CN114460941B - 一种基于改进麻雀搜索算法的机器人路径规划方法及系统 - Google Patents
一种基于改进麻雀搜索算法的机器人路径规划方法及系统 Download PDFInfo
- Publication number
- CN114460941B CN114460941B CN202210120925.4A CN202210120925A CN114460941B CN 114460941 B CN114460941 B CN 114460941B CN 202210120925 A CN202210120925 A CN 202210120925A CN 114460941 B CN114460941 B CN 114460941B
- Authority
- CN
- China
- Prior art keywords
- path
- fitness
- iteration
- optimal
- max
- 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
- 241000287127 Passeridae Species 0.000 title claims abstract description 42
- 238000010845 search algorithm Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000000739 chaotic effect Effects 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000007423 decrease Effects 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 5
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 230000002068 genetic effect Effects 0.000 description 7
- 239000002245 particle Substances 0.000 description 7
- 241000282461 Canis lupus Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 description 2
- 101150064138 MAP1 gene Proteins 0.000 description 2
- 229940060587 alpha e Drugs 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
- 238000012795 verification Methods 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
- G05D1/0212—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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于改进麻雀搜索算法(DCLS_SSA)的路径规划方法及系统，包括将地图分割为障碍区和非障碍区；确定路径规划的起点和终点后，使用Bernoulli混沌映射选取导航点初始化路径；通过数学分析将机器人路径长度建模为相应的适应度函数，使用改进麻雀搜索算法来优化这些导航点从而寻找最短路径；本发明的路径导航点选择方式能够确保初始路径有充足的多样性利于寻找最优路径，使用改进麻雀搜索算法进行优化，有效防止路径规划陷入次优解，提高了规划最优路径的可靠性。
Description
技术领域
本发明涉及路径规划领域，特别是涉及一种基于改进麻雀搜索算法的机器人路径规划方法及系统。
背景技术
路径规划是机器人应用的一个重要分支和基本研究内容。其研究方向主要有未知环境的路径规划和已知环境的路径规划。未知环境情况下主要是借助传感器对环境做出判断，重点在于实时避障。而已知环境的则不同，因为环境已知所以避障相对容易，但是路径往往很多甚至无数，怎样在如此多的路径中找出需要的或者说是最好的路径成了对已知环境下路径规划的重点研究内容。
为了解决这样问题，近20年来学者们不断的将智能优化算法和一些决策方法引入到其中。比较常见的有遗传算法，粒子群算法，灰狼算法等，但是这些算法并没有完全满足路径规划的需求。遗传算法由于算法本身原理问题致使局部搜索能力较差，且容易“早熟”即陷入局部最优，在增加搜索能力的同时带来的计算负担也成几何增长。粒子群算法因为粒子的每一次更新只依赖于自身历史最优和当前种群最优解，虽然这样计算量小而且收敛速度快，但这也使得其搜索能力较差容易陷入局部最优，搜索范围较小并且在路径规划方面对于初始化的优劣有着很强的依赖性。灰狼算法提出较晚并且其原理模仿了狼群的种群制度和捕猎方式，其更新方式不止考虑了全局最优的头狼还考虑了两个次优解这使得灰狼算法的搜索能力在本质上相对于粒子群算法有了很大的提升，虽搜索能力不及遗传算法但其收敛速度和计算压力都优于遗传算法，可以说是遗传算法和粒子群算法的一个折中。
近年来不少新的智能优化算法不断被提出，比较流行的有2020年提出的麻雀搜索算法(Sparrow Search Algorithm,SSA)。该算法受到麻雀觅食行为和反捕捉行为的启发，相比起遗传算法、粒子群优化算法、灰狼优化算法，麻雀搜索算法有着参数少、收敛速度快和计算简单的优点，但在求解路径规划问题时容易“早熟”，导致收敛效果不佳。
发明内容
本发明的目的是提供一种基于改进麻雀搜索算法的机器人路径规划方法及系统，实现对机器人路径的精确规划。
为实现上述目的，本发明提供了如下方案：
一种基于改进麻雀搜索算法的机器人路径规划方法，所述路径规划方法包括：
设定地图的边界，种群个数n，发现者个数，路径的导航点个数d，最大迭代次数itermax，最大警戒者个数hmax以及安全值；
确定路径的起点和终点；
在所述路径的起点和终点之间生成d-2个非障碍区导航点，连接所述起点、所述d-2个非障碍区导航点以及所述终点，生成完整路径；
将所述完整路径的路径属性建模成相应的适应度函数；
根据所述适应度函数计算所有路径n的适应度值；
寻找出当前适应度值最小的路径，存储为群体最佳位置，并将所有路径n存储为个体历史最优路径；
通过改进的麻雀搜索算法确定新的路径位置信息；
判断所述新的路径位置信息是否超出所述地图的边界，若超出，则将所述新的路径位置信息设置在地图边界上，并计算新的路径位置信息的适应度值；
判断所述新的路径位置信息的适应度值是否小于群体最优或个体历史最优，小于谁，则将谁替换为新得到的路径位置，并存储替换后的位置信息，若不小于，则不进行替换；
判断是否达到最大迭代次数，如果达到，则停止计算，并将最后存储的群体最佳路径位置信息作为最优路径。
可选的，所述相应的适应度函数的表达式如下：
其中，x和y为一条路径上所有导航点的x、y坐标值，ω、θ、为比例常数，f1(x,y)为路径长度，f2(x,y)为导航点分布评价函数，f3(x,y)为路径平滑度评价函数。
可选的，所述ω＝0.8，θ＝0.1，
可选的，所述通过改进的麻雀搜索算法确定新的路径位置信息具体包括以下步骤：
将所有路径按适应度值进行升序排列，根据预设比例确定发现者个数和跟随者个数；
对发现者位置进行更新，发现者位置更新公式为：
其中，为第t次迭代下发现者i第j维的位置，/>为第t+1次迭代下发现者i第j维的位置，/>为当前迭代最优位置的第j维的位置，itermax是最大迭代次数，α是一个随机数，R2是一个随机数代表着报警值，ST代表安全值，c(p,j)为以p为参数，j为迭代次数的Bernoulli混沌映射结果，p为Bernoulli混沌映射概率参数，p∈(0,1)，j表示每次迭代产生一个混沌数，c(p,j-1)表示为以p为参数，j-1为迭代次数的Bernoulli混沌映射结果，a是动态调整参数a＝0.2+(0.5-0.2)*t/itermax，fit(·)为适应度函数，min(fit[·])为贪婪策略选择适应度最小的个体，Q是服从正太分布的随机数，d是维度数；
对跟随者的位置进行更新，跟随者位置更新公式为：其中，/>表示为第t+1次迭代下跟随者i第j维的位置，/>为适应度最差位置，/>为发现者中适应度最优位置，n为种群个数，A+为更新比重行向量A+＝AT(AAT)-1，其中，A是一个1×d的行向量，/>为比重行向量的第j维，每一个元素都是随机分配1或-1，AT为A的转置；
随机选取种群中的h个体进行预警位置更新，预警者位置更新公式为：其中，预警者个数h随着迭代的进行线性减小h＝int((1-t/itermax)*hmax)+2，int(·)表示取整，hmax为最大预警个体数，/>为适应度最优位置的第j维，β是一个1×d的向量，每一个元素都是均值为0方差为1的随机数，K是一个1×d的向量，每一个元素都是取值范围[0,1]的随机数，fi为个体i的适应度值，fg和fw分别是最优和最差适应度值，ε为常数。
可选的，所述α∈[0,1]，R2∈[0,1]，ST∈[0.5,1]，d∈[10,25]，p＝0.4。
基于本发明中的上述方法，本发明另外提供一种基于改进麻雀搜索算法的机器人路径规划系统，所述路径规划系统包括：
参数设定模块，用于设定地图的边界，种群个数n，发现者个数，路径的导航点个数d，最大迭代次数itermax，最大警戒者个数hmax以及安全值；
路径起点和终点确定模块，用于确定路径的起点和终点；
完整路径生成模块，用于在所述路径的起点和终点之间生成d-2个非障碍区导航点，连接所述起点、所述d-2个非障碍区导航点以及所述终点，生成完整路径；
适应度函数确定模块，用于将所述完整路径的路径属性建模成相应的适应度函数；
适应度值计算模块，用于根据所述适应度函数计算所有路径n的适应度值；
群体最佳位置及个体历史最优路径确定模块，用于寻找出当前适应度值最小的路径，存储为群体最佳位置，并将所有路径n存储为个体历史最优路径；
通过改进的麻雀搜索算法确定新的路径位置信息；
第一判断模块，用于判断所述新的路径位置信息是否超出所述地图的边界，若超出，则将所述新的路径位置信息设置在地图边界上，并计算新的路径位置信息的适应度值；
第二判断模块，用于判断所述新的路径位置信息的适应度值是否小于群体最优或个体历史最优，小于谁，则将谁替换为新得到的路径位置，并存储替换后的位置信息，若不小于，则不进行替换；
第三判断模块，用于判断是否达到最大迭代次数，如果达到，则停止计算，并将最后存储的群体最佳路径位置信息作为最优路径。
可选的，所述相应的适应度函数的表达式如下：
其中，x和y为一条路径上所有导航点的x、y坐标值，ω、θ、为比例常数，f1(x,y)为路径长度，f2(x,y)为导航点分布评价函数，f3(x,y)为路径平滑度评价函数。
可选的，所述ω＝0.8，θ＝0.1，
可选的，所述通过改进的麻雀搜索算法确定新的路径位置信息具体包括以下步骤：
将所有路径按适应度值进行升序排列，根据预设比例确定发现者个数和跟随者个数；
对发现者位置进行更新，发现者位置更新公式为：
，其中，为第t次迭代下发现者i第j维的位置，/>为第t+1次迭代下发现者i第j维的位置，/>为当前迭代最优位置的第j维的位置，itermax是最大迭代次数，α是一个随机数，R2是一个随机数代表着报警值，ST代表安全值，c(p,j)为以p为参数，j为迭代次数的Bernoulli混沌映射结果，p为Bernoulli混沌映射概率参数，p∈(0,1)，j表示每次迭代产生一个混沌数，c(p,j-1)表示为以p为参数，j-1为迭代次数的Bernoulli混沌映射结果，a是动态调整参数a＝0.2+(0.5-0.2)*t/itermax，fit(·)为适应度函数，min(fit[·])为贪婪策略选择适应度最小的个体，Q是服从正太分布的随机数，d是维度数；
对跟随者的位置进行更新，跟随者位置更新公式为：其中，/>表示为第t+1次迭代下跟随者i第j维的位置，/>为适应度最差位置，/>为发现者中适应度最优位置，n为种群个数，A+为更新比重行向量A+＝AT(AAT)-1，其中，A是一个1×d的行向量，/>为比重行向量的第j维，每一个元素都是随机分配1或-1，AT为A的转置；
随机选取种群中的h个体进行预警位置更新，预警者位置更新公式为：其中，预警者个数h随着迭代的进行线性减小h＝int((1-t/itermax)*hmax)+2，int(·)表示取整，hmax为最大预警个体数，/>为适应度最优位置的第j维，β是一个1×d的向量，每一个元素都是均值为0方差为1的随机数，K是一个1×d的向量，每一个元素都是取值范围[0,1]的随机数，fi为个体i的适应度值，fg和fw分别是最优和最差适应度值，ε为常数。
可选的，所述α∈[0,1]，R2∈[0,1]，ST∈[0.5,1]，d∈[10,25]，p＝0.4。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于改进麻雀搜索算法(DCLS_SSA)的路径规划方法，包括将地图分割为障碍区和非障碍区；确定路径规划的起点和终点后，使用Bernoulli混沌映射选取导航点初始化路径；通过数学分析将机器人路径长度建模为相应的适应度函数，使用改进麻雀搜索算法来优化这些导航点从而寻找最短路径；本发明的路径导航点选择方式能够确保初始路径有充足的多样性利于寻找最优路径，使用改进麻雀搜索算法进行优化，有效防止路径规划陷入次优解，提高了规划最优路径的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种基于改进麻雀搜索算法的机器人路径规划方法流程图；
图2为本发明实施例改进麻雀搜索算法(DCLS_SSA)与其它算法在12个基准函数中的优化迭代曲线对比图；
图3为本发明实施例在地图1中的路径规划效果；
图4为本发明实施例在地图1中的路径规划迭代曲线示意图；
图5为本发明实施例在地图2中的路径规划效果；
图6为本发明实施例在地图2中的路径规划迭代曲线示意图；
图7为本发明实施例一种基于改进麻雀搜索算法的机器人路径规划系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于改进麻雀搜索算法的机器人路径规划方法及系统，实现对机器人路径的精确规划。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例一种基于改进麻雀搜索算法的机器人路径规划方法流程图，如图1所示，所述方法包括：
S101：设定地图的边界，种群个数n(总路径条数)，发现者个数(作为发现者的路径条数)，路径的导航点个数d(一条路径由多少个点组成)，最大迭代次数itermax，最大警戒者个数hmax(作为警戒者的路径条数)以及安全值。
S102：确定路径的起点和终点。
S103：在所述路径的起点和终点之间生成d-2个非障碍区导航点，连接所述起点、所述d-2个非障碍区导航点以及所述终点，生成完整路径。
具体的，是在起点与终点间使用Bernoulli混沌映射其中σ为参数σ∈(0,1)，产生d-2个非障碍区导航点，依次连接起点、导航点和终点组合完整路径，完成路径初始化。
S104：将所述完整路径的路径属性建模成相应的适应度函数。
所述路径属性为：路径长度、平滑度等。
S105：根据所述适应度函数计算所有路径n的适应度值。
适应度函数的表达式如下：
其中，x和y为一条路径上所有导航点的x、y坐标值，ω、θ、为比例常数，f1(x,y)为路径长度，/>xt和yt为导航点t的x轴坐标和y轴坐标，xt+1和yt+1为导航点t+1的x轴坐标和y轴坐标，D为路径中导航点个数；f2(x,y)为导航点分布评价函数，/>其中/>为第t个导航点与第t-1个导航点之间的距离/>同理，/>为第t+1个导航点与第t个导航点之间的距离；f3(x,y)为路径平滑度评价函数/>其中/>为从导航点t-1到导航点t的向量/> 为从导航点t与导航点t+1的向量/>
S106：寻找出当前适应度值最小的路径，存储为群体最佳位置，并将所有路径n存储为个体历史最优路径。
S107：通过改进的麻雀搜索算法确定新的路径位置信息。
具体包括以下步骤：
S1071：将所有路径按适应度值进行升序排列，根据预设比例确定发现者个数和跟随者个数；
对发现者位置进行更新，发现者位置更新公式为：
其中，/>为第t次迭代下发现者i第j维的位置，/>为第t+1次迭代下发现者i第j维的位置，/>为当前迭代最优位置的第j维的位置，itermax是最大迭代次数，α是一个随机数，R2是一个随机数代表着报警值，ST代表安全值，c(p,j)为以p为参数，j为迭代次数的Bernoulli混沌映射p为Bernoulli混沌映射概率参数p∈(0,1)，j表示该混沌数为第几次混沌映射计算产生的(每次迭代产生一个混沌数)，同理c(p,j-1)表示为以p为参数，j-1为迭代次数的Bernoulli混沌映射结果，a是动态调整参数a＝0.2+(0.5-0.2)*t/itermax，fit(·)为适应度函数，min(fit[·])为贪婪策略选择适应度最小的个体，Q是服从正太分布的随机数，d是维度数；
对跟随者的位置进行更新，跟随者位置更新公式为：其中，/>为适应度最差位置，为发现者中适应度最优位置，n为种群个数，A+为更新比重行向量A+＝AT(AAT)-1，其中，A是一个1×d的行向量，/>为比重行向量的第j维，每一个元素都是随机分配1或-1，AT为A的转置；
随机选取种群中的h个体进行预警位置更新，预警者位置更新公式为：其中，预警者个数h随着迭代的进行线性减小h＝int((1-t/itermax)*hmax)+2，int(·)表示取整，hmax为最大预警个体数，/>为适应度最优位置的第j维，β是一个1×d的向量，每一个元素都是均值为0方差为1的随机数，K是一个1×d的向量，每一个元素都是取值范围[0,1]的随机数，fi为个体i的适应度值，fg和fw分别是最优和最差适应度值，ε为常数。
对发现者位置进行更新，发现者位置更新公式为：
其中，/>为第t次迭代下发现者i第j维的位置，/>为当前迭代最优位置的第j维，itermax是最大迭代次数，α是一个随机数，R2是一个随机数代表着报警值，ST代表安全值，c(p,j)为以p为参数，j为迭代次数的Bernoulli混沌映射a是动态调整参数a＝0.2+(0.5-0.2)*t/itermax，fit(·)为适应度函数，min(fit[·])为贪婪策略选择适应度最小的个体，Q是服从正太分布的随机数，d是维度数；因为路径由导航点组成，一个点有两个坐标值x和y，对于路径规划问题需要更新两个坐标值，发现者i(第i条路径)第j个导航点(xij,yij)的更新公式如下所示：，其中/>和/>为第t次迭代下发现者i第j个导航点的x和y坐标值，/>和/>为当前种群最优路径的导航点，f(x,y)为路径适应度函数，注意此时的j取值范围为[2,d-1]因为起始点不改变，其中α∈[0,1]，R2∈[0,1]，ST∈[0.5,1]，d∈[10,25]，p＝0.4。
S1072：对跟随者的位置进行更新，跟随者位置更新公式为：其中，/>表示为第t+1次迭代下跟随者i第j维的位置，/>为适应度最差位置，/>为发现者更新完成后种群中适应度最优个体的第j维，/>为发现者中适应度最优位置，n为种群个数，A+为更新比重行向量A+＝AT(AAT)-1，其中，A是一个1×d的行向量，每一个元素都是随机分配1或-1，AT为A的转置；对于路径规划，跟随者i(第i条路径)第j个导航点(xij,yij)的更新公式如下所： 和为当前种群最差路径的导航点。
S1073：随机选取种群中的h个体进行预警位置更新，预警者位置更新公式为：其中，预警者个数h随着迭代的进行线性减小h＝int((1-t/itermax)*hmax)+2，hmax为最大预警个体数，/>为适应度最优位置的第j维，β是一个1×d的向量，每一个元素都是均值为0方差为1的随机数，K是一个1×d的向量，每一个元素都是取值范围[0,1]的随机数，fi为个体i的适应度值，fg和fw分别是最优和最差适应度值，ε为一个很小的常数；对于路径规划，预警者i(第i条路径)第j个导航点(xij,yij)的更新公式如下所示：ε∈[1×10-50,1×10-10]，hmax为种群数的40％。
S108：判断所述新的路径位置信息是否超出所述地图的边界，若超出，则将所述新的路径位置信息设置在地图边界上，并计算新的路径位置信息的适应度值。
S109：判断所述新的路径位置信息的适应度值是否小于群体最优或个体历史最优，小于谁，则将谁替换为新得到的路径位置，并存储替换后的位置信息，若不小于，则不进行替换。
所述替换条件为：新路径的适应度值是否小于群体最优或个体历史最优路径适应度值，小于群体最优替换群体最优，小于个体历史最优替换体历史最优。
S110：判断是否达到最大迭代次数，如果达到，则停止计算，并将最后存储的群体最佳路径位置信息作为最优路径。
麻雀搜索算法在路径规划术中易“早熟”，收敛效果差的问题。为了解决这一问题，首先本发明使用混沌映射进行路径初始化，确保了初始种群具有较好的多样性。然后麻雀搜索算法中跟随着更新受发现者影响较大，为此本发明使用了引入动态混沌局部搜索和贪婪策略min(fit[Xw,Xv])对原公式进行改进，动态混沌局部搜索中参数a＝0.2时增加了个体逃离中心的概率，a＝0.5会向中心靠近，动态变化实现了从探索到收敛，从而提高了发现者种群的质量和多样性利于后续优化。最后麻雀搜索算法的全局探索主要依赖于警戒者更新，那么在算法前期应该增加全局探索(增加警戒者个数)，后期应该增加局部探索(减少警戒者个数)，但是原算法使用固定的警戒者个数，这是不合理的，所以本发明使用线性减少的警戒者个数h＝int((1-t/itermax)*hmax)+2，确保了全局探索与局部探索的平衡。
为了验证改进效果，本发明选取了12个基准测试函数和两张路径规划地图来进行验证，具体如图2-图6所示，并且将改进麻雀搜索算法(DCLS_SSA)与原麻雀搜索算法，粒子群优化算法(PSO)，灰狼优化算法(GWO)，人群优化算法(SOA)进行对比，选取的基准测试函数如下表所示：
表1测试函数
在测试中，各算法的种群规模都为100，最大迭代次数为500，每个测试函数进行30次测试，统计结果如表2所示，算法结果排序如表3所示：
表2测试结果比较
/>
/>
表3算法结果排序
路径规划效果对比选取了两张不同的地图进行测试，在测试中，各算法的种群规模都为50，最大迭代次数为1000，对比数据如表4所示。
表4路径规划测试结果比较
无论是在基准函数测试中还是两幅地图的路径规划效果对比中，本发明提出的改进麻雀搜索算法DCLS_SSA均表现出最佳的效果。因此本发明真实有效。
图7为本发明实施例一种基于改进麻雀搜索算法的机器人路径规划系统结构示意图，如图7所示，所述路径规划系统包括：
参数设定模块201，用于设定地图的边界，种群个数n，发现者个数，路径的导航点个数d，最大迭代次数itermax，最大警戒者个数hmax以及安全值；
路径起点和终点确定模块202，用于确定路径的起点和终点；
完整路径生成模块203，用于在所述路径的起点和终点之间生成d-2个非障碍区导航点，连接所述起点、所述d-2个非障碍区导航点以及所述终点，生成完整路径；
适应度函数确定模块204，用于将所述完整路径的路径属性建模成相应的适应度函数；
适应度值计算模块205，用于根据所述适应度函数计算所有路径n的适应度值；
群体最佳位置及个体历史最优路径确定模块206，用于寻找出当前适应度值最小的路径，存储为群体最佳位置，并将所有路径n存储为个体历史最优路径；
新的路径位置信息确定模块207，用于通过改进的麻雀搜索算法确定新的路径位置信息；
第一判断模块208，用于判断所述新的路径位置信息是否超出所述地图的边界，若超出，则将所述新的路径位置信息设置在地图边界上，并计算新的路径位置信息的适应度值；
第二判断模块209，用于判断所述新的路径位置信息的适应度值是否小于群体最优或个体历史最优，小于谁，则将谁替换为新得到的路径位置，并存储替换后的位置信息，若不小于，则不进行替换；
第三判断模块210，用于判断是否达到最大迭代次数，如果达到，则停止计算，并将最后存储的群体最佳路径位置信息作为最优路径
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于改进麻雀搜索算法的机器人路径规划方法，其特征在于，所述路径规划方法包括：
设定地图的边界，种群个数n，发现者个数，路径的导航点个数d，最大迭代次数itermax，最大警戒者个数hmax以及安全值；
确定路径的起点和终点；
在所述路径的起点和终点之间生成d-2个非障碍区导航点，连接所述起点、所述d-2个非障碍区导航点以及所述终点，生成完整路径；
将所述完整路径的路径属性建模成相应的适应度函数；
根据所述适应度函数计算所有路径n的适应度值；
寻找出当前适应度值最小的路径，存储为群体最佳位置，并将所有路径n存储为个体历史最优路径；
通过改进的麻雀搜索算法确定新的路径位置信息；
判断所述新的路径位置信息是否超出所述地图的边界，若超出，则将所述新的路径位置信息设置在地图边界上，并计算新的路径位置信息的适应度值；
判断所述新的路径位置信息的适应度值是否小于群体最优或个体历史最优，小于谁，则将谁替换为新得到的路径位置，并存储替换后的位置信息，若不小于，则不进行替换；
判断是否达到最大迭代次数，如果达到，则停止计算，并将最后存储的群体最佳路径位置信息作为最优路径；
所述通过改进的麻雀搜索算法确定新的路径位置信息具体包括以下步骤：
将所有路径按适应度值进行升序排列，根据预设比例确定发现者个数和跟随者个数；
对发现者位置进行更新，发现者位置更新公式为：
，其中，为第t次迭代下发现者i第j维的位置，/>为第t+1次迭代下发现者i第j维的位置，为当前迭代最优位置的第j维的位置，itermax是最大迭代次数，α是一个随机数，R2是一个随机数代表着报警值，ST代表安全值，c(p,j)为以p为参数，j为迭代次数的Bernoulli混沌映射结果，p为Bernoulli混沌映射概率参数，p∈(0,1)，j表示每次迭代产生一个混沌数，c(p,j-1)表示为以p为参数，j-1为迭代次数的Bernoulli混沌映射结果，a是动态调整参数a＝0.2+(0.5-0.2)*t/itermax，fit(·)为适应度函数，min(fit[·])为贪婪策略选择适应度最小的个体，Q是服从正太分布的随机数，d是维度数；
对跟随者的位置进行更新，跟随者位置更新公式为：其中，/>表示为第t+1次迭代下跟随者i第j维的位置，/>为适应度最差位置，/>为发现者中适应度最优位置，n为种群个数，A+为更新比重行向量A+＝AT(AAT)-1，其中，A是一个1×d的行向量，/>为比重行向量的第j维，每一个元素都是随机分配1或-1，AT为A的转置；
随机选取种群中的h个体进行预警位置更新，预警者位置更新公式为：其中，预警者个数h随着迭代的进行线性减小h＝int((1-t/itermax)*hmax)+2，int(·)表示取整，hmax为最大预警个体数，/>为适应度最优位置的第j维，β是一个1×d的向量，每一个元素都是均值为0方差为1的随机数，K是一个1×d的向量，每一个元素都是取值范围[0,1]的随机数，fi为个体i的适应度值，fg和fw分别是最优和最差适应度值，ε为常数。
2.根据权利要求1所述的基于改进麻雀搜索算法的机器人路径规划方法，其特征在于，所述相应的适应度函数的表达式如下：
其中，x和y为一条路径上所有导航点的x、y坐标值，ω、θ、为比例常数，f1(x,y)为路径长度，f2(x,y)为导航点分布评价函数，f3(x,y)为路径平滑度评价函数。
3.根据权利要求2所述的基于改进麻雀搜索算法的机器人路径规划方法，其特征在于，所述ω＝0.8，θ＝0.1，
4.根据权利要求1所述的基于改进麻雀搜索算法的机器人路径规划方法，其特征在于，所述α∈[0,1]，R2∈[0,1]，ST∈[0.5,1]，d∈[10,25]，p＝0.4。
5.一种基于改进麻雀搜索算法的机器人路径规划系统，其特征在于，所述路径规划系统包括：
参数设定模块，用于设定地图的边界，种群个数n，发现者个数，路径的导航点个数d，最大迭代次数itermax，最大警戒者个数hmax以及安全值；
路径起点和终点确定模块，用于确定路径的起点和终点；
完整路径生成模块，用于在所述路径的起点和终点之间生成d-2个非障碍区导航点，连接所述起点、所述d-2个非障碍区导航点以及所述终点，生成完整路径；
适应度函数确定模块，用于将所述完整路径的路径属性建模成相应的适应度函数；
适应度值计算模块，用于根据所述适应度函数计算所有路径n的适应度值；
群体最佳位置及个体历史最优路径确定模块，用于寻找出当前适应度值最小的路径，存储为群体最佳位置，并将所有路径n存储为个体历史最优路径；
通过改进的麻雀搜索算法确定新的路径位置信息；
第一判断模块，用于判断所述新的路径位置信息是否超出所述地图的边界，若超出，则将所述新的路径位置信息设置在地图边界上，并计算新的路径位置信息的适应度值；
第二判断模块，用于判断所述新的路径位置信息的适应度值是否小于群体最优或个体历史最优，小于谁，则将谁替换为新得到的路径位置，并存储替换后的位置信息，若不小于，则不进行替换；
第三判断模块，用于判断是否达到最大迭代次数，如果达到，则停止计算，并将最后存储的群体最佳路径位置信息作为最优路径；
所述通过改进的麻雀搜索算法确定新的路径位置信息具体包括以下步骤：
将所有路径按适应度值进行升序排列，根据预设比例确定发现者个数和跟随者个数；
对发现者位置进行更新，发现者位置更新公式为：
其中，为第t次迭代下发现者i第j维的位置，/>为第t+1次迭代下发现者i第j维的位置，/>为当前迭代最优位置的第j维的位置，itermax是最大迭代次数，α是一个随机数，R2是一个随机数代表着报警值，ST代表安全值，c(p,j)为以p为参数，j为迭代次数的Bernoulli混沌映射结果，p为Bernoulli混沌映射概率参数，p∈(0,1)，j表示每次迭代产生一个混沌数，c(p,j-1)表示为以p为参数，j-1为迭代次数的Bernoulli混沌映射结果，a是动态调整参数a＝0.2+(0.5-0.2)*t/itermax，fit(·)为适应度函数，min(fit[·])为贪婪策略选择适应度最小的个体，Q是服从正太分布的随机数，d是维度数；
对跟随者的位置进行更新，跟随者位置更新公式为：其中，/>表示为第t+1次迭代下跟随者i第j维的位置，/>为适应度最差位置，/>为发现者中适应度最优位置，n为种群个数，A+为更新比重行向量A+＝AT(AAT)-1，其中，A是一个1×d的行向量，/>为比重行向量的第j维，每一个元素都是随机分配1或-1，AT为A的转置；
随机选取种群中的h个体进行预警位置更新，预警者位置更新公式为：其中，预警者个数h随着迭代的进行线性减小h＝int((1-t/itermax)*hmax)+2，int(·)表示取整，hmax为最大预警个体数，/>为适应度最优位置的第j维，β是一个1×d的向量，每一个元素都是均值为0方差为1的随机数，K是一个1×d的向量，每一个元素都是取值范围[0,1]的随机数，fi为个体i的适应度值，fg和fw分别是最优和最差适应度值，ε为常数。
6.根据权利要求5所述的基于改进麻雀搜索算法的机器人路径规划系统，其特征在于，所述相应的适应度函数的表达式如下：
其中，x和y为一条路径上所有导航点的x、y坐标值，ω、θ、为比例常数，f1(x,y)为路径长度，f2(x,y)为导航点分布评价函数，f3(x,y)为路径平滑度评价函数。
7.根据权利要求6所述的基于改进麻雀搜索算法的机器人路径规划系统，其特征在于，所述ω＝0.8，θ＝0.1，
8.根据权利要求5所述的基于改进麻雀搜索算法的机器人路径规划系统，其特征在于，所述α∈[0,1]，R2∈[0,1]，ST∈[0.5,1]，d∈[10,25]，p＝0.4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210120925.4A CN114460941B (zh) | 2022-02-09 | 2022-02-09 | 一种基于改进麻雀搜索算法的机器人路径规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210120925.4A CN114460941B (zh) | 2022-02-09 | 2022-02-09 | 一种基于改进麻雀搜索算法的机器人路径规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114460941A CN114460941A (zh) | 2022-05-10 |
| CN114460941B true CN114460941B (zh) | 2023-10-24 |
Family
ID=81412851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210120925.4A Active CN114460941B (zh) | 2022-02-09 | 2022-02-09 | 一种基于改进麻雀搜索算法的机器人路径规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114460941B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115616923B (zh) * | 2022-12-20 | 2023-05-09 | 南京可信区块链与算法经济研究院有限公司 | 一种基于遗传算法和麻雀算法的车辆路径优化方法 |
| CN115657693B (zh) | 2022-12-28 | 2023-03-17 | 安徽省交通航务工程有限公司 | 一种船舶路径优化方法、电子设备及存储介质 |
| CN116954251A (zh) * | 2023-06-12 | 2023-10-27 | 成都丰千达科技有限公司 | 一种基于融入麻雀搜索算法的无人机航迹规划方法及系统 |
| CN117647250B (zh) * | 2024-01-29 | 2024-04-30 | 深圳市爱保护科技有限公司 | 基于智能手环的导航方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112880688A (zh) * | 2021-01-27 | 2021-06-01 | 广州大学 | 基于混沌自适应麻雀搜索算法的无人机三维航迹规划方法 |
| CN113485371A (zh) * | 2021-08-11 | 2021-10-08 | 河海大学 | 一种基于改进麻雀搜索算法的水下多auv路径规划方法 |
| CN113778093A (zh) * | 2021-09-14 | 2021-12-10 | 福州大学 | 基于改进麻雀搜索算法的amr自主移动机器人路径规划方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9355377B2 (en) * | 2013-06-25 | 2016-05-31 | Sap Se | Carbon dioxide emissions optimized secure cloud computing |
| US9591442B2 (en) * | 2015-04-04 | 2017-03-07 | John Culver Heed | Method and system for implementing navigation using bounded geographic regions |
-
2022
- 2022-02-09 CN CN202210120925.4A patent/CN114460941B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112880688A (zh) * | 2021-01-27 | 2021-06-01 | 广州大学 | 基于混沌自适应麻雀搜索算法的无人机三维航迹规划方法 |
| CN113485371A (zh) * | 2021-08-11 | 2021-10-08 | 河海大学 | 一种基于改进麻雀搜索算法的水下多auv路径规划方法 |
| CN113778093A (zh) * | 2021-09-14 | 2021-12-10 | 福州大学 | 基于改进麻雀搜索算法的amr自主移动机器人路径规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| MHCSSA:一种基于多群分层协作策略的社会蜘蛛算法;张德成;王明星;王杨;赵传信;;长春师范大学学报(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114460941A (zh) | 2022-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114460941B (zh) | 一种基于改进麻雀搜索算法的机器人路径规划方法及系统 | |
| Yijing et al. | Q learning algorithm based UAV path learning and obstacle avoidence approach | |
| CN110794832B (zh) | 一种基于强化学习的移动机器人路径规划方法 | |
| CN112668235A (zh) | 基于离线模型预训练学习的ddpg算法的机器人控制方法 | |
| CN109597425B (zh) | 基于强化学习的无人机导航和避障方法 | |
| CN107169557A (zh) | 一种对布谷鸟优化算法进行改进的方法 | |
| JP2000020103A (ja) | 遺伝的アルゴリズムの評価方法 | |
| CN114170789A (zh) | 基于时空图神经网络的智能网联车换道决策建模方法 | |
| CN113138555A (zh) | 一种基于遗传算法优化的grnn电主轴热误差建模方法 | |
| Li et al. | Navigation of mobile robots based on deep reinforcement learning: Reward function optimization and knowledge transfer | |
| CN115933693A (zh) | 一种基于自适应混沌粒子群算法的机器人路径规划方法 | |
| Mu et al. | Mixed reinforcement learning for efficient policy optimization in stochastic environments | |
| CN114384916A (zh) | 一种越野车路径规划的自适应决策方法及系统 | |
| CN114167295A (zh) | 基于多算法融合的锂离子电池soc估算方法与系统 | |
| CN113627075A (zh) | 基于自适应粒子群优化极限学习的弹丸气动系数辨识方法 | |
| CN113341696A (zh) | 一种运载火箭姿态控制参数智能整定方法 | |
| CN112182963A (zh) | 一种基于投影螺旋分群涡流搜索算法的多传感器调度方案优化方法 | |
| CN111080035A (zh) | 基于改进量子粒子群优化算法的全局路径规划方法 | |
| CN114755926A (zh) | 一种基于强化学习的多智能体系统最优一致性的控制方法 | |
| JPH11353298A (ja) | 遺伝的アルゴリズムにおける個体のオンライン評価手法 | |
| CN113807005A (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
| CN114397894A (zh) | 一种模仿人类记忆的移动机器人目标搜索方法 | |
| Agogino et al. | Efficient credit assignment through evaluation function decomposition | |
| MartЕnez et al. | Comparative study of optimization algorithms on convolutional network for autonomous driving. | |
| Xia et al. | The control of two-wheeled self-balancing vehicle based on reinforcement learning in a continuous domain |
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 |