寻优能力，使粒子快速收敛到较优范围；然后提高局部寻优能力，增加收敛精度；最后再减小局部寻优能力，加快收敛速度。该具体更新方式如式7-1所示：
其中X为S3步骤生成的混沌序列；
S608：为获得更短更优的无碰撞移动路径，采用基于适应度值变化和最大速度变化的自适应最大速度vmax更新方法，其具体方法如式8-1所示：
其中newvmax为更新后的vmax，γ为vmax的更新增量常数，取值范围在0～1之间；
S609：为综合体空间内移动体获得较短距离且无碰撞的移动路径的速度，加入了精英保留策略，具体保留方式为：当最优适应度更新时即综合体空间内待移动体获得了更加优良的移动路径时，或者vmax达到时，将群体中适应度较低的四分之一种群的粒子全部替换为全局最优粒子gbest，如此即能提高综合体空间内移动体获得更优路径的概率和速度；
S610：判断当前迭代次数item是否等于最大迭代次数gennum，若不等于则返回步骤S601，并令item加1。
通过采用上述技术，与现有技术相比，本发明具有如下有益效果：
(1)本发明通过采用基于分段混沌初始化的方法，对混沌映射序列进行一定的预处理后，使得算法更快的获得初始解，且使得解的分布更加均匀，为更好且更快的获得综合体空间内移动体的最优移动路径提供了可能；
(2)本发明通过采用自适应的适应度计算方法，使得对于碰到障碍物的路径适应度值不再为0，保留了这些路径一定的信息，扩大了粒子的学习范围，提高了算法的执行效率，进而使得空间切换的效率得到提升；
(3)本发明通过采用自适应的学习因子更新方式和最大速度更新方式，通过将移动体目前获得的最优路径信息的变化以及最大速度的变化和学习因子以及最大速度联系在一起，建立了良好的反馈关系，使得算法的收敛速度和收敛精度得到一定提升，进而提高了综合体空间内移动体路径规划的质量和规划速度；
(4)本发明通过采用精英保留策略，将粒子最大速度和移动体目前获得的最优路径信息与精英保留策略联系在一起，建立良好的反馈关系，提高了综合体空间内移动体获得更优路径的概率；
(5)本发明通过采用限定的方法，不仅解决了当前现有的粒子群路径规划方法规划速度慢、收敛精度不高等问题，而且实现了综合体空间内移动智能体的路径规划和避障的功能，使得综合体的空间切换效率达到提升。
附图说明
图1为本发明的具体操作流程图；
图2为本发明实施例中障碍物分布示意图；
图3为本发明实施例中混沌分段初始化流程图；
图4为本发明实施例中初始路径分布示意图；
图5为本发明实施例中算法迭代计算流程图；
图6为本发明实施例中最终规划路径示意图；
图7为PSO-MFB算法与本发明算法得到的第一路径规划示意图对比图；
图8为PSO-MFB算法与本发明算法得到的第二路径规划示意图对比图；
图9为PSO-MFB算法与本发明算法得到的第三路径规划示意图对比图。
具体实施方式
下面结合说明书附图与具体实施施对本发明作进一步详细描述：
本发明的基于改进混沌粒子群的综合体空间内路径规划方法，由图1可知本发明实施的具体流程为：开始后，首先初始化地图信息、算法参数，然后利用分段混沌初始化建立混沌分段初始化种群，接着利用本发明所提方法进行迭代计算，不断更新种群，直到满足最大迭代次数，最后将全局最优个体作为最终路径节点，输出最终路径后结束，如图1-9所示，该方法具体实施步骤如下所示：
S1：规定映射环境，将综合体空间内物理环境映射到n×n的平面坐标系中，通过圆形和矩形的组合重叠形成待移动单元周围的障碍物信息，再将该组合重叠图像膨胀处理，膨胀宽度为移动单元自身大小，为了研究方便，规定待移动单元映射为坐标系中某一点，规划出的路径表示为一些列点的集合P1，P2，...Pn，将所有点连接起来就是规划出的实际路径，其中P1起始点，Pn为终点，该路径就是综合体空间内待移动单元要移动的路径，通过对每两个点之间求解欧式距离再求和即得到规划路径的距离，本发明实施例中，如图2所示，设定规划地图的范围为10*10，综合体空间内移动体路径规划的起始点坐标为(0,0)，目标点为(10,10)，障碍物信息如表1所示。
表1障碍物信息分别表
S2：初始化算法的参数，包括待移动单元起点坐标P1和终点坐标Pn、待移动单元周围障碍物信息，本发明实施例中，定义item为当前迭代次数，lim为粒子移动范围大小，定义种群大小possize为21、迭代次数gennum为300、权重因子w为0～1间的随机数，局部学习因子c1为3，全局学习因子c2为1，共享学习因子c3为1，最大学习因子cmax为5，最小学习因子cmin为1，最大速度vmax为2.5，粒子维度dim为4表示为1×4维的向量，lim(1)为横轴下界，lim(2)为横轴上界，lim(3)为纵轴下界，lim(4)为纵轴上界；
S3：建立混沌映射序列Zn，通过Logistic混沌映射函数迭代N次生成N个混沌数，表示为Zn＝[Z1，Z2,…ZN]，其中Logistic混沌映射函数表示为：Zn+1＝Zn×μ×(1-Zn)其中μ∈[0,4]，Z∈[0,1]，Zn表示第n个混沌数，n＝1,...,N。Logistic混沌映射后再进行均匀化处理，具体方法为过滤掉Z∈[0,0.1]和Z∈[0.9,1]两个范围内的部分数据，具体为删除0～0.1范围内a个数据，删除0.9～1范围内b个数据，处理后的混沌映射序列表示为Xj＝[X1,X2,…XN-a-b]，j＝1,...,N-a-b，其中Xj是Zn的一个子集；
S4：为了使综合体空间内待移动单元获得更加优质的初始化路径，同时减少初始化路径的计算时间，本发明采用了分段混沌初始化的方法，用其来生成初始种群[posx，posy]，其中posx和posy为possize×dim维矩阵，posx每一个行向量代表综合体空间内待移动单元可行进的点的横坐标集合，表示为PXi，大小为1×dim，posy每一个行向量代表综合体空间内待移动单元可行进的点的纵坐标集合，表示为PYi，大小为1×dim，根据地图信息和初始实参进行分段初始化，生成初始种群，获得综合体空间内移动体的初始路径，如图3所示，具体生成步骤如下：
S401：首先通过S3提到的方法建立混沌序列的方法建立两个混沌序列Ix和Iy，其大小均为2000个元素，设定要删除的元素数量参数a＝2000，b＝3000。接着对Ix和Iy不用排序，要保持它的随机性排序，然后将Ix和Iy转换为3750*4维矩阵；
S402：各取两个序列的各一个行向量，计算路径中间具体坐标点，得到第一条路径P1；
S403：再把起点和终点坐标加进路径P1中，生成具体路径并判断路径是否经过障碍物，具体方法为：遍历每两个邻近点之间线段，对该线段采样若干个点，判断每个点的坐标是否在障碍物表示范围内，若在则表示路径穿过了障碍物，若经过障碍物，则返回步骤S402并令i加1，若生成的路径不经过障碍物，则令j加1，并返回步骤S402，如此反复直到全部初始化；若经过障碍物，则重新再各取一个行向量，即返回步骤S402并令i加1；若未经过障碍物，则作为一条初始路径，如此反复直到生成21条路径为止，最后生成的初始路径结果如图4所示；
S5：获得初始种群后，通过自适应的计算适应度值的方法计算综合体空间内待移动单元所有路径的适应度，即通过式(2-1)计算每条路径的适应度值fitvalue；
其中xt为综合体空间内待移动单元终点横坐标，yt为终点纵坐标，xs为综合体空间内待移动单元起点横坐标，ys为起点纵坐标，dis为每个粒子当前规划的路径距离，init_pgdis为初始化种群中最优个体的路径长度，δ为自适应适应度值控制系数。在本实施例中设置自适应适应度值控制系数δ为0.01。随后初始化局部最优粒子，全局最优粒子；
S6：在初始化完毕后，开始进入主循环，通过迭代计算更新种群，使得综合体空间内待移动单元获得的最优路径越来越短，如图5所示，本发明实施例中其计算流程步骤如下所述：
S601：判断每个粒子所规划的路径是否与障碍物相交，即移动体在从设定的起点到终点之间根据规划的路径移动时是否会和障碍物产生碰撞，首先计算collision，collision为possize×1维向量；
S602：计算每个粒子的适应度fitvalue，局部最优粒子pbest，全局最优粒子gbest；
S603：通过式(3-1)和(3-2)计算共享学习粒子S，
其中xn为当前每个粒子的横坐标集合，yn为当前每个粒子的纵坐标集合，因此Sx为1×dim维向量，Sy为1×dim维向量；
S604：通过式(4-1)、(4-2)、(4-3)、(4-4)计算更新粒子速度，
newvx＝w*vx+c1*Xi*(pidx-posx)+c2*Xi+1*(pgdx-posx)+c3*Xi+2*(Sx-posx) (4-1)
newvy＝w*vy+c1*Xi+3*(pidy-posy)+c2*Xi+4*(pgdy-posy)+c3*Xi+5*(Sy-posy) (4-2)
其中v为当前速度，newv为更新后速度，Xn为S3步骤生成的混沌序列；
S605：获得更新后的速度后通过式5-1、5-2更新粒子位置，更新后的粒子即为综合体空间内移动体的移动路径的关键点坐标，
其中newpos为更新后的粒子位置，pos为当前粒子位置，两者都是possize×dim维矩阵；
S606：采用基于适应度值变化的学习因子更新方法，通过式(6-1)、(6-2)、(6-3)计算更新局部学习因子c1，全局学习因子c2，共享学习因子c3，
其中newc1、newc2、newc3为更新后的学习因子，c1、c2为当前学习因子，α为线性增量常数，本实施例中设为cmin，β为控制变量常数，本实施例中设为1；
S607：通过式(7-1)更新计算惯性权重w，
其中Xitem为S3步骤生成的混沌序列；
S608：为获得更短更优的无碰撞移动路径，采用基于适应度值变化和最大速度变化的自适应最大速度vmax更新方法，通过式(8-1)更新最大速度vmax，
其中newvmax为更新后的vmax，γ为vmax的更新增量常数，在本实施例中设为0.1；
S609：为了使得综合体空间内移动体获得较短距离且无碰撞的移动路径，加入了精英保留策略，具体保留方式为：当最优适应度更新时即综合体空间内待移动体获得了更加优良的移动路径时，或者vmax达到时，将群体中适应度较低的四分之一种群的粒子全部替换为全局最优粒子gbest，如此即能提高综合体空间内移动体获得更优路径的概率和速度；
S610：判断当前迭代次数item是否等于最大迭代次数gennum，不等于则返回步骤S601，当前迭代次数item加1，返回步骤S601。
S7：当迭代次数到达设定值时代表算法寻优结束，全局最优粒子即为最终寻优路径节点信息，最后将全局最优个体gbest加上起点和终点，即可绘制最终综合体空间内移动体要移动的最终路径，如图6所示。
为了证明本发明的规划效率，和常规的PSO-MFB算法3组进行了对比，得到的规划路径图对比如图7、图8、图9所示，规划距离长度数据具体结果如表2所示。
表2常规的PSO-MFB算法与本发明的算法得到的规划距离长度数据表
从表2和图7、8、9可以看出，本算法所规划的路径长度更短，因此本发明所提算法的精度更高。且根据文献[1]所述，常规的PSO-MFB算法对实验一环境的路径规划时间是3.48分钟，而本算法的规划时间是1.724秒，可见本发明所提算法的收敛速度也得到了显著的提升。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (4)
1.一种基于改进混沌粒子群的综合体空间内路径规划方法，其特征在于包括下列步骤：
S1：规定映射环境，将综合体空间内物理环境映射到n*n的平面坐标系中，通过圆形和矩形的组合重叠形成综合体空间内待移动单元周围的障碍物信息，设为地图信息，再将该组合重叠图像膨胀处理，膨胀宽度为移动单元自身大小；
S2：初始化算法的各个参数以及综合体空间内待移动单元的参数，初始化算法的参数包括待移动单元起点坐标P1和终点坐标Pn、待移动单元周围障碍物信息、种群大小possize、迭代次数gennum、权重因子w，局部学习因子c1，全局学习因子c2，共享学习因子c3，最大学习因子cmax，最小学习因子cmin，最大速度vmax，粒子维度dim；定义item为当前迭代次数，lim为粒子移动范围大小，表示为1×4维的向量，lim(1)为横轴下界，lim(2)为横轴上界，lim(3)为纵轴下界，lim(4)为纵轴上界；
S3：通过Logistic混沌映射关系建立混沌映射序列；
S4：通过分段混沌初始化种群的方法生成综合体空间内待移动单元的初始路径；
S5：在得到初始种群后，通过自适应的计算适应度值的方法计算综合体空间内待移动单元所有路径的适应度并初始化局部最优粒子和全局最优粒子；
S6：在初始化完毕后，开始进入主循环，通过迭代计算更新种群，使得综合体空间内待移动单元获得的最优路径越来越短，具体过程如下：
S601：判断每个粒子所规划的路径是否与障碍物相交，即移动体在从设定的起点到终点之间根据规划的路径移动时是否会和障碍物产生碰撞，首先计算collision，collision为possize×1维向量；
S602：计算每个粒子的适应度fitvalue，局部最优粒子pbest，全局最优粒子gbest；
S603：计算共享学习粒子S，该粒子的作用是增大粒子的运动范围，提高局部寻优能力，提高综合体空间内移动体的路径规划精度，具体计算公式如式(3-1)和式(3-2)所示：
其中xn为当前每个粒子的横坐标集合，yn为当前每个粒子的纵坐标集合，因此Sx为1×dim维向量，Sy为1×dim维向量；
S604：更新粒子速度，进而更新综合体空间内移动体的规划路径，使其不断的进行寻优，使得移动体的移动路径不断变短，该速度更新方式如式(4-1)、式(4-2)、式(4-3)、式(4-4)所示：
newvx＝w*vx+c1*Xi*(pidx-posx)+c2*Xi+1*(pgdx-posx)+c3*Xi+2*(Sx-posx)(4-1)
newvy＝w*vy+c1*Xi+3*(pidy-posy)+c2*Xi+4*(pgdy–posy)+c3*Xi+5*(Sy-posy) (4-2)
其中v为当前速度，newv为更新后速度，Xn为S3步骤生成的混沌序列；
S605：获得更新后的速度后即可更新粒子的位置，更新后的粒子即为综合体空间内移动体的移动路径的关键点坐标，具体更新方法如式(5-1)、(5-2)所示：
其中newpos为更新后的粒子位置，pos为当前粒子位置，两者都是possize×dim维矩阵；
S606：采用基于适应度值变化的学习因子更新方法，包括局部学习因子c1，全局学习因子c2，共享学习因子c3，具体更新方法如式(6-1)、式(6-2)、式(6-3)所示：
其中new c1、new c2、new c3为更新后的学习因子，c1、c2为当前学习因子，α为线性增量常数，β为控制变量常数，两者取值范围都在0～1之间；
S607：将惯性权重因子w的更新方式分为三部分，先弱化局部寻优能力，使粒子快速收敛到较优范围；然后提高局部寻优能力，增加收敛精度；最后再减小局部寻优能力，加快收敛速度，该具体更新方式如式(7-1)所示：
其中X为S3步骤生成的混沌序列；
S608：为获得更短更优的无碰撞移动路径，采用基于适应度值变化和最大速度变化的自适应最大速度vmax更新方法，其具体方法如式(8-1)所示：
其中new vmax为更新后的vmax，γ为vmax的更新增量常数，取值范围在0～1之间；
S609：为了使得综合体空间内移动体获得较短距离且无碰撞的移动路径，加入了精英保留策略，具体保留方式为：当最优适应度更新时即综合体空间内待移动体获得了更加优良的移动路径时，或者vmax达到时，将群体中适应度较低的四分之一种群的粒子全部替换为全局最优粒子gbest，如此即能提高综合体空间内移动体获得更优路径的概率和速度；
S610：判断当前迭代次数item是否等于最大迭代次数gennum，若不等于则返回步骤S601，并令item加1；
S7：当迭代次数到达设定值时代表算法寻优结束，全局最优粒子即为最终寻优路径节点信息，加上起始点和终点后，将所有点连成线即为算法最终规划出的综合体空间内待移动单元要移动的路径。
2.根据权利要求1所述的一种基于改进混沌粒子群的路径规划方法，其特征在于步骤S3通过Logistic混沌映射关系建立混沌映射序列的具体方法为：首先建立混沌映射序列Zn，通过Logistic混沌映射函数迭代N次生成N个混沌数，表示为Zn＝[Z1，Z2,…ZN]，其中Logistic混沌映射函数表示为：Zn+1＝Zn×μ×(1-Zn)其中μ∈[0,4]，Z∈[0,1]，Zn表示第n个混沌数，n＝1,...,N；Logistic混沌映射后再进行均匀化处理，具体方法为过滤掉Z∈[0,0.1]和Z∈[0.9,1]两个范围内的部分数据，具体为删除0～0.1范围内a个数据，删除0.9～1范围内b个数据，处理后的混沌映射序列表示为Xj＝[X1,X2,…XN-a-b]，j＝1,...,N-a-b，其中Xj是Zn的一个子集。
3.根据权利要求1所述的一种基于改进混沌粒子群的路径规划方法，其特征在于步骤S4的通过分段混沌初始化种群的方法生成综合体空间内待移动单元的初始路径，具体过程如下：
S401：用S3提到的方法生成混沌映射序列Ix和Iy，每个序列元素个数为K，然后将序列Ix按照从小到大排序处理，最后将序列Ix和Iy转换为(K/dim)×dim维矩阵，其中xn为1×dim维的向量,n＝1,2,…,K/dim；同理Iy/>yn为1×dim维的向量，n＝1,2,…,K/dim；
S402：在得到预处理后的混沌序列Ix和Iy后，建立如下规则，具体如式(1-1)和式(1-2)所示：
首先令i＝1，j＝1
PXj＝lim(1)+(lim(2)-lim(1))×xi(1-1)
PYj＝lim(3)+(lim(4)-lim(3))×yi(1-2)
其中i∈[1,K/dim]，j∈[1,possize],xi、yi为S401所提1×dim维的向量，lim为粒子移动范围；由此得到第一条路径P1，它包含了dim个坐标点，P1中所有点的横坐标为PX1，所有点的纵坐标为PY1；P1所包含的所有点即为综合体空间内待移动单元要行进切换的关键点；
S403：将起始点和终点加入到P1中，判断该路径是否经过综合体空间内待移动单元周围的障碍物，具体方法为：遍历每两个邻近点之间线段，对该线段采样若干个点，判断每个点的坐标是否在障碍物表示范围内，若在则表示路径穿过了障碍物，若经过障碍物，则返回步骤S402并令i加1，若生成的路径不经过障碍物，则令j加1，并返回步骤S402，如此反复直到全部初始化。
4.根据权利要求1所述的一种基于改进混沌粒子群的路径规划方法，其特征在于步骤S5中通过自适应的计算适应度值的方法，该自适应的计算适应度值具体计算方法如式(2-1)、式(2-2)、式(2-3)所示：
其中xt为综合体空间内待移动单元终点横坐标，yt为终点纵坐标，xs为综合体空间内待移动单元起点横坐标，ys为起点纵坐标，dis为每个粒子当前规划的路径距离，init_pgdis为初始化种群中最优个体的路径长度，δ为自适应适应度值控制系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111130274.9A CN113805595B (zh) | 2021-09-26 | 2021-09-26 | 一种基于改进混沌粒子群的综合体空间内路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111130274.9A CN113805595B (zh) | 2021-09-26 | 2021-09-26 | 一种基于改进混沌粒子群的综合体空间内路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113805595A CN113805595A (zh) | 2021-12-17 |
| CN113805595B true CN113805595B (zh) | 2024-01-23 |
Family
ID=78938684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111130274.9A Active CN113805595B (zh) | 2021-09-26 | 2021-09-26 | 一种基于改进混沌粒子群的综合体空间内路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113805595B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
| CN106447024A (zh) * | 2016-08-31 | 2017-02-22 | 上海电机学院 | 一种基于混沌反向学习的粒子群改进算法 |
| CN108830398A (zh) * | 2018-04-08 | 2018-11-16 | 中国地质大学（武汉） | 一种配煤成本优化方法、设备及存储设备 |
| CN113271627A (zh) * | 2021-05-14 | 2021-08-17 | 天津理工大学 | 一种基于混沌量子粒子群优化策略的移动边缘计算卸载方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222885B (zh) * | 2019-05-24 | 2020-07-07 | 合肥工业大学 | 无人系统中智能体自主路径规划的优化方法和系统 |
-
2021
- 2021-09-26 CN CN202111130274.9A patent/CN113805595B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
| CN106447024A (zh) * | 2016-08-31 | 2017-02-22 | 上海电机学院 | 一种基于混沌反向学习的粒子群改进算法 |
| CN108830398A (zh) * | 2018-04-08 | 2018-11-16 | 中国地质大学（武汉） | 一种配煤成本优化方法、设备及存储设备 |
| CN113271627A (zh) * | 2021-05-14 | 2021-08-17 | 天津理工大学 | 一种基于混沌量子粒子群优化策略的移动边缘计算卸载方法 |
Non-Patent Citations (2)
| Title |
|---|
| Robust Stochastic Sampled-data-based Output Consensus of Heterogeneous Multi-agent Systems Subject to Random DoS Attack: A Markovian Jumping System Approach;Hongjie Ni等;《International Journal of Control, Automation and Systems》;全文 * |
| 基于混沌的粒子群优化算法研究与进展;张丹 等;《算法与语言》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113805595A (zh) | 2021-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Deo et al. | Multimodal trajectory prediction conditioned on lane-graph traversals | |
| CN106444755B (zh) | 基于改进遗传算法的移动机器人路径规划方法 | |
| CN111562785B (zh) | 一种群集机器人协同覆盖的路径规划方法及系统 | |
| CN111609864B (zh) | 路网约束下多警员协作围捕任务分配及路径规划方法 | |
| CN110428111A (zh) | Uav/ugv协同长时多任务作业轨迹规划方法 | |
| Lin et al. | Traffic signal optimization based on fuzzy control and differential evolution algorithm | |
| CN114779827B (zh) | 一种基于异构无人机编队虚拟势场协同避障拓扑控制方法 | |
| CN113172626B (zh) | 一种基于三维基因调控网络的智能机器人群体控制方法 | |
| CN112799386A (zh) | 基于人工势场与强化学习的机器人路径规划方法 | |
| Chen et al. | Real-time path planning for a robot to track a fast moving target based on improved Glasius bio-inspired neural networks | |
| CN113391633A (zh) | 一种面向城市环境的移动机器人融合路径规划方法 | |
| CN113805595B (zh) | 一种基于改进混沌粒子群的综合体空间内路径规划方法 | |
| Xie et al. | Et-hf: A novel information sharing model to improve multi-agent cooperation | |
| Xu et al. | A multi-robot pattern formation algorithm based on distributed swarm intelligence | |
| Zhao et al. | A study of the global topological map construction algorithm based on grid map representation for multirobot | |
| Su et al. | Collaborative motion planning based on the improved ant colony algorithm for multiple autonomous vehicles | |
| Zhang et al. | An efficient planning method based on deep reinforcement learning with hybrid actions for autonomous driving on highway | |
| CN116582442A (zh) | 一种基于层次化通信机制的多智能体协作方法 | |
| Xue et al. | Multi-agent path planning based on MPC and DDPG | |
| Sun et al. | A novel A* method fusing bio-inspired algorithm for mobile robot path planning | |
| Pu et al. | Improved ant colony algorithm in path planning of a single robot and multi-robots with multi-objective | |
| CN111596668B (zh) | 基于逆向强化学习的移动机器人拟人化路径规划方法 | |
| CN116795089A (zh) | 一种路径规划方法和装置以及一种云平台 | |
| Wu et al. | A rough set GA-based hybrid method for robot path planning | |
| Fang et al. | Research on the Obstacle Avoidance System of Restaurant Delivery Robot |
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 |