CN115129064A - 基于改进萤火虫算法与动态窗口法融合的路径规划方法 - Google Patents
基于改进萤火虫算法与动态窗口法融合的路径规划方法 Download PDFInfo
- Publication number
- CN115129064A CN115129064A CN202210883400.6A CN202210883400A CN115129064A CN 115129064 A CN115129064 A CN 115129064A CN 202210883400 A CN202210883400 A CN 202210883400A CN 115129064 A CN115129064 A CN 115129064A
- Authority
- CN
- China
- Prior art keywords
- firefly
- algorithm
- iteration
- grid
- path planning
- 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.)
- Pending
Links
- 241000254158 Lampyridae Species 0.000 title claims abstract description 178
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 230000035772 mutation Effects 0.000 claims abstract description 7
- 230000000739 chaotic effect Effects 0.000 claims description 22
- 230000002829 reductive effect Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 13
- 230000003247 decreasing effect Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000031700 light absorption Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims 6
- 230000002708 enhancing effect Effects 0.000 abstract description 4
- 230000000670 limiting effect Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000002028 premature Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于改进萤火虫算法与动态窗口法融合的路径规划方法，首先，采用Skew Tent混沌映射产生混沌序列对萤火虫种群进行初始化，增强萤火虫种群的多样性，提高萤火虫算法的全局收敛速度；其次，将FA中的固定步长改为自适应步长，限制算法早熟收敛，改善FA易陷入局部最优的情况；然后，采用差分进化算法通过变异、交叉和选择操作加强萤火虫算法的搜索能力；最后，将改进萤火虫算法与动态窗口法相结合，使移动机器人在全局最优路径的基础上进行实时动态路径规划，在能保证全局最优路径的基础上有效躲避未知障碍物。
Description
技术领域
本发明涉及路径规划，特别是一种基于改进萤火虫算法与动态窗口法融合的路径规划方法。
背景技术
机器人是“制造业皇冠顶端的明珠”，其研发、制造、应用是衡量一个国家科技创新和高端制造业水平的重要标志，发展机器人技术和产业已经成为我国的重大战略需求。《新一代人工智能发展规划纲要》特别强调推进智能机器人发展。路径规划作为智能移动机器人实现自动导航的重要组成部分，一直是机器人工程领域研究的重点与热点。有效的路径规划是机器人完成各项作业和任务的先决条件。
根据全局环境信息已知以及全局环境信息未知或局部环境信息未知，路径规划可划分为全局路径规划方法和局部路径规划方法。萤火虫算法(Firefly Algorithm，FA)便是全局路径规划方法之一，而动态窗口法(Dynamic Window Approach，DWA)是局部路径规划方法之一。
FA是X.S Yang于2008年根据萤火虫的运动规律提出的。在FA中，亮度小的萤火虫会被亮度大的萤火虫吸引，并不断向亮度大的萤火虫移动，从而引导整个萤火虫种群向更优的区域移动。FA原理直观、操作方便、实现简单而且参数对算法的影响较小，但也存在以下缺点：(1)由于主要依靠萤火虫个体之间的亮度吸引来寻求最优解，在萤火虫种群迭代初期，种群中最亮的萤火虫个体会吸引其他萤火虫个体快速聚集在其附近，从而导致萤火虫种群的多样性大大降低；(2) FA的固定步长使得算法的搜索能力大大降低，从而无法获得更优的路径；(3) 部分萤火虫个体可能会陷入漫无目的的移动状态，从而导致FA搜索性能变差、收敛速度变慢。DWA因其计算复杂度低、可以实时避障，而得到了广泛关注，但DWA所规划的路径只是当前时刻的最优路径，并非是全局最优路径，而且容易陷入局部最小值。
在实际应用中，环境往往是未知的或者部分未知的，单纯采用全局路径规划已无法满足实际应用的要求。例如：在仓储场景中，如果物品都是固定的，那么移动机器人可以根据已知信息，从起点到目标点规划出一条路径。但是如果在机器人按照预先规划好的路径上，出现动态障碍物(如人、物品等)，此时移动机器人就无法按照预先规划好的全局路径运动，导致移动机器人无法到达目标点。
发明内容
发明目的：本发明的目的是提供一种基于改进萤火虫算法与动态窗口法融合的路径规划方法，从而将全局路径规划方法与局部路径规划方法相结合，兼具两种规划方法的优点，更好地满足路径规划的现实需要。
技术方案：本发明所述的一种基于改进萤火虫算法与动态窗口法融合的路径规划方法，原理如下：首先，采用Skew Tent混沌映射产生混沌序列对萤火虫种群进行初始化，提高萤火虫算法的全局收敛速度；其次，引入自适应步长平衡萤火虫算法全局和局部最优；然后，采用差分进化算法通过变异、交叉和选择操作加强萤火虫算法的搜索能力；最后，将改进萤火虫算法与动态窗口法相结合，使移动机器人在全局最优路径的基础上进行实时动态路径规划，在能保证全局最优路径的基础上有效躲避未知障碍物。
本发明所述的一种基于改进萤火虫算法与动态窗口法融合的路径规划方法包括以下步骤：
(1)采用栅格法建立栅格环境地图。
栅格法是指将环境地图的空间分解为一个个独立的单元格得到栅格，并且栅格之间相互连接但不重叠；栅格化之后给每一个栅格赋予一个通行因子，将移动机器人在栅格地图中的路径规划问题转变成在两个栅格节点间寻找最短路径问题；若栅格中没有障碍物，那么机器人在栅格中可自由通行，此种栅格为自由栅格，反之，称为障碍栅格；栅格标识完成后，移动机器人根据坐标或序号搜索并显示路径。
(2)初始化改进萤火虫算法和动态窗口法。
(2.1)初始化改进萤火虫算法和动态窗口法的参数，所述参数包括种群规模 n、初始步长因子α0、光吸收系数γ、吸引度β0、最大迭代次数Tmax、最大线速度 vmax和最大角速度ωmax。
(2.2)在搜索空间内随机初始化萤火虫的初始位置。
(3)采用Skew Tent混沌映射初始化萤火虫种群。
(3.1)在搜索过程中，萤火虫个体位于三维解空间中的某个位置，将萤火虫个体映射到混沌空间[0,1]上，然后根据Skew Tent混沌映射的数学模型进行混沌操作，根据操作产生的混沌变量进行搜索，再根据搜索结果得出操作后新的萤火虫个体，之后将得到的混沌变量序列还原到原来的D维解空间中；在这个过程中，如果经过搜索得到了比原先更优的解，则可将更优解的位置代替原来萤火虫的位置，进而加强萤火虫算法的多样性。
(3.2)Skew Tent混沌映射的数学模型为：
其中，k表示映射次数，xk表示第k次函数映射值，当u∈(0,1)且x∈[0,1]时，系统处于混沌状态。
(4)令当前的迭代次数t＝0，改进萤火虫算法开始迭代，同时引入自适应步长。
(4.1)在萤火虫算法中，假设萤火虫i的亮度小于萤火虫j的亮度，则萤火虫j向被萤火虫i吸引并向其移动的位置迭代更新公式为：
其中，t为当前迭代次数，
为第t次迭代时萤火虫i和萤火虫j的空间位置，其中i≠j，
为第t+1次迭代时萤火虫i的空间位置，α∈[0,1]为步长因子，εi为服从均匀分布或高斯分布的随机数，βij为萤火虫i和j之间的吸引度：
其中，β0为最大吸引力，γ为光吸收系数，rij为空间中萤火虫i到萤火虫j的笛卡尔距离。
(4.2)当步长α较大时，算法会扩大其搜索范围，此时算法全局寻优能力更强，优化速度更快，但其搜索的精度会大大降低；当步长α较小时，算法会缩小其搜索范围，此时算法的局部寻优能力较强，优化速度较慢，也有陷入局部最优的可能，但其搜索的精度也会有所提高。
(4.3)对于萤火虫算法，在算法迭代初期应选用较大的步长α，增大算法的搜索范围，避免算法陷入局部最优，尽可能地寻求全局最优解；随着迭代次数的不断增大，应选用较小的步长α逐步提高算法的搜索精度和收敛速度；鉴于此，可采用一个递减函数来满足萤火虫算法在不同迭代时期对于不同步长的需求：
其中，αt为算法在第t次迭代时的步长，αt+1为算法在第t+1次迭代时的步长，Tmax为最大迭代次数；当迭代次数t较小时，步长因子较大，随着迭代次数的增加，步长因子逐渐减小至0。
(4.4)加入递减函数的自适应步长，在迭代初期首先选用较大的步长初始值α0＝0.9，以增大萤火虫算法的搜索范围，避免算法陷入局部最优，从而尽可能地寻求全局最优解；随着迭代次数的不断增大，每个萤火虫之间的间距会不断缩小，萤火虫算法的自适应步长策略中的步长因子也会随着迭代次数的增大而减小，以逐步提高算法的搜索精度和收敛速度；随着迭代次数不断增加直至达到最大迭代次数，步长因子逐渐减小至最小值；因此，通过加入递减函数的自适应步长改善了传统FA中固定步长的缺陷，在整个迭代过程中平衡了萤火虫算法的全局和局部最优。
(5)依次对萤火虫种群中的萤火虫个体进行差分进化操作，同时不断更新对应萤火虫的位置以及向更亮萤火虫移动的信息。
(5.1)首先根据差分进化算法中的变异操作在萤火虫种群中随机选取三个萤火虫个体r1、r2、r3，在这三只萤火虫之间进行向量差缩放，然后再将变异后的个体和未进行变异的个体进行组合形成新的个体，变异的萤火虫个体通过下式产生：
式中，t为当前迭代次数；
为变异萤火虫个体；
和
分别为第t代三只萤火虫个体的位置；且
i＝1,2,…,n，n为种群规模； Fm∈(0,1]为缩放因子，其作用是将随机选取的三只萤火虫个体的位置向量进行一定的缩放；当Fm较大时会降低FA搜索局部最优解的能力，当Fm较小时会加快FA 的收敛速度，造成FA早熟收敛。
(5.2)将萤火虫种群中的目标个体位置
与所得的变异个体位置
进行交叉操作产生中间个体
其交叉操作为：
式中，d＝1,2,…,D；rand(0,1)是0到1之间的随机数；drand是{1,2,…,D} 之间的随机数；
表示d维第t代的第i只萤火虫个体的位置；
为交叉操作产生的d维第t代的新萤火虫个体的位置；CR为交叉概率，是[0,1]内的随机数；通过合理地选取交叉概率CR，有利于提高收敛速度和提高解的多样性。
(5.3)通过选择操作将从变异和交叉操作后的优秀个体保留下来并复制到下一代；选择操作可以简化为当新的个体位置ui与目标个体位置xi相比较时，如果新的个体位置ui更优，则将新的个体保留下来，反之，如果目标个体位置xi更优，则将目标个体保留下来；选择操作之后无论保留的是新的个体还是目标个体，种群状态都会优于或等于原来的状态，并不会使其状态更差；其选择操作为：
其中，f(·)为适应度函数，用于计算当前萤火虫个体的适应度值；
为第 t+1代的目标个体的位置。
(6)判断对应的萤火虫是否聚集到最亮的萤火虫处或者迭代次数是否达到了最大值：若满足条件之一，即可得出全局最优路径，转向步骤(7)；否则，转向步骤(5)。
(7)提取多个局部子目标点，检测环境信息看是否有新障碍物，若检测到有新障碍物，则根据检测到的环境信息判断移动机器人是否能避开新障碍物并能够到达局部目标点，如果能避开新障碍物，则转向步骤(9)；否则，转向步骤(8)；若无新障碍物，转向步骤(10)。
(8)采用动态窗口法进行局部路径规划，移动机器人采用动态窗口法进行实时速度采样，采用符合约束的速度组合(v,ω)进行轨迹预测，根据评价函数选出最优轨迹对应的速度组合(v,ω)进行局部路径规划。
(9)判断所到达的局部子目标点是否为全局目标点，若是全局目标点，则说明移动机器人抵达终点，转至步骤(10)；反之，局部子目标点不是全局目标点则返回步骤(7)。
(10)输出最终混合算法最优规划路径，算法结束。
一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的一种基于改进萤火虫算法与动态窗口法融合的路径规划方法。
一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种基于改进萤火虫算法与动态窗口法融合的路径规划方法。
有益效果：与现有技术相比，本发明具有如下优点：
1、采用Skew Tent混沌映射对萤火虫种群进行初始化，增强萤火虫种群的多样性，提高FA的全局收敛速度；
2、将FA中的固定步长改为自适应步长，限制算法早熟收敛，改善FA易陷入局部最优的情况；
3、通过差分算法的变异、交叉和选择操作，加强FA的搜索能力；
4、将改进萤火虫算法(Improve Firefly Algorithm，IFA)与DWA结合，在满足全局路径规划的基础上再加入实时动态路径规划，进一步提高算法的实时避障能力。
附图说明
图1为本发明所述方法的步骤流程图；
图2为环境地图模型图；
图3为路径规划结果图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，本发明所述的一种基于改进萤火虫算法与动态窗口法融合的路径规划方法包括如下步骤：
(1)采用栅格法建立栅格环境地图。
栅格法是指将环境地图的空间分解为一个个独立的单元格得到栅格，并且栅格之间相互连接但不重叠；栅格化之后给每一个栅格赋予一个通行因子，将移动机器人在栅格地图中的路径规划问题转变成在两个栅格节点间寻找最短路径问题；若栅格中没有障碍物，那么机器人在栅格中可自由通行，此种栅格为自由栅格，反之，称为障碍栅格；栅格标识完成后，移动机器人根据坐标或序号搜索并显示路径。
本发明建立的栅格环境地图如图2所示，其环境地图模型包含20×20个栅格，每个栅格的大小为1m；栅格以左下角为圆点，从下到上，从左到右依次计数，在栅格中(0.5,0.5)为移动机器人的起点，(19.5,19.5)为移动机器人的终点；图中的黑色方块表示障碍物所在区域，不可通行，白色方块表示可行区域。
(2)初始化改进萤火虫算法和动态窗口法。
(2.1)初始化改进萤火虫算法和动态窗口法的参数，所述参数包括种群规模 n、初始步长因子α0、光吸收系数γ、吸引度β0、最大迭代次数Tmax、最大线速度 vmax和最大角速度ωmax。
(2.2)在搜索空间内随机初始化萤火虫的初始位置，如果要确d个路径点，则萤火虫的位置向量为d维向量。
(3)采用Skew Tent混沌映射初始化萤火虫种群。
(3.1)在搜索过程中，萤火虫个体位于D维解空间中的某个位置，将萤火虫个体映射到混沌空间[0,1]上，然后根据Skew Tent混沌映射的数学模型进行混沌操作，根据操作产生的混沌变量进行搜索，再根据搜索结果得出操作后新的萤火虫个体，之后将得到的混沌变量序列还原到原来的D维解空间中。在这个过程中，如果经过搜索得到了比原先更优的解，则可将更优解的位置代替原来萤火虫的位置，进而加强萤火虫算法的多样性。
(3.2)Skew Tent混沌映射的数学模型为：
其中，k表示映射次数，xk表示第k次函数映射值，当u∈(0,1)且x∈[0,1]时，系统处于混沌状态。
(4)令当前的迭代次数t＝0，改进萤火虫算法开始迭代，同时引入自适应步长。
(4.1)在萤火虫算法中，假设萤火虫i的亮度小于萤火虫j的亮度，则萤火虫j向被萤火虫i吸引并向其移动的位置迭代更新公式为：
其中，t为当前迭代次数，
为第t次迭代时萤火虫i和萤火虫j的空间位置，其中i≠j，
为第t+1次迭代时萤火虫i的空间位置，α∈[0,1]为步长因子，εi为服从均匀分布或高斯分布的随机数，βij为萤火虫i和j之间的吸引度：
其中，β0为最大吸引力，γ为光吸收系数，rij为空间中萤火虫i到萤火虫j的笛卡尔距离。
(4.2)当步长α较大时，算法会扩大其搜索范围，此时算法全局寻优能力更强，优化速度更快，但其搜索的精度会大大降低；当步长α较小时，算法会缩小其搜索范围，此时算法的局部寻优能力较强，优化速度较慢，也有陷入局部最优的可能，但其搜索的精度也会有所提高。
(4.3)对于萤火虫算法，在算法迭代初期应选用较大的步长α，增大算法的搜索范围，避免算法陷入局部最优，尽可能地寻求全局最优解；随着迭代次数的不断增大，应选用较小的步长α逐步提高算法的搜索精度和收敛速度。鉴于此，可采用一个递减函数来满足萤火虫算法在不同迭代时期对于不同步长的需求：
其中，αt为算法在第t次迭代时的步长，αt+1为算法在第t+1次迭代时的步长，Tmax为最大迭代次数。当迭代次数t较小时，步长因子较大，随着迭代次数的增加，步长因子逐渐减小至0。
(4.4)加入递减函数的自适应步长，在迭代初期首先选用较大的步长初始值α0＝0.9，以增大萤火虫算法的搜索范围，避免算法陷入局部最优，从而尽可能地寻求全局最优解；随着迭代次数的不断增大，每个萤火虫之间的间距会不断缩小，萤火虫算法的自适应步长策略中的步长因子也会随着迭代次数的增大而减小，以逐步提高算法的搜索精度和收敛速度。随着迭代次数不断增加直至达到最大迭代次数，步长因子逐渐减小至最小值。因此，通过加入递减函数的自适应步长改善了传统FA中固定步长的缺陷，在整个迭代过程中平衡了萤火虫算法的全局和局部最优。
(5)依次对萤火虫种群中的萤火虫个体进行差分进化操作，同时不断更新对应萤火虫的位置以及向更亮萤火虫移动的信息。
(5.1)首先根据差分进化算法中的变异操作在萤火虫种群中随机选取三个萤火虫个体r1、r2、r3，在这三只萤火虫之间进行向量差缩放，然后再将变异后的个体和未进行变异的个体进行组合形成新的个体，变异的萤火虫个体通过下式产生：
式中，t为当前迭代次数；
为变异萤火虫个体；
和
分别为第t代三只萤火虫个体的位置；且
i＝1,2,…,n，n为种群规模； Fm∈(0,1]为缩放因子，其作用是将随机选取的三只萤火虫个体的位置向量进行一定的缩放。当Fm较大时会降低FA搜索局部最优解的能力，当Fm较小时会加快FA 的收敛速度，造成FA早熟收敛。
(5.2)其次，将萤火虫种群中的目标个体位置
与所得的变异个体位置
进行交叉操作产生中间个体
其交叉操作为：
式中，d＝1,2,…,D；rand(0,1)是0到1之间的随机数；drand是{1,2,…,D} 之间的随机数；
表示d维第t代的第i只萤火虫个体的位置；
为交叉操作产生的d维第t代的新萤火虫个体的位置；CR为交叉概率，是[0,1]内的随机数。通过合理地选取交叉概率CR，有利于提高收敛速度和提高解的多样性。
(5.3)最后，通过选择操作将从变异和交叉操作后的优秀个体保留下来并复制到下一代。选择操作可以简化为当新的个体位置ui与目标个体位置xi相比较时，如果新的个体位置ui更优，则将新的个体保留下来，反之，如果目标个体位置xi更优，则将目标个体保留下来。选择操作之后无论保留的是新的个体还是目标个体，种群状态都会优于或等于原来的状态，并不会使其状态更差。其选择操作为：
其中，f(·)为适应度函数，用于计算当前萤火虫个体的适应度值；
为第 t+1代的目标个体的位置。
(6)判断对应的萤火虫是否聚集到最亮的萤火虫处或者迭代次数是否达到了最大值：若满足条件之一，即可得出全局最优路径，转向步骤(7)；否则，转向步骤(5)。
(7)提取多个局部子目标点，检测环境信息看是否有新障碍物
若检测到有新障碍物，则根据检测到的环境信息判断移动机器人是否能避开新障碍物并能够到达局部目标点，如果能避开新障碍物，则转向步骤(9)；否则，转向步骤(8)。若无新障碍物，转向步骤(10)。
(8)采用动态窗口法进行局部路径规划
移动机器人使用动态窗口法进行实时速度采样，采用符合约束的速度组合 (v,ω)进行轨迹预测，根据评价函数选出最优轨迹对应的速度组合(v,ω)进行局部路径规划。
(9)判断所到达的局部子目标点是否为全局目标点
若是全局目标点，则说明移动机器人抵达终点，转至步骤(10)；反之，局部子目标点不是全局目标点则返回步骤(7)。
(10)输出最终混合算法最优规划路径，算法结束。
本实施例中移动机器人规划的路径如图3所示，图中两个圆形障碍物为新障碍物，实线路径为改进萤火虫算法在静态环境中的全局路径规划路径，而虚线路径就是本发明所提的改进萤火虫算法结合动态窗口法的路径，其中左下角圆圈为融合算法的起点，右上角圆圈为融合算法的局部子目标点，图3表示移动机器人在保证全局最优路径的基础上实现了从起点到终点无碰撞的动态路径规划。
Claims (8)
1.一种基于改进萤火虫算法与动态窗口法融合的路径规划方法，其特征在于，包括以下步骤：
(1)采用栅格法建立栅格环境地图；
(2)初始化改进萤火虫算法和动态窗口法；
(3)采用Skew Tent混沌映射初始化萤火虫种群；
(4)令当前的迭代次数t＝0，改进萤火虫算法开始迭代，同时引入自适应步长；
(5)依次对萤火虫种群中的萤火虫个体进行差分进化操作，同时不断更新对应萤火虫的位置以及向更亮萤火虫移动的信息；
(6)判断对应的萤火虫是否聚集到最亮的萤火虫处或者迭代次数是否达到了最大值：若满足条件之一，即可得出全局最优路径，转向步骤(7)；否则，转向步骤(5)；
(7)提取多个局部子目标点，检测环境信息看是否有新障碍物，若检测到有新障碍物，则根据检测到的环境信息判断移动机器人是否能避开新障碍物并能够到达局部目标点，如果能避开新障碍物，则转向步骤(9)；否则，转向步骤(8)；若无新障碍物，转向步骤(10)；
(8)采用动态窗口法进行局部路径规划，移动机器人采用动态窗口法进行实时速度采样，采用符合约束的速度组合(v,ω)进行轨迹预测，根据评价函数选出最优轨迹对应的速度组合(v,ω)进行局部路径规划；
(9)判断所到达的局部子目标点是否为全局目标点，若是全局目标点，则说明移动机器人抵达终点，转至步骤(10)；反之，局部子目标点不是全局目标点则返回步骤(7)；
(10)输出最终混合算法最优规划路径，算法结束。
2.根据权利要求1所述的一种基于改进萤火虫算法与动态窗口法融合的路径规划方法，其特征在于，所述步骤(1)具体为：
栅格法是指将环境地图的空间分解为一个个独立的单元格得到栅格，并且栅格之间相互连接但不重叠；栅格化之后给每一个栅格赋予一个通行因子，将移动机器人在栅格地图中的路径规划问题转变成在两个栅格节点间寻找最短路径问题；若栅格中没有障碍物，那么机器人在栅格中可自由通行，此种栅格为自由栅格，反之，称为障碍栅格；栅格标识完成后，移动机器人根据坐标或序号搜索并显示路径。
3.根据权利要求1所述的一种基于改进萤火虫算法与动态窗口法融合的路径规划方法，其特征在于，所述步骤(2)具体为：
(2.1)初始化改进萤火虫算法和动态窗口法的参数，所述参数包括种群规模n、初始步长因子α0、光吸收系数γ、吸引度β0、最大迭代次数Tmax、最大线速度vmax和最大角速度ωmax；
(2.2)在搜索空间内随机初始化萤火虫的初始位置。
4.根据权利要求1所述的一种基于改进萤火虫算法与动态窗口法融合的路径规划方法，其特征在于，所述步骤(3)具体为：
(3.1)在搜索过程中，萤火虫个体位于三维解空间中的某个位置，将萤火虫个体映射到混沌空间[0,1]上，然后根据Skew Tent混沌映射的数学模型进行混沌操作，根据操作产生的混沌变量进行搜索，再根据搜索结果得出操作后新的萤火虫个体，之后将得到的混沌变量序列还原到原来的D维解空间中；在这个过程中，如果经过搜索得到了比原先更优的解，则可将更优解的位置代替原来萤火虫的位置，进而加强萤火虫算法的多样性；
(3.2)Skew Tent混沌映射的数学模型为：
其中，k表示映射次数，xk表示第k次函数映射值，当u∈(0,1)且x∈[0,1]时，系统处于混沌状态。
5.根据权利要求1所述的一种基于改进萤火虫算法与动态窗口法融合的路径规划方法，其特征在于，所述步骤(4)具体为：
(4.1)在萤火虫算法中，假设萤火虫i的亮度小于萤火虫j的亮度，则萤火虫j向被萤火虫i吸引并向其移动的位置迭代更新公式为：
其中，t为当前迭代次数，
为第t次迭代时萤火虫i和萤火虫j的空间位置，其中i≠j，
为第t+1次迭代时萤火虫i的空间位置，α∈[0,1]为步长因子，εi为服从均匀分布或高斯分布的随机数，βij为萤火虫i和j之间的吸引度：
其中，β0为最大吸引力，γ为光吸收系数，rij为空间中萤火虫i到萤火虫j的笛卡尔距离；
(4.2)当步长α较大时，算法会扩大其搜索范围，此时算法全局寻优能力更强，优化速度更快，但其搜索的精度会大大降低；当步长α较小时，算法会缩小其搜索范围，此时算法的局部寻优能力较强，优化速度较慢，也有陷入局部最优的可能，但其搜索的精度也会有所提高；
(4.3)对于萤火虫算法，在算法迭代初期应选用较大的步长α，增大算法的搜索范围，避免算法陷入局部最优，尽可能地寻求全局最优解；随着迭代次数的不断增大，应选用较小的步长α逐步提高算法的搜索精度和收敛速度；鉴于此，可采用一个递减函数来满足萤火虫算法在不同迭代时期对于不同步长的需求：
其中，αt为算法在第t次迭代时的步长，αt+1为算法在第t+1次迭代时的步长，Tmax为最大迭代次数；当迭代次数t较小时，步长因子较大，随着迭代次数的增加，步长因子逐渐减小至0；
(4.4)加入递减函数的自适应步长，在迭代初期首先选用较大的步长初始值α0＝0.9，以增大萤火虫算法的搜索范围，避免算法陷入局部最优，从而尽可能地寻求全局最优解；随着迭代次数的不断增大，每个萤火虫之间的间距会不断缩小，萤火虫算法的自适应步长策略中的步长因子也会随着迭代次数的增大而减小，以逐步提高算法的搜索精度和收敛速度；随着迭代次数不断增加直至达到最大迭代次数，步长因子逐渐减小至最小值；因此，通过加入递减函数的自适应步长改善了传统FA中固定步长的缺陷，在整个迭代过程中平衡了萤火虫算法的全局和局部最优。
6.根据权利要求1所述的一种基于改进萤火虫算法与动态窗口法融合的路径规划方法，其特征在于，所述步骤(5)具体为：
(5.1)首先根据差分进化算法中的变异操作在萤火虫种群中随机选取三个萤火虫个体r1、r2、r3，在这三只萤火虫之间进行向量差缩放，然后再将变异后的个体和未进行变异的个体进行组合形成新的个体，变异的萤火虫个体通过下式产生：
式中，t为当前迭代次数；
为变异萤火虫个体；
和
分别为第t代三只萤火虫个体的位置；且
n为种群规模；Fm∈(0,1]为缩放因子，其作用是将随机选取的三只萤火虫个体的位置向量进行一定的缩放；当Fm较大时会降低FA搜索局部最优解的能力，当Fm较小时会加快FA的收敛速度，造成FA早熟收敛；
(5.2)将萤火虫种群中的目标个体位置
与所得的变异个体位置
进行交叉操作产生中间个体
其交叉操作为：
式中，d＝1,2,…,D；rand(0,1)是0到1之间的随机数；drand是{1,2,…,D}之间的随机数；
表示d维第t代的第i只萤火虫个体的位置；
为交叉操作产生的d维第t代的新萤火虫个体的位置；CR为交叉概率，是[0,1]内的随机数；通过合理地选取交叉概率CR，有利于提高收敛速度和提高解的多样性；
(5.3)通过选择操作将从变异和交叉操作后的优秀个体保留下来并复制到下一代；选择操作可以简化为当新的个体位置ui与目标个体位置xi相比较时，如果新的个体位置ui更优，则将新的个体保留下来，反之，如果目标个体位置xi更优，则将目标个体保留下来；选择操作之后无论保留的是新的个体还是目标个体，种群状态都会优于或等于原来的状态，并不会使其状态更差；其选择操作为：
其中，f(·)为适应度函数，用于计算当前萤火虫个体的适应度值；
为第t+1代的目标个体的位置。
7.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的一种基于改进萤火虫算法与动态窗口法融合的路径规划方法。
8.一种计算机设备，包括储存器、处理器及存储在存储器上并可在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中任一项所述的一种基于改进萤火虫算法与动态窗口法融合的路径规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210883400.6A CN115129064A (zh) | 2022-07-26 | 2022-07-26 | 基于改进萤火虫算法与动态窗口法融合的路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210883400.6A CN115129064A (zh) | 2022-07-26 | 2022-07-26 | 基于改进萤火虫算法与动态窗口法融合的路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115129064A true CN115129064A (zh) | 2022-09-30 |
Family
ID=83386155
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210883400.6A Pending CN115129064A (zh) | 2022-07-26 | 2022-07-26 | 基于改进萤火虫算法与动态窗口法融合的路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115129064A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117130263A (zh) * | 2023-10-26 | 2023-11-28 | 博创联动科技股份有限公司 | 一种基于车联网大数据的整车智能控制方法及系统 |
-
2022
- 2022-07-26 CN CN202210883400.6A patent/CN115129064A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117130263A (zh) * | 2023-10-26 | 2023-11-28 | 博创联动科技股份有限公司 | 一种基于车联网大数据的整车智能控制方法及系统 |
| CN117130263B (zh) * | 2023-10-26 | 2024-01-16 | 博创联动科技股份有限公司 | 一种基于车联网大数据的整车智能控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110083165B (zh) | 一种机器人在复杂狭窄环境下路径规划方法 | |
| CN106949893B (zh) | 一种三维避障的室内机器人导航方法和系统 | |
| Cao et al. | Target search control of AUV in underwater environment with deep reinforcement learning | |
| Zhao et al. | The experience-memory Q-learning algorithm for robot path planning in unknown environment | |
| Wang et al. | Efficient object search with belief road map using mobile robot | |
| CN109945881A (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
| CN109947120B (zh) | 仓储系统中的路径规划方法 | |
| CN108444489A (zh) | 一种改进rrt算法的路径规划方法 | |
| CN107229287A (zh) | 一种基于遗传蚂蚁算法的无人机全局路径规划方法 | |
| Rosman et al. | What good are actions? Accelerating learning using learned action priors | |
| CN113867368A (zh) | 一种基于改进海鸥算法的机器人路径规划方法 | |
| CN114167865B (zh) | 一种基于对抗生成网络与蚁群算法的机器人路径规划方法 | |
| CN113296520A (zh) | 融合a*与改进灰狼算法的巡检机器人路径规划方法 | |
| CN113359746A (zh) | 基于改进双向RRT和Dijkstra融合算法的路径规划方法和装置 | |
| Wang | Path planning of mobile robot based on a* algorithm | |
| CN114859911A (zh) | 一种基于drl的四足机器人路径规划方法 | |
| CN106204719B (zh) | 基于二维邻域检索的三维场景中海量模型实时调度方法 | |
| WO2020181934A1 (zh) | 一种基于粒子群算法确定目标对象位置的方法和装置 | |
| CN115129064A (zh) | 基于改进萤火虫算法与动态窗口法融合的路径规划方法 | |
| CN109799820A (zh) | 基于比较式随机路标图法的无人船舶局部路径规划方法 | |
| CN113848911B (zh) | 基于Q-learning和RRT*的移动机器人全局路径规划方法 | |
| CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
| Gu et al. | Robot path planning of improved adaptive Ant Colony System Algorithm based on Dijkstra | |
| Santos et al. | Exploratory path planning using the Max-min ant system algorithm | |
| Ma et al. | Robot path planning using fusion algorithm of ant colony optimization and genetic algorithm |
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 |