CN113917925B - 一种基于改进遗传算法的移动机器人路径规划方法 - Google Patents

Abstract

本发明公开一种基于改进遗传算法的移动机器人路径规划方法，包括以下步骤：S1、初始化遗传算法的相关参数；S2、模拟蚁群算法中的蚂蚁寻路策略来初始化遗传算法的初代解；S3、初始化迭代次数iter=0，开始迭代；S4、选择算子；S5、交叉算子；S6、变异算子；S7、将child _— list中的染色体复制到父代列表father _— list中；S8、iter+=1，判断循环次数iter是否等于最大循环次数max _— iter；S9、输出father _— list中适应度最高的个体，即全局最优解。本发明的有益效果，通过蚁群算法的蚂蚁寻路策略来构建遗传算法所需的初代解，能有效提高初代解质量，为算法后续处理提供了更良好的前置条件；改进后的交叉算子大幅提升优秀子代出现的速度，进而加快算法的收敛速度，改进后的变异算子保证了个体总是向着好的方向变异，提高了算法效率。

Description

一种基于改进遗传算法的移动机器人路径规划方法

技术领域

本发明涉及机器人路径规划技术领域，具体是一种基于改进遗传算法的移动机器人路径规划方法。

背景技术

路径规划技术是移动机器人研究领域的一个重要组成部分，主要目的是在有障碍物的环境中，根据一定的准则(如路径最短，位置拐点最少，用时最短等)，寻求一条从起始位置节点到目标位置节点之间的最优或次优安全无碰路径。

路径规划技术的发展在一定程度上标志着机器人智能水平的高低，而路径规划方法的优劣直接影响路径规划效果。

目前，国内外许多专家学者都在致力于路径规划算法的研究，常用的优化算法主要有人工势场法、免疫算法、蚁群优化算法、神经网络、粒子群优化算法和遗传算法等。

其中，遗传算法属于进化算法(Evolutionary Algorithms)的一种，它通过模仿自然界的选择与遗传的机理来寻找最优解。遗传算法有三个基本算子：选择、交叉和变异。相比较其他优化算法，遗传算法具备与问题领域无关切快速随机的搜索能力、搜索使用评价函数启发，过程简单、具有可扩展性，容易与其他算法结合等优点。但同时，遗传算法的缺点也十分明显，如算法对初始种群的选择有一定的依赖性、要求对问题进行合理编码、三个算子的若干参数的选择等。针对这些不足，国内外诸多学者都尝试着对传统的遗传算法进行改进，虽然大量的仿真结果表明了一些对基本遗传算法上的改进策略是可行且有效的，但是，其中依旧存在一些缺陷需要弥补，比如随机化生成初始解质量较低，交叉算子无法充分的提取父代染色体中的优良基因片段、变异算子难以使个体向着好的方向进化。基于以上存在的问题，本发明提出一种改进遗传算法，对以上传统遗传算法的三点不足进行了改进，通过模拟蚁群算法中蚂蚁的寻路规则来构建初代染色体的生成机制，使得初代染色体的优劣性得到大幅提升；在交叉环节，将两个父代染色体以相同节点进行断开，将对应每段中最优的染色体片段进行组合，以达到尽可能的将父代中的所有优秀基因片段聚集在某一个体，从而提高算法的收敛速度；通过修改变异策略，保证个体总是向着好的方向变异。

发明内容

本发明的目的在于提供一种基于改进遗传算法的移动机器人路径规划方法，该方法能够克服传统遗传算法初代解质量低、收敛速度慢等不足，不仅提高了获得机器人路径规划的全局最优解，而且提高了收敛的速度。

本发明解决其技术问题所采用的技术方案是：

一种基于改进遗传算法的移动机器人路径规划方法，包括以下步骤：

S1、初始化遗传算法的相关参数：种群数量population＝50，最大迭代次数max_iter＝100，交叉概率cross_pro＝0.95，变异概率mut_pro＝0.15；

S2、初始化遗传算法的初代解，通过模拟蚁群算法的蚂蚁寻路的策略，构建一种新型的遗传算法初始解的生成机制来生成初代解：

S21、初始化蚂蚁参数：距离启发因子α＝7；

S22、将蚂蚁放置于起点，按照下式计算邻接可通行节点的选择概率：

其中，

意为第k只蚂蚁在t时刻位于坐标i时，其可能选择邻接可行位置j的概率，t(i,j)为i到j的距离启发函数，通常取值h_ij(t)＝1/d，d为j到终点的欧式距离，a为距离启发因子；

S23、将蚂蚁放置于起点处，通过轮盘赌法选择邻接节点移动，并将该节点加入禁忌表，重复该操作，直至成功到达终点，最后将路径存入父代列表father_list中；

S24、若父代染色体个数等于population，则执行S3，否则，再次执行S23。

S3、初始化迭代次数iter＝0，开始迭代。

S4、选择算子：采取PMX选择法，即每次从父代种群中随机挑选3个个体，比较其适应度(此问题中为路径长度)，并将适应度最低的个体加入子代列表child_list，循环操作，直至子代列表中个体数量等于population；

S5、交叉算子：

S51、为child_list中的每个子代个体取一个随机值k_i＝[0,1]，并将所有满足k_i≤cross_pro的个体选出放入交叉列表cross_list中；令i＝0；

S52、取出cross_list列表中第i与第i+1个个体，记作A与B；

S53、找到A与B中相同的节点(包括起点与终点)p₀,p₁,p₂...p_n，并将A与B中p_i与p_i+1之间的路径长度分别记为L_Ai与L_Bi(i＝0,1,2...n-1)；

S54、新建空白列表a与b作为A与B交叉后的子代，依次比对L_Ai与L_Bi(i＝0,1,2...n-1)之间的大小，若L_Ai≤L_Bi，则将A中p_i与p_i+1之间的路径信息复制到a中，并将B中p_i与p_i+1之间的路径信息复制到b中，反之亦然；

S55、将交叉子代a与b添加到child_list中；

S56、如果i＞len(cross_list)-2，则执行S6；否则令i＝i+2，执行S52；

S6、变异算子：

S61、为child_list中的每个子代个体取一个随机值k_i＝[0,1]，并将所有满足k_i≤mut_pro的个体选出放入变异列表mut_list中，令i＝0；

S62、取出mut_list列表中第i个个体，记作A1；

S63、找到A1中的所有节点k，其与前一个节点j、后一个节点p之间满足关系：

并将所有节点k依次放入corner_list；

S64、从corner_list中随机选择一个节点k，判断其两端的节点j和p之间是否可以直接无障碍连接，若可以，则将A1中节点j与p之间的节点删除；

S7、将child_list中的染色体复制到父代列表father_list中；

S8、iter+＝1，判断循环次数iter是否等于最大循环次数max_iter，若是，则执行S9，否则，执行S4；

S9、输出father_list中适应度最高的个体，即全局最优解。

本发明的有益效果是，通过使用蚁群算法的蚂蚁寻路策略来构建遗传算法所需的初代解，能有效提高初代解的质量，为算法后续的处理提供了更良好的前置条件；改进后的交叉算子能大幅提升优秀子代出现的速度，进而加快算法的收敛速度，改进后的变异算子保证了个体总是向着好的方向变异，一定程度上提高了算法效率。

附图说明

下面结合附图和实施例对本发明进一步说明：

图1本发明的流程示意图；

图2传统遗传算法运行结果；

图3传统遗传算法收敛曲线图；

图4改进遗传算法运行结果；

图5改进遗传算法收敛曲线图；

图6改进遗传算法运行结果；

图7改进遗传算法收敛曲线图。

具体实施方式

本发明的目的在于提供一种基于改进遗传算法的移动机器人路径规划方法，该方法能够克服传统遗传算法初代解质量低、收敛速度慢等不足，不仅提高了获得机器人路径规划的全局最优解，而且提高了收敛的速度。

本发明解决其技术问题所采用的技术方案是：

如图1所示，本发明提供的一种基于改进遗传算法的移动机器人路径规划方法，包括以下步骤：

S1、初始化遗传算法的相关参数：种群数量population＝50，最大迭代次数max_iter＝100，交叉概率cross_pro＝0.95，变异概率mut_pro＝0.15；

S2、初始化遗传算法的初代解。通过模拟蚁群算法的蚂蚁寻路的策略，构建一种新型的遗传算法初始解的生成机制来生成初代解：

S21、初始化蚂蚁参数：距离启发因子α＝7；

S22、将蚂蚁放置于起点，按照下式计算邻接可通行节点的选择概率：

其中，

意为第k只蚂蚁在t时刻位于坐标i时，其可能选择邻接可行位置j的概率，t(i,j)为i到j的距离启发函数，通常取值h_ij(t)＝1/d，d为j到终点的欧式距离，a为距离启发因子；

S23、将蚂蚁放置于起点处。通过轮盘赌法选择邻接节点移动，并将该节点加入禁忌表，重复该操作，直至成功到达终点，最后将路径存入父代列表father_list中；

S24、若父代染色体个数等于population，则执行S3，否则，再次执行S23。

S3、初始化迭代次数iter＝0，开始迭代。

S4、选择算子：采取PMX选择法，即每次从父代种群中随机挑选3个个体，比较其适应度(此问题中为路径长度)，并将适应度最低的个体加入子代列表child_list，循环操作，直至子代列表中个体数量等于population。

S5、交叉算子：

S51、为child_list中的每个子代个体取一个随机值k_i＝[0,1]，并将所有满足k_i≤cross_pro的个体选出放入交叉列表cross_list中；令i＝0；

S52、取出cross_list列表中第i与第i+1个个体，记作A与B；

S53、找到A与B中相同的节点(包括起点与终点)p₀,p₁,p₂...p_n，并将A与B中p_i与p_i+1之间的路径长度分别记为L_Ai与L_Bi(i＝0,1,2...n-1)；

S54、新建空白列表a与b作为A与B交叉后的子代。依次比对L_Ai与L_Bi(i＝0,1,2...n-1)之间的大小，若L_Ai≤L_Bi，则将A中p_i与p_i+1之间的路径信息复制到a中，并将B中p_i与p_i+1之间的路径信息复制到b中，反之亦然；

S55、将交叉子代a与b添加到child_list中；

S56、如果i＞len(cross_list)-2，则执行S6；否则令i＝i+2，执行S52；

S6、变异算子：

S61、为child_list中的每个子代个体取一个随机值k_i＝[0,1]，并将所有满足k_i≤mut_pro的个体选出放入变异列表mut_list中；令i＝0；

S62、取出mut_list列表中第i个个体，记作A1；

S63、找到A1中的所有节点k，其与前一个节点j、后一个节点p之间满足关系：

并将所有节点k依次放入corner_list；

S64、从corner_list中随机选择一个节点k，判断其两端的节点(j和p)之间是否可以直接无障碍连接，若可以，则将A1中节点j与p之间的节点删除。

S7、将child_list中的染色体复制到父代列表father_list中。

S8、iter+＝1，判断循环次数iter是否等于最大循环次数max_iter，若是，则执行S9，否则，执行S4。

S9、输出father_list中适应度最高的个体，即全局最优解。

本发明的有益效果是，通过使用蚁群算法的蚂蚁寻路策略来构建遗传算法所需的初代解，能有效提高初代解的质量，为算法后续的处理提供了更良好的前置条件；改进后的交叉算子能大幅提升优秀子代出现的速度，进而加快算法的收敛速度，改进后的变异算子保证了个体总是向着好的方向变异，一定程度上提高了算法效率。

本发明的效果可以通过以下仿真实验进一步说明：

为验证本方法的正确性和合理性，运用python语言编程，在20×20的栅格环境模型下对该算法进行仿真，并与基本遗传算法进行比较。算法的主要参数设定如下：种群数量population＝50，最大迭代次数max_iter＝100，交叉概率cross_pro＝0.95，变异概率mut_pro＝0.15。仿真结果如图2、3、4、5。

表1仿真结果对比

由表1可知，传统遗传算法在第25代找到最优解31.8，而本文改进遗传算法仅在第12代就找到最优解27.2。因此，无论是寻解效果还是收敛速度，本文改进遗传算法相对传统遗传算法都有着明显的优势。

为了进一步验证本发明提出的改进算法的稳定性，将本发明与另外一种改进的遗传算法进行比较，另一种改进的遗传算法为期刊《组合机床与自动化加工技术》在2020年第7期中88-92页《基于改进遗传算法的自动导引小车路径规划》中记载的改进遗传算法，在该文章记载的第一仿真案例的栅格环境条件下利用本发明方法进行仿真。仿真结果见图6、7。

表2仿真结果对比

由表2可知，对比文献中的改进遗传算法在第8代收敛到最优解29.2，而本文改进遗传算法仅在第5代即收敛至最优解28.8，因此，本文改进遗传算法相对比文献算法，在寻解效果与收敛速度都有着优势。

通过上述对比仿真实验可以得出结论：使用本发明改进遗传算法的路径规划效率明显优于传统遗传算法。且使用本发明提出的遗传算法比传统遗传算法和他人改进的遗传算法效果好、收敛快，这说明了本发明提出的改进遗传算法在路径优化方面的具备一定的可行性与实用性。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制；任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同替换、等效变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (1)

1.一种基于改进遗传算法的移动机器人路径规划方法，包括以下步骤：

S1、初始化遗传算法的相关参数：种群数量population＝50，最大迭代次数max_iter＝100，交叉概率cross_pro＝0.95，变异概率mut_pro＝0.15；

S2、初始化遗传算法的初代解，通过模拟蚁群算法的蚂蚁寻路的策略，构建一种新型的遗传算法初始解的生成机制来生成初代解：

S21、初始化蚂蚁参数：距离启发因子α＝7；

S22、将蚂蚁放置于起点，按照下式计算邻接可通行节点的选择概率：

其中，

意为第k只蚂蚁在t时刻位于坐标i时，其可能选择邻接可行位置j的概率，t(i,j)为i到j的距离启发函数，通常取值h_ij(t)＝1/d，d为j到终点的欧式距离，a为距离启发因子；

S23、将蚂蚁放置于起点处，通过轮盘赌法选择邻接节点移动，并将该节点加入禁忌表，重复该操作，直至成功到达终点，最后将路径存入父代列表father_list中；

S24、若父代染色体个数等于population，则执行S3，否则，再次执行S23；

S3、初始化迭代次数iter＝0，开始迭代；

S4、选择算子：采取PMX选择法，即每次从父代种群中随机挑选3个个体，比较其适应度，并将适应度最低的个体加入子代列表child_list，循环操作，直至子代列表中个体数量等于population；

S5、交叉算子：

S51、为child_l中的每个子代个体取一个随机值k_i＝[0,1]，并将所有满足k_i≤cross_pro的个体选出放入交叉列表cross_list中；令i＝0；

S52、取出cross_list列表中第i与第i+1个个体，记作A与B；

S53、找到A与B中相同的节点p₀,p₁,p₂...p_n，并将A与B中p_i与p_i+1之间的路径长度分别记为L_Ai与L_Bi(i＝0,1,2...n-1)；

S54、新建空白列表a与b作为A与B交叉后的子代，依次比对L_Ai与L_Bi(i＝0,1,2...n-1)之间的大小，若L_Ai≤L_Bi，则将A中p_i与p_i+1之间的路径信息复制到a中，并将B中p_i与p_i+1之间的路径信息复制到b中，反之亦然；

S55、将交叉子代a与b添加到child_list中；

S56、如果i＞len(cross_list)-2，则执行S6；否则令i＝i+2，执行S52；

S6、变异算子：

S61、为child_l中的每个子代个体取一个随机值k_i＝[0,1]，并将所有满足k_i≤mut_pro的个体选出放入变异列表mut_list中，令i＝0；

S62、取出mut_list列表中第i个个体，记作A1；

S63、找到A1中的所有节点k，其与前一个节点j、后一个节点p之间满足关系：

并将所有节点k依次放入corner_list；

S64、从corner_list中随机选择一个节点k，判断其两端的节点j和p之间是否可以直接无障碍连接，若可以，则将A1中节点j与p之间的节点删除；

S7、将child_list中的染色体复制到父代列表father_list中；

S8、iter+＝1，判断循环次数iter是否等于最大循环次数max_iter，若是，则执行S9，否则，执行S4；

S9、输出father_list中适应度最高的个体，即全局最优解。

Images