CN115494840A - 一种基于蒙特卡洛因子的mc-iaco的焊接机器人路径规划方法 - Google Patents

Abstract

一种基于蒙特卡洛因子的MC‑IACO的改进蚁群算法的焊接机器人路径规划方法，包括：S1、栅格法创建机器人工作环境地图；S2、初始化节点的蒙特卡洛算法参数；S3、算法迭代开始：S3.1、将m只蚂蚁放至起点开始寻路；S3.2、按传统蚁群算法流程更新信息素浓度矩阵；S3.3、初始化蒙特卡洛指数增量矩阵mc_delta；S3.4、遍历当前代最优路径的节点，更新mc_delta中节点对应的蒙特卡洛指数增量m_ij_delta＝0.1；S3.5、依据mc_matrix＝mc_matrix+mc_delta更新蒙特卡洛指数矩阵；S3.6、若当前迭代次数小于最大迭代次数，则执行S3.1；否则执行S4；S4、循环T代后输出全局最优解。本发明解决焊接机器人路径规划问题上的效果进步明显，整体性能优于基本蚁群算法和改进蚁群算法的性能。

Description

一种基于蒙特卡洛因子的MC-IACO的焊接机器人路径规划 方法

技术领域

本发明涉及机器人路径规划技术领域，具体是一种基于蒙特卡洛因子的改进蚁群算法(Monte Carlo improve Ant Colony Optimization，MC-IACO)的焊接机器人路径规划方法。

背景技术

路径规划技术是焊接机器人研究领域的一个重要组成部分，主要目的是在一个存在多个焊接节点的三维环境中，根据一定的准则(如路径最短，安全性最好，用时最短等)，寻求一条从焊接起始节点开始并连接所有焊接节点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焊接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，常用的优化算法主要有人工势场算法、免疫算法、蚁群优化算法、神经网络、A*算法等。其中，蚁群算法作为一种基于种群的概率选择算法，由于该算法与其它启发式算法相比，在求解性能上，具有很强的鲁棒性和较好解的搜索能力，且容易与多种启发式算法结合，以改善算法性能，所以蚁群算法在路径规划领域中得到了广泛的应用。但蚁群算法在具备了种种优点的同时，也包含了一些缺点，诸如收敛速度慢，容易陷入局部最优解等。针对这些不足，国内外诸多学者都尝试着对传统的蚁群算法进行改进，虽然大量的仿真结果表明了一些对基本蚁群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，比如在蚁群算法的迭代过程中，由于每一代的路径信息是通过转换成信息素浓度来被后代蚂蚁感知，但信息素浓度的产生无视路径的优劣，而仅仅以浓度大小来区分路径优劣，因此，蚂蚁需要经过多次迭代才能慢慢判断出路径的优劣，这使得蚁群算法的迭代周期大大加长。

发明内容

本发明的目的在于提供一种基于蒙特卡洛因子的改进蚁群算法(Monte Carloimprove Ant Colony Optimization，MC-IACO)的焊接机器人路径规划方法，该方法能够克服传统蚁群算法在仅依赖信息素浓度时，需要通过长期迭代才能判断出路径的优劣，从而增加了蚁群算法的迭代周期的缺陷。

与本发明相关的传统蚁群算法的迭代过程中，由于蚂蚁在寻路过程中主要依赖公式(1)来计算下一步可行节点的选择概率，而从公式(1)可以看出，蚂蚁并未对路径的优劣进行识别区分，仅仅通过信息素浓度的不同来传递路径优劣信息，但由于每一代的路径数量较多，劣质路径的信息素浓度可能会给蚂蚁的决策带来干扰，因此可能使得后代蚂蚁较难区分路径优劣。

其中，

是由迭代次数t时的第k只蚂蚁由节点i转移至节点j的选择概率，τ_ij(t)是距离启发函数，计算如公式(2)，d_j为节点j与终点的欧氏距离，η_ij(t) 是信息素浓度启发函数，迭代更新公式如公式(3)，e为信息素挥发系数，α和β分别是距离启发因子以及信息素浓度启发因子，allowed_k为蚂蚁k的可行节点列表。

η_ij(t+1)＝e·η_ij(t)+Δη_ij(t+1) (3)

本发明涉及的蒙特卡洛方法又称统计模拟法、随机抽样技术，是一种随机模拟方法，以概率和统计理论方法为基础的一种计算方法，是使用随机数(或更常见的伪随机数)来解决很多计算问题的方法。将所求解的问题同一定的概率模型相联系，用电子计算机实现统计模拟或抽样，以获得问题的近似解。在传统蚁群算法中，更多的是考虑较优路径对后代蚂蚁的影响，而忽视了劣质路径的作用。本发明拟提出一种蒙特卡洛因子来充分利用所得数据信息，即先初始化每个节点对应一个蒙特卡洛指数，通过采样每一代的所得路径信息，统计最优路径的节点，增强其蒙特卡洛指数，减小非最优路径的蒙特卡洛指数，在蚂蚁进行移动决策时，将对应的可行节点的蒙特卡洛指数代入sigmoid函数计算得到蒙特卡洛因子，该因子能反映基于迭代历史中该节点构成最优路径的频率从而得出该节点可能构成最优路径的预测概率，即新的概率选择为公式(4)：

其中M_ij为蒙特卡洛因子，计算公式如公式(5)，m_ij为蒙特卡洛指数，

为验证本发明的可行性，在图1模型下进行仿真验证。图1中，蚂蚁从起点 S前往终点G，有两条路径L1和L2可选，其中L1＝80长度单位，L2＝100长度单位，现分别用传统蚁群算法和本发明的改进蚁群算法进行仿真实验，相关算法参数见表1，仿真结果如图2和图3所示(其中(a)为每代平均路径长度，(b) 为L1和L2的蒙特卡洛指数，(c)为L1和L2的信息素浓度，(d)为每代蚂蚁选择L1和L2的次数)。

通过两个实验的结果可以看出，蒙特卡洛因子可以有效的提高蚂蚁的寻优能力，从图3的迭代前期曲线变化可以看出，较劣势的路径上的信息素浓度下降的较为缓慢，这使得较优路径上的信息素浓度虽然一开始迅速增加，但很快陷入缓慢增加的趋势，这也证明了蚁群算法的迭代曲线通常为凹形的现象，同时也说明了蚁群算法尽管能在迭代前期迅速提高蚁群整体的寻路质量，但进一步提高寻路质量则需要多次迭代才能实现。而蒙特卡洛因子基于统计原理，在迭代初期，由于采样规模较小，蒙特卡洛矩阵变化较小，计算所得蒙特卡洛权重依旧在初值 0.5上下，因此几乎不会对蚁群算法产生影响，但随着采样规模增大，蒙特卡洛权重开始渐渐增强对蚁群的影响，这正好克服了蚁群算法需要通过多次迭代才能进一步提高寻路效果的缺陷。因此，实验结果表明，本发明的改进思路是可行的。

表1 算法相关参数

本发明解决其技术问题所采用的技术方案是：

一种基于蒙特卡洛因子的改进蚁群算法(Monte Carlo improve Ant ColonyOptimization，MC-IACO)的焊接机器人路径规划方法，包括以下步骤：

S1、采用栅格法创建机器人工作环境地图，定义起始点与目标点；

S2、初始化节点的蒙特卡洛指数矩阵mc_matrix为一零矩阵，以及距离启发因子α，信息素启发因子β，蚂蚁数量m，迭代次数T以及挥发系数e等其它算法参数；

S3、算法迭代开始：

S3.1、将m只蚂蚁放至起点开始寻路，蚂蚁的节点概率选择公式如公式 (4)，

其中M_ij为蒙特卡洛因子，计算公式如公式(5)，m_ij为蒙特卡洛指数。

记录所有的寻路结果，保存路径节点信息与路径长度信息；

S3.2、按照传统蚁群算法相关流程更新信息素浓度矩阵；

S3.3、初始化蒙特卡洛指数增量矩阵mc_delt，该矩阵大小同mc_matr，所有元素的值为-0.1；

S3.4、遍历当前代最优路径的节点，更新mc_delta中节点对应的蒙特卡洛指数增量m_ij_delta＝0.1；

S3.5、更新蒙特卡洛指数矩阵，依据公式(6)：

mc_matrix＝mc_matrix+mc_delta (6)

S3.6、若当前迭代次数小于最大迭代次数，则执行S3.1；否则，执行S4； S4、循环T代后结束循环，输出全局最优解。

本发明的有益效果是针对上述传统蚁群算法存在的问题提出一种基于蒙特卡洛因子的改进蚁群算法(Monte Carlo improve Ant Colony Optimization， MC-IACO)，该因子会通过采样每一代生成的路径结果，并将采样结果转换成节点的蒙特卡洛指数，蚂蚁在进行移动决策时，通过将可行节点的蒙特卡洛指数代入sigmoid函数，即可计算出对应节点可能构成最优路径的概率值，即蒙特卡洛因子，以该因子构造的新的节点转移公式，能有效提高蚂蚁的寻路效率以及算法完成路径规划任务的效率。仿真结果表明，采取本发明的MC-IACO算法在解决焊接机器人路径规划问题上的效果进步明显，整体性能优于基本蚁群算法和改进蚁群算法的性能。

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可行性实验仿真案例模型；

图2传统ACO算法仿真结果；

图3本发明MC-IACO算法仿真结果；

图4本发明MC-IACO算法流程图；

图5传统蚁群算法仿真结果，图中a迭代曲线图，b最短路径三维图；

图6本发明MC-IACO算法仿真结果，图中a迭代曲线图，b最短路径三维图；

图7算法结束时的蒙特卡洛指数表；

图8本发明MC-IACO算法仿真结果，图中a迭代曲线图，b最短路径三维图。

具体实施方式

本发明的目的在于提供一种基于蒙特卡洛因子的改进蚁群算法(Monte Carloimprove Ant ColonyOptimization，MC-IACO)的焊接机器人路径规划方法，该方法能够克服传统蚁群算法在仅依赖信息素浓度时，需要通过长期迭代才能判断出路径的优劣，从而增加了蚁群算法的迭代周期的缺陷。

一种基于蒙特卡洛因子的改进蚁群算法(Monte Carlo improve Ant ColonyOptimization，MC-IACO)的焊接机器人路径规划方法，参见图4所示的算法流程图，包括以下步骤：

S1、采用栅格法创建机器人工作环境地图，定义起始点与目标点；

S2、初始化节点的蒙特卡洛指数矩阵mc_matrix为一零矩阵，以及距离启发因子α，信息素启发因子β，蚂蚁数量m，迭代次数T以及挥发系数e等其它算法参数；

S3、算法迭代开始：

S3.1、将m只蚂蚁放至起点开始寻路，蚂蚁的节点概率选择公式如公式 (4)，记录所有的寻路结果，保存路径节点信息与路径长度信息；

其中M_ij为蒙特卡洛因子，计算公式如公式(5)，m_ij为蒙特卡洛指数，

S3.2、按照传统蚁群算法相关流程更新信息素浓度矩阵；

S3.3、初始化蒙特卡洛指数增量矩阵mc_delt，该矩阵大小同 mc_matr，所有元素的值为-0.1；

S3.4、遍历当前代最优路径的节点，更新mc_delta中节点对应的蒙特卡洛指数增量m_ij_delta＝0.1；

S3.5、更新蒙特卡洛指数矩阵，依据公式(6)：

mc_matrix＝mc_matrix+mc_delta (6)

S3.6、若当前迭代次数小于最大迭代次数，则执行S3.1；否则，执行S4；

S4、循环T代后结束循环，输出全局最优解。

本发明的有益效果是，通过融入蒙特卡洛因子，使得算法更加充分地利用了优质路径与劣质路径的所得信息，克服了传统蚁群算法在仅依赖信息素浓度时，需要通过长期迭代才能判断出路径的优劣，从而增加了蚁群算法的迭代周期的缺陷。

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，在Ubuntu20.04系统上运用python语言编程，以某焊接企业的实际焊接任务数据为测试集进行仿真，仿真参数见表2，焊点坐标数据见表3，仿真结果如图5、图6、图7和表4所示。

表2 算法仿真参数

表3 焊点坐标数据

表4 两种算法仿真数据对比

从仿真结果数据中可以看出，传统蚁群算法虽然也能找到一个次优解1961.2417mm，但这花费了89次迭代，而本发明MC-IACO尽管因为融入了蒙特卡洛指数导致了流程步骤更多，从而使得在运行时间上略高于传统蚁群算法，但其所得的结果1946.0644mm优于传统蚁群算法，且在第22次迭代就得到收敛解，因此，综合的来看，本发明的MC-IACO效果更好。

为了进一步验证本发明提出的改进算法的有效性，将本发明与另外一种改进的IACO算法进行比较，另一种改进的IACO算法为2021年硕士论文《基于虚拟仿真的焊接机器人无碰撞路径及轨迹优化研究》中记载的改进IACO算法，在该文章的第3.1节中，对文中的IACO进行仿真实验的焊点数据集下利用本发明方法进行仿真，并将实验结果与文献数据进行对比，如图8以及表5所示。

表5 三种算法仿真数据对比

通过分析仿真结果数据可知，本发明MC-IACO算法所得最优路径结果为8127.3381mm，具体焊接序列为1,2,11,13,12,10,9,8,3,7,6,4,28,27,26,25,24, 23,22,15,14,5,21,20,19,16,18,17,32,31,30,29，优于传统蚁群算法的所得结果9456.1193mm以及文献IACO算法的所得结果8234.0100mm，虽然文献IACO 算法的首次获得最优解代数为100代，明显优于传统ACO算法，但本发明 MC-IACO算法仅花费了19代，因此，本发明改进蚁群算法无论是优化效果还是搜索速度皆优于传统ACO算法和文献IACO算法，这说明了本发明提出的 MC-IACO算法在焊接机器人的路径规划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)

1.一种基于蒙特卡洛因子的MC-IACO的改进蚁群算法的焊接机器人路径规划方法，包括以下步骤：

S1、采用栅格法创建机器人工作环境地图，定义起始点与目标点；

S2、初始化节点的蒙特卡洛指数矩阵mc_matrix为一零矩阵，以及距离启发因子α，信息素启发因子β，蚂蚁数量m，迭代次数T以及挥发系数e等其它算法参数；

S3、算法迭代开始：

S3.1、将m只蚂蚁放至起点开始寻路，依靠蚂蚁的节点概率选择公式(4)，

其中M_ij为蒙特卡洛因子，计算公式如公式(5)，m_ij为蒙特卡洛指数，

记录所有的寻路结果，保存路径节点信息与路径长度信息；

S3.2、按照传统蚁群算法相关流程更新信息素浓度矩阵；

S3.3、初始化蒙特卡洛指数增量矩阵mc_delta，该矩阵大小同mc_matrix，所有元素的值为-0.1；

S3.4、遍历当前代最优路径的节点，更新mc_delta中节点对应的蒙特卡洛指数增量m_ij_delta＝0.1；

S3.5、更新蒙特卡洛指数矩阵，依据公式(6)：

mc_matrix＝mc_matrix+mc_delta (6)

S3.6、若当前迭代次数小于最大迭代次数，则执行S3.1；否则，执行S4；

S4、循环T代后结束循环，输出全局最优解。

Images