CN114115301B - 基于狼群算法和人工势场的移动机器人改进a*算法 - Google Patents

基于狼群算法和人工势场的移动机器人改进a*算法 Download PDF

Info

Publication number
CN114115301B
CN114115301B CN202210091868.1A CN202210091868A CN114115301B CN 114115301 B CN114115301 B CN 114115301B CN 202210091868 A CN202210091868 A CN 202210091868A CN 114115301 B CN114115301 B CN 114115301B
Authority
CN
China
Prior art keywords
wolf
artificial
algorithm
grid
group
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
Application number
CN202210091868.1A
Other languages
English (en)
Other versions
CN114115301A (zh
Inventor
韩旭
段书用
陆文涛
裴文良
赵熙灼
章霖鑫
徐福田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Technology
CITIC HIC Kaicheng Intelligence Equipment Co Ltd
Original Assignee
Hebei University of Technology
CITIC HIC Kaicheng Intelligence Equipment Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei University of Technology, CITIC HIC Kaicheng Intelligence Equipment Co Ltd filed Critical Hebei University of Technology
Priority to CN202210091868.1A priority Critical patent/CN114115301B/zh
Publication of CN114115301A publication Critical patent/CN114115301A/zh
Application granted granted Critical
Publication of CN114115301B publication Critical patent/CN114115301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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, 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

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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Manipulator (AREA)

Abstract

本申请提供一种基于狼群算法和人工势场的移动机器人改进A*算法，该算法包括以下步骤：创建栅格地图；根据A*算法，计算每个第二栅格的评价函数；释放人工狼群；人工狼群包括由第一狼群和第二狼群组成的若干人工狼；从第二狼群中挑选出对应第二栅格的评价函数最低的m只人工狼并作为头狼；将其余人工狼作为普通狼；对第一栅格施加斥力场，以使人工狼在搜寻时寻优方向倾向远离障碍物；根据狼群算法以及斥力场，生成若干人工狼路径，输出最终路径；该算法将A*算法与狼群算法结合，提高了搜索效率。同时通过对第一栅格施加斥力场，使得人工狼在搜寻寻优过程倾向远离障碍物，避免产生局部最优。

Description

基于狼群算法和人工势场的移动机器人改进A*算法
技术领域
本公开一般涉及A*算法技术领域，具体涉及一种基于狼群算法和人工势场的移动机器人改进A*算法。
背景技术
路径规划是自移动机器人诞生以来一直是重点研究的方向。路径规划即在给定环境中根据一个或多个评价指标，规划出一条由起始点连接至目标点且符合机器人运动学的的无碰撞路径。给定环境既可以是已经构建好并存储在机器人存储器中的外界环境，也可以是机器人感知外界环境后经过创建地图模型后存储的外界环境。路径规划常用的指标有最短距离，最短时间等；
A*算法又称启发式搜索，是一种静态路网中求解最短路的直接搜索方法，其搜索时间相对较长；狼群算法是近几年新诞生的启发式算法，具有收敛速度快，精度高的特点，但其容易陷入局部最优。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供可解决上述技术问题的基于狼群算法和人工势场的移动机器人改进A*算法。
第一方面本申请提供一种基于狼群算法和人工势场的移动机器人改进A*算法，包括以下步骤：
创建栅格地图；所述栅格地图包括若干栅格，所述栅格包括用于表征障碍物的第一栅格和用于表征可通行区域的第二栅格；
根据A*算法，计算每个所述第二栅格的评价函数；
释放人工狼群；所述人工狼群包括由第一狼群和第二狼群组成的若干人工狼，所述第一狼群放置于所述可通行区域的初始位置，所述第二狼群随机放置在所述第二栅格上；
从所述第二狼群中挑选出对应所述第二栅格的评价函数最低的m只人工狼，并将其作为头狼；将所述人工狼群中其余人工狼作为普通狼；
对所述第一栅格施加斥力场，以使所述人工狼在搜寻时寻优方向倾向远离所述障碍物；
根据狼群算法以及所述斥力场，生成若干人工狼路径；所述人工狼路径的起点为所述初始位置，终点为目标猎物的位置；
输出最终路径，所述最终路径为所述人工狼路径中最短的路径。
根据本申请实施例提供的技术方案，根据狼群算法以及所述斥力场，生成若干人工狼路径的方法具体为：
s1：根据所述头狼的位置以及所述斥力场，更新所述普通狼的位置；
s2：从更新后的所述人工狼群中挑选出对应所述第二栅格的评价函数最低的m只人工狼，并将其作为新的头狼；
s3：递归步骤s1-s2，直至所述第二狼群中所有人工狼运动至所述目标猎物的位置；
s4：对应每个所述第二狼群中的人工狼，生成其对应的人工狼路径。
根据本申请实施例提供的技术方案，步骤s1中根据所述头狼的位置以及所述斥力场，更新所述普通狼的位置的方法具体为：
s11：根据公式（一）分别计算每只普通狼与每只头狼的位置向量：
Figure 358043DEST_PATH_IMAGE001
（一）；
其中，
Figure 959925DEST_PATH_IMAGE002
表示第i只普通狼与第j只头狼的位置向量；
Figure 278911DEST_PATH_IMAGE003
为设定系数向量，
Figure 446588DEST_PATH_IMAGE004
；
Figure 458406DEST_PATH_IMAGE005
为所述初始位置指向所述第j只头狼的当前位置向量，
Figure 282005DEST_PATH_IMAGE006
为所述初始位置指向所述第i只普通狼的当前位置向量；
s12：根据公式（二）、公式（三）将所述普通狼的当前位置向量
Figure 670261DEST_PATH_IMAGE007
更新为
Figure 98969DEST_PATH_IMAGE008
：
Figure 281688DEST_PATH_IMAGE009
（二）；
Figure 858163DEST_PATH_IMAGE010
（三）；
其中，A为协同系数，
Figure 784531DEST_PATH_IMAGE011
为斥力系数；
第一位置点
Figure 864482DEST_PATH_IMAGE012
位于当前位置
Figure 749262DEST_PATH_IMAGE013
，第一位置点向量
Figure 547453DEST_PATH_IMAGE014
由所述初始位置指向所述第一位置点
Figure 277512DEST_PATH_IMAGE015
；
第二位置点
Figure 415232DEST_PATH_IMAGE016
位于与所述第一位置点
Figure 963589DEST_PATH_IMAGE017
的势能差最大的，且相邻所述第一位置点
Figure 780235DEST_PATH_IMAGE018
的第二栅格内；所述第二位置点向量
Figure 48405DEST_PATH_IMAGE019
由所述初始位置指向所述第二位置点
Figure 837370DEST_PATH_IMAGE020
。
根据本申请实施例提供的技术方案，根据公式（四）计算所述协同系数A：
Figure 798373DEST_PATH_IMAGE021
（四）；
其中，t为当前递归次数，t max 为最大递归次数。
根据本申请实施例提供的技术方案，相邻所述第一位置点
Figure 305577DEST_PATH_IMAGE022
的第二栅格内均对应一个位置点q，所述第二位置点
Figure 377439DEST_PATH_IMAGE023
为所有所述位置点q中与所述第一位置点
Figure 817647DEST_PATH_IMAGE024
势能差最大的位置点；
根据公式（五）计算所述第一位置点
Figure 683972DEST_PATH_IMAGE025
的势能
Figure 147314DEST_PATH_IMAGE026
：
Figure 757287DEST_PATH_IMAGE027
（五）；
根据公式（六）计算每个所述位置点q的势能
Figure 786423DEST_PATH_IMAGE028
：
Figure 89229DEST_PATH_IMAGE029
（六）；
其中，
Figure 571025DEST_PATH_IMAGE030
为斥力尺度因子；
Figure 984689DEST_PATH_IMAGE031
为第一位置点
Figure 399490DEST_PATH_IMAGE032
到所述障碍物的距离；
Figure 669934DEST_PATH_IMAGE033
为位置点向量q到所述障碍物的距离；
Figure 842290DEST_PATH_IMAGE034
为所述障碍物的影响半径。
根据本申请实施例提供的技术方案，根据A*算法，计算每个所述第二栅格的评价函数的方法具体为：
根据公式（七）计算每个所述第二栅格的评价函数：
Figure 794065DEST_PATH_IMAGE035
（七）；
其中，
Figure 63373DEST_PATH_IMAGE036
表示第n个第二栅格的评价函数；
Figure 442401DEST_PATH_IMAGE037
表示所述可通行区域的初始位置到第n个第二栅格的距离；
Figure 102053DEST_PATH_IMAGE038
表示所述第n个第二栅格到所述可通行区域的终点位置的估计距离。
根据本申请实施例提供的技术方案，所述第二狼群中人工狼的数量为所述人工狼群数量的50%。
根据本申请实施例提供的技术方案，所述人工狼路径的长度为所述人工狼路径中每个相邻所述第二栅格的欧氏距离之和。
第二方面本申请提供一种服务端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述所述的基于狼群算法和人工势场的移动机器人改进A*算法。
第三方面本申请提供一种计算机可读存储介质，所述计算机可读存储介质有计算机程序，所述计算机程序被处理器执行时实现如上述所述的基于狼群算法和人工势场的移动机器人改进A*算法。
本申请的有益效果在于：通过创建由表征障碍物的第一栅格和表征可通行区域的第二栅格所组成的栅格地图并根据A*算法，使得可计算每个所述第二栅格的评价函数；通过将第一狼群放置在可通行区域的初始位置，第二狼群放置在所述第二栅格上，从所述第二狼群中挑选出对应所述第二栅格的评价函数最低的m只人工狼，并将其作为头狼；将所述人工狼群中其余人工狼作为普通狼，使得对人工狼群进行社会等级分层，以使其进行狼群算法动作，提高搜索效率；通过对所述第一栅格施加斥力场，使得所述人工狼在搜寻时寻优方向倾向远离所述障碍物，避免产生局部最优；最后根据狼群算法以及所述斥力场，生成若干人工狼路径并选取最短路径得到最优路径。
上述方法中，将A*算法与狼群算法结合，提高了搜索效率。同时人工狼受到斥力场的作用，在搜寻寻优过程倾向远离障碍物，避免产生局部最优。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请提供的一种基于狼群算法和人工势场的移动机器人改进A*算法；
图2为本申请提供的一种服务端。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1为本申请提供的一种基于狼群算法和人工势场的移动机器人改进A*算法，包括以下步骤：
S100：创建栅格地图；所述栅格地图包括若干栅格，所述栅格包括用于表征障碍物的第一栅格和用于表征可通行区域的第二栅格；
具体的，所述栅格地图可根据实际地图模拟绘制生成；所述可通行区域具有起始位置和终止位置。
优选的，所述目标猎物设置在所述终止位置上；
S200：根据A*算法，计算每个所述第二栅格的评价函数；
S300：释放人工狼群；所述人工狼群包括由第一狼群和第二狼群组成的若干人工狼，所述第一狼群放置于所述可通行区域的初始位置，所述第二狼群随机放置在所述第二栅格上；
S400：从所述第二狼群中挑选出对应所述第二栅格的评价函数最低的m只人工狼，并将其作为头狼；将所述人工狼群中其余人工狼作为普通狼；
具体的，m为整数且m≥1；例如在本实施例中，m=3。
S500：对所述第一栅格施加斥力场，以使所述人工狼在搜寻时寻优方向倾向远离所述障碍物；
S600：根据狼群算法以及所述斥力场，生成若干人工狼路径；所述人工狼路径的起点为所述初始位置，终点为目标猎物的位置；
S700：输出最终路径，所述最终路径为所述人工狼路径中最短的路径。
工作原理：通过创建由表征障碍物的第一栅格和表征可通行区域的第二栅格所组成的栅格地图并根据A*算法，使得可计算每个所述第二栅格的评价函数；通过将第一狼群放置在可通行区域的初始位置，第二狼群放置在所述第二栅格上，从所述第二狼群中挑选出对应所述第二栅格的评价函数最低的m只人工狼，并将其作为头狼；将所述人工狼群中其余人工狼作为普通狼，使得对人工狼群进行社会等级分层，以使其进行狼群算法动作，提高搜索效率；通过对所述第一栅格施加斥力场，使得所述人工狼在搜寻时寻优方向倾向远离所述障碍物，避免产生局部最优；最后根据狼群算法以及所述斥力场，生成若干人工狼路径并选取最短路径得到最优路径。
上述方法中，将A*算法与狼群算法结合，提高了搜索效率。同时人工狼受到斥力场的作用，在搜寻寻优过程倾向远离障碍物，避免产生局部最优。
在一优选实施方式中，根据狼群算法以及所述斥力场，生成若干人工狼路径的方法具体为：
s1：根据所述头狼的位置以及所述斥力场，更新所述普通狼的位置；
s2：从更新后的所述人工狼群中挑选出对应所述第二栅格的评价函数最低的m只人工狼，并将其作为新的头狼；
s3：递归步骤s1-s2，直至所述第二狼群中所有人工狼运动至所述目标猎物的位置；
s4：对应每个所述第二狼群中的人工狼，生成其对应的人工狼路径。
通过上述步骤，使得可更新人工狼位置使其趋近于目标猎物，同时选取新的头狼代替原有头狼，直至所述第二狼群中所有人工狼运动至所述目标猎物的位置。
在一优选实施方式中，步骤s1中根据所述头狼的位置以及所述斥力场，更新所述普通狼的位置的方法具体为：
s11：根据公式（一）分别计算每只普通狼与每只头狼的位置向量：
Figure 654257DEST_PATH_IMAGE039
（一）；
其中，
Figure 512491DEST_PATH_IMAGE040
表示第i只普通狼与第j只头狼的位置向量；
Figure 328001DEST_PATH_IMAGE041
为设定系数向量，
Figure 271686DEST_PATH_IMAGE042
；
Figure 565264DEST_PATH_IMAGE043
为所述初始位置指向所述第j只头狼的当前位置向量，
Figure 283864DEST_PATH_IMAGE044
为所述初始位置指向所述第i只普通狼的当前位置向量；
s12：根据公式（二）、公式（三）将所述普通狼的当前位置
Figure 473537DEST_PATH_IMAGE045
向量更新为
Figure 904519DEST_PATH_IMAGE046
：
Figure 267367DEST_PATH_IMAGE047
（二）；
Figure 834614DEST_PATH_IMAGE048
（三）；
其中，A为协同系数，
Figure 195189DEST_PATH_IMAGE049
为斥力系数；
第一位置点
Figure 113466DEST_PATH_IMAGE050
位于当前位置
Figure 14426DEST_PATH_IMAGE051
，第一位置点向量
Figure 701759DEST_PATH_IMAGE052
由所述初始位置指向所述第一位置点
Figure 29972DEST_PATH_IMAGE053
；
第二位置点
Figure 373229DEST_PATH_IMAGE054
位于与所述第一位置点
Figure 77880DEST_PATH_IMAGE055
的势能差最大的，且相邻所述第一位置点
Figure 885299DEST_PATH_IMAGE056
的第二栅格内；所述第二位置点向量
Figure 118834DEST_PATH_IMAGE057
由所述初始位置指向所述第二位置点
Figure 746125DEST_PATH_IMAGE058
。
具体的，
Figure 723308DEST_PATH_IMAGE059
为第j只头狼的当前位置；
Figure 181971DEST_PATH_IMAGE060
为第i只普通狼的当前位置。
具体的，
Figure 851987DEST_PATH_IMAGE061
，例如本实施例中m=3，则有：
Figure 169836DEST_PATH_IMAGE062
。
在一优选实施方式中，根据公式（四）计算所述协同系数A：
Figure 950710DEST_PATH_IMAGE063
（四）；
其中，t为当前递归次数，t max 为最大递归次数。
在一优选实施方式中，相邻所述第一位置点
Figure 467142DEST_PATH_IMAGE064
的第二栅格内均对应一个位置点q，所述第二位置点
Figure 308059DEST_PATH_IMAGE065
为所有所述位置点q中与所述第一位置点
Figure 706679DEST_PATH_IMAGE064
势能差最大的位置点；
根据公式（五）计算所述第一位置点
Figure 291244DEST_PATH_IMAGE064
的势能
Figure 662183DEST_PATH_IMAGE066
：
Figure 674001DEST_PATH_IMAGE067
（五）；
根据公式（六）计算每个所述位置点q的势能
Figure 700863DEST_PATH_IMAGE068
：
Figure 89119DEST_PATH_IMAGE069
（六）；
其中，
Figure 580143DEST_PATH_IMAGE070
为斥力尺度因子；
Figure 762863DEST_PATH_IMAGE071
为第一位置点
Figure 542600DEST_PATH_IMAGE064
到所述障碍物的距离；
Figure 468968DEST_PATH_IMAGE072
为位置点向量q到所述障碍物的距离；
Figure 548919DEST_PATH_IMAGE073
为所述障碍物的影响半径。
具体的，在本实施例中，
Figure 433699DEST_PATH_IMAGE074
为1，
Figure 231890DEST_PATH_IMAGE075
为1。
在一优选实施方式中，根据A*算法，计算每个所述第二栅格的评价函数的方法具体为：
根据公式（七）计算每个所述第二栅格的评价函数：
Figure 696370DEST_PATH_IMAGE076
（七）；
其中，
Figure 913985DEST_PATH_IMAGE077
表示第n个第二栅格的评价函数；
Figure 907349DEST_PATH_IMAGE078
表示所述可通行区域的初始位置到第n个第二栅格的距离；
Figure 927257DEST_PATH_IMAGE079
表示所述第n个第二栅格到所述可通行区域的终点位置的估计距离。
具体的，在本实施例中，
Figure 461007DEST_PATH_IMAGE080
的计算方法具体为：
计算所述第n个第二栅格到所述可通行区域的终点位置的欧氏距离。
在一优选实施方式中，所述第二狼群中人工狼的数量为所述人工狼群数量的50%。
在一优选实施方式中，所述人工狼路径的长度为所述人工狼路径中每个相邻所述第二栅格的欧氏距离之和。
具体的，所述欧氏距离的计算方法具体为：
Figure 781130DEST_PATH_IMAGE081
；
其中，
Figure 476553DEST_PATH_IMAGE082
表示所述人工狼路径中相邻两个所述第二栅格横坐标之差；
Figure 452600DEST_PATH_IMAGE083
表示所述人工狼路径中相邻两个所述第二栅格纵坐标之差。
实施例2
本实施例提供一种服务端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述所述的基于狼群算法和人工势场的移动机器人改进A*算法。
如图2所示，所述服务端800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在随机访问存储器803中，还存储有系统操作所需的各种程序和数据。中央存储单元801、只读存储器802以及随机访问存储器803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至输入/输出接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至输入/输出接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本发明的实施例，上文参考流程图1描述的过程可以被实现为计算机软件程序。例如，本发明的实施例1包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本申请的系统中限定的上述功能。
实施例3
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述所述的基于狼群算法和人工势场的移动机器人改进A*算法。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括初始化模块、数据处理模块，输出模块。
其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，数据处理模块还可以被描述为“用于计算每个所述第二栅格的评价函数的数据处理模块”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中基于狼群算法和人工势场的移动机器人改进A*算法的步骤。
例如，所述电子设备可以实现如图1中所示的：
S100：创建栅格地图；所述栅格地图包括若干栅格，所述栅格包括用于表征障碍物的第一栅格和用于表征可通行区域的第二栅格；
S200：根据A*算法，计算每个所述第二栅格的评价函数；
S300：释放人工狼群；所述人工狼群包括由第一狼群和第二狼群组成的若干人工狼，所述第一狼群放置于所述可通行区域的初始位置，所述第二狼群随机放置在所述第二栅格上；
S400：从所述第二狼群中挑选出对应所述第二栅格的评价函数最低的m只人工狼，并将其作为头狼；将所述人工狼群中其余人工狼作为普通狼；
S500：对所述第一栅格施加斥力场，以使所述人工狼在搜寻时寻优方向倾向远离所述障碍物；
S600：根据狼群算法以及所述斥力场，生成若干人工狼路径；所述人工狼路径的起点为所述初始位置，终点为目标猎物的位置；
S700：输出最终路径，所述最终路径为所述人工狼路径中最短的路径。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种基于狼群算法和人工势场的移动机器人改进A*算法，其特征在于，包括以下步骤：
创建栅格地图；所述栅格地图包括若干栅格，所述栅格包括用于表征障碍物的第一栅格和用于表征可通行区域的第二栅格；
根据A*算法，计算每个所述第二栅格的评价函数；
释放人工狼群；所述人工狼群包括由第一狼群和第二狼群组成的若干人工狼，所述第一狼群放置于所述可通行区域的初始位置，所述第二狼群随机放置在所述第二栅格上；
从所述第二狼群中挑选出对应所述第二栅格的评价函数最低的m只人工狼，并将其作为头狼；将所述人工狼群中其余人工狼作为普通狼；
对所述第一栅格施加斥力场，以使所述人工狼在搜寻时寻优方向倾向远离所述障碍物；
根据狼群算法以及所述斥力场，生成若干人工狼路径；所述人工狼路径的起点为所述初始位置，终点为目标猎物的位置；
输出最终路径，所述最终路径为所述人工狼路径中最短的路径；
根据狼群算法以及所述斥力场，生成若干人工狼路径的方法具体为：
s1：根据所述头狼的位置以及所述斥力场，更新所述普通狼的位置；
s2：从更新后的所述人工狼群中挑选出对应所述第二栅格的评价函数最低的m只人工狼，并将其作为新的头狼；
s3：递归步骤s1-s2，直至所述第二狼群中所有人工狼运动至所述目标猎物的位置；
s4：对应每个所述第二狼群中的人工狼，生成其对应的人工狼路径；
步骤s1中根据所述头狼的位置以及所述斥力场，更新所述普通狼的位置的方法具体为：
s11：根据公式(一)分别计算每只普通狼与每只头狼的位置向量：
Figure FDA0003551872040000021
其中，
Figure FDA0003551872040000022
表示第i只普通狼与第j只头狼的位置向量；
Figure FDA0003551872040000023
为设定系数向量，r∈[0，1]；
Figure FDA0003551872040000024
为所述初始位置指向所述第j只头狼的当前位置向量，
Figure FDA0003551872040000025
为所述初始位置指向所述第i只普通狼的当前位置向量；
s12：根据公式(二)、公式(三)将所述普通狼的当前位置向量
Figure FDA0003551872040000026
更新为
Figure FDA0003551872040000027
Figure FDA0003551872040000028
Figure FDA0003551872040000029
其中，A为协同系数，α为斥力系数；
第一位置点q1位于当前位置xi(t)，第一位置点向量
Figure FDA00035518720400000210
由所述初始位置指向所述第一位置点q1；
第二位置点q2位于与所述第一位置点q1的势能差最大的，且相邻所述第一位置点q1的第二栅格内；所述第二位置点向量
Figure FDA00035518720400000211
由所述初始位置指向所述第二位置点q2。
2.根据权利要求1所述的基于狼群算法和人工势场的移动机器人改进A*算法，其特征在于，根据公式(四)计算所述协同系数A：
Figure FDA00035518720400000212
其中，t为当前递归次数，tmax为最大递归次数。
3.根据权利要求1所述的基于狼群算法和人工势场的移动机器人改进A*算法，其特征在于，相邻所述第一位置点q1的第二栅格内均对应一个位置点q，所述第二位置点q2为所有所述位置点q中与所述第一位置点q1势能差最大的位置点；
根据公式(五)计算所述第一位置点q1的势能Urep(q1)：
Figure FDA0003551872040000031
根据公式(六)计算每个所述位置点q的势能Urep(q)：
Figure FDA0003551872040000032
其中，η为斥力尺度因子；ρ(q1,qobs)为第一位置点q1到所述障碍物的距离；ρ(q,qobs)为位置点向量q到所述障碍物的距离；ρ0为所述障碍物的影响半径。
4.根据权利要求1所述的基于狼群算法和人工势场的移动机器人改进A*算法，其特征在于，根据A*算法，计算每个所述第二栅格的评价函数的方法具体为：
根据公式(七)计算每个所述第二栅格的评价函数：
F(n)＝G(n)+H(n) (七)；
其中，F(n)表示第n个第二栅格的评价函数；G(n)表示所述可通行区域的初始位置到第n个第二栅格的距离；H(n)表示所述第n个第二栅格到所述可通行区域的终点位置的估计距离。
5.根据权利要求1-4任意一项所述的基于狼群算法和人工势场的移动机器人改进A*算法，其特征在于，所述第二狼群中人工狼的数量为所述人工狼群数量的50％。
6.根据权利要求1-4任意一项所述的基于狼群算法和人工势场的移动机器人改进A*算法，其特征在于，所述人工狼路径的长度为所述人工狼路径中每个相邻所述第二栅格的欧氏距离之和。
7.一种服务端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任意一项所述的基于狼群算法和人工势场的移动机器人改进A*算法。
8.一种计算机可读存储介质，所述计算机可读存储介质有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任意一项所述的基于狼群算法和人工势场的移动机器人改进A*算法。
CN202210091868.1A 2022-01-26 2022-01-26 基于狼群算法和人工势场的移动机器人改进a*算法 Active CN114115301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210091868.1A CN114115301B (zh) 2022-01-26 2022-01-26 基于狼群算法和人工势场的移动机器人改进a*算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210091868.1A CN114115301B (zh) 2022-01-26 2022-01-26 基于狼群算法和人工势场的移动机器人改进a*算法

Publications (2)

Publication Number Publication Date
CN114115301A CN114115301A (zh) 2022-03-01
CN114115301B true CN114115301B (zh) 2022-04-22

Family

ID=80361565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210091868.1A Active CN114115301B (zh) 2022-01-26 2022-01-26 基于狼群算法和人工势场的移动机器人改进a*算法

Country Status (1)

Country Link
CN (1) CN114115301B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107917711A (zh) * 2017-11-14 2018-04-17 重庆邮电大学 一种基于优化混合蚁群算法的机器人路径规划算法
CN109282815A (zh) * 2018-09-13 2019-01-29 天津西青区瑞博生物科技有限公司 一种动态环境下基于蚁群算法的移动机器人路径规划方法
CN110928295A (zh) * 2019-10-16 2020-03-27 重庆邮电大学 一种融合人工势场与对数蚁群算法的机器人路径规划方法
CN111457927A (zh) * 2020-04-26 2020-07-28 北京工商大学 动态障碍物下的无人巡航船多目标路径规划方法
CN111784079A (zh) * 2020-07-28 2020-10-16 上海海事大学 一种基于人工势场和蚁群算法的无人机路径规划方法
CN112033403A (zh) * 2020-05-06 2020-12-04 东华大学 一种基于势场改进蚁群算法的无人机最优路径搜索方法
CN113296520A (zh) * 2021-05-26 2021-08-24 河北工业大学 融合a*与改进灰狼算法的巡检机器人路径规划方法
CN113467472A (zh) * 2021-07-27 2021-10-01 山东科技大学 一种复杂环境下的机器人路径规划方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107917711A (zh) * 2017-11-14 2018-04-17 重庆邮电大学 一种基于优化混合蚁群算法的机器人路径规划算法
CN109282815A (zh) * 2018-09-13 2019-01-29 天津西青区瑞博生物科技有限公司 一种动态环境下基于蚁群算法的移动机器人路径规划方法
CN110928295A (zh) * 2019-10-16 2020-03-27 重庆邮电大学 一种融合人工势场与对数蚁群算法的机器人路径规划方法
CN111457927A (zh) * 2020-04-26 2020-07-28 北京工商大学 动态障碍物下的无人巡航船多目标路径规划方法
CN112033403A (zh) * 2020-05-06 2020-12-04 东华大学 一种基于势场改进蚁群算法的无人机最优路径搜索方法
CN111784079A (zh) * 2020-07-28 2020-10-16 上海海事大学 一种基于人工势场和蚁群算法的无人机路径规划方法
CN113296520A (zh) * 2021-05-26 2021-08-24 河北工业大学 融合a*与改进灰狼算法的巡检机器人路径规划方法
CN113467472A (zh) * 2021-07-27 2021-10-01 山东科技大学 一种复杂环境下的机器人路径规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A technique for inversely identifying joint stiffnesses of robot arms via two-way TubeNets;Duan, SY 等;《INVERSE PROBLEMS IN SCIENCE AND ENGINEERING》;20210930;全文 *
具有确保安全距离的A*路径优化方法;段书用 等;《机械工程学报》;20200930;全文 *
基于改进狼群算法的船舶路径规划;邓腾飞;《CNKI》;20200330;全文 *
求解带时间窗车辆路径问题的狼群算法;叶勇 等;《公路交通科技》;20171030;全文 *

Also Published As

Publication number Publication date
CN114115301A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN107103164B (zh) 无人机执行多任务的分配方法及装置
JP5954750B2 (ja) 情報処理装置、情報処理方法、及びプログラム
Orozco-Rosas et al. Pseudo-bacterial potential field based path planner for autonomous mobile robot navigation
CN107563653B (zh) 一种多机器人全覆盖任务分配方法
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
Xu et al. Heuristic and random search algorithm in optimization of route planning for Robot’s geomagnetic navigation
CN116301048A (zh) 无人机路径规划方法、系统、电子设备以及存储介质
Tang et al. Metaheuristics and chaos theory
CN114047770A (zh) 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
CN113052253A (zh) 超参数确定方法、装置、深度强化学习框架、介质及设备
CN113805609A (zh) 一种混沌迷失鸽群优化机制的无人机群目标搜索方法
Kalra et al. A novel binary emperor penguin optimizer for feature selection tasks
CN116051635A (zh) 一种位姿确定方法和装置
CN114115301B (zh) 基于狼群算法和人工势场的移动机器人改进a*算法
CN110675004A (zh) 一种基于灰狼算法的路径规划方法
Li et al. An improved binary quantum-behaved particle swarm optimization algorithm for knapsack problems
CN111343602A (zh) 基于进化算法的联合布局与任务调度优化方法
CN113743566A (zh) 产品拆卸序列优化方法、装置、计算机设备和存储介质
CN112052865A (zh) 用于生成神经网络模型的方法和装置
JP2004046303A (ja) 電磁石の最適構造設計方法
CN108776668B (zh) 基于路网节点的路径估算方法、系统、设备及存储介质
Shi et al. Path planning for mobile robots in complex environments based on improved ant colony algorithm.
Cui et al. Improved multi-objective artificial bee colony algorithm-based path planning for mobile robots
CN111399489A (zh) 用于生成信息的方法和装置
CN113759915B (zh) 一种agv小车路径规划方法、装置、设备及存储介质

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