CN115639828B - 基于改进人工鱼群算法的机器人路径规划方法及装置 - Google Patents
基于改进人工鱼群算法的机器人路径规划方法及装置 Download PDFInfo
- Publication number
- CN115639828B CN115639828B CN202211659773.1A CN202211659773A CN115639828B CN 115639828 B CN115639828 B CN 115639828B CN 202211659773 A CN202211659773 A CN 202211659773A CN 115639828 B CN115639828 B CN 115639828B
- Authority
- CN
- China
- Prior art keywords
- artificial fish
- artificial
- state
- robot
- point position
- 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
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请提供一种基于改进人工鱼群算法的机器人路径规划方法及装置。该方法包括:获取机器人运动的起点位置和终点位置,并基于混沌初始化策略形成多个初始路径节点位置;基于多个初始路径节点位置构建人工鱼群模型,并初始化人工鱼群的相关参数,根据种群进化、视野自适应更新和步长自适应更新融合改进的人工鱼群算法对目标适应度函数进行优化求解得到最优路径节点位置;根据起点位置、终点位置,以及最优路径节点位置和对应的多个插值点位置生成最优路径。本申请能够平衡全局搜索和局部搜索之间的矛盾,提高机器人路径规划的准确性,进而提高机器人工作效率、降低损耗。
Description
技术领域
本申请涉及路径规划技术领域,具体涉及一种基于改进人工鱼群算法的机器人路径规划方法及装置。
背景技术
机器人路径规划即在已知环境中为机器人规划一条从起点到终点满足所有约束条件的路线。可以应用于室内外清洁、家畜饲喂、农作物施肥等众多领域。
路径规划通常基于经典算法和智能仿生算法。经典算法包括快速随机搜索树算法、人工势场法等,然而上述经典算法在路径规划中还存在实时性差、效率低等缺陷。智能仿生算法包括蚁群算法、粒子群算法、人工鱼群算法和遗传算法等,具有较强的鲁棒性,在路径规划中有突出的优势,然而上述智能仿生算法在全局搜索和局部搜索之间存在矛盾,影响最后的寻优效果,进而影响机器人路径规划的准确性,导致机器人工作效率低、损耗大。
发明内容
有鉴于此,本申请实施例提供了一种基于改进人工鱼群算法的机器人路径规划方法及装置,以解决现有的机器人路径规划方法在全局搜索和局部搜索之间存在矛盾,影响最后的寻优效果,进而影响机器人路径规划的准确性,导致机器人工作效率低、损耗大的技术问题。
第一方面,本申请实施例提供了一种基于改进人工鱼群算法的机器人路径规划方法,包括:获取机器人运动的起点位置和终点位置,并基于混沌初始化策略形成多个初始路径节点位置;基于多个初始路径节点位置构建人工鱼群模型,并初始化人工鱼群的相关参数,根据种群进化、视野自适应更新和步长自适应更新融合改进的人工鱼群算法对目标适应度函数进行优化求解得到最优路径节点位置;其中,基于三次样条插值法,根据起点位置、终点位置和路径节点位置确定多个插值点位置,并基于多个插值点位置计算机器人运动的路径总长度,基于路径总长度构建目标适应度函数;根据起点位置、终点位置,以及最优路径节点位置和对应的多个插值点位置生成最优路径。
在第一方面的一种可能的实施方式中,基于多个初始路径节点位置构建人工鱼群模型,并初始化人工鱼群的相关参数,包括:以各初始路径节点位置作为各人工鱼的状态,并初始化人工鱼群的相关参数;基于目标适应度函数计算各人工鱼的适应度值,选取适应度值最小的前第一预设数量的人工鱼作为初始人工鱼群。
在第一方面的一种可能的实施方式中,相关参数包括人工鱼群的视野、步长、拥挤度因子和最大迭代次数;根据种群进化、视野自适应更新和步长自适应更新融合改进的人工鱼群算法对目标适应度函数进行优化求解得到最优路径节点位置,包括:步骤1、基于各人工鱼的当前状态和相关参数,对各人工鱼执行群聚行为、追尾行为和觅食行为中的至少一种,并基于执行至少一种行为后各人工鱼的适应度值中的最小值,确定各人工鱼的下一状态;步骤2、选取各人工鱼的下一状态对应的适应度值最大的前第二预设数量的人工鱼作为淘汰人工鱼群;对淘汰人工鱼群进行种群进化,得到淘汰人工鱼群中各人工鱼的进化状态作为淘汰人工鱼群中各人工鱼的下一状态;步骤3、根据各人工鱼的下一状态与各人工鱼的当前状态确定各人工鱼的最优状态,将各人工鱼的最优状态作为下次迭代中各人工鱼的当前状态;步骤4、对人工鱼群的视野和步长进行自适应更新;步骤5、重复执行上述步骤1至步骤4,直至达到最大迭代次数,根据各人工鱼的最优状态确定最终全局最优状态,将最终全局最优状态作为最优路径节点位置。
在第一方面的一种可能的实施方式中,种群进化表示为:
式中,X q t+1和X q 't+1分别为淘汰人工鱼群中第q个人工鱼的下一状态和进化状态,q=1, 2,…, Q,其中,Q为淘汰人工鱼群中人工鱼的个数;X best 为人工鱼群中的全局最优状态,α和β为随机数,X r1、X r2、X r3和X r4分别为人工鱼群中四个不同的人工鱼的下一状态;ζ为反馈因子,表示为:
式中,fitness ideal 为理想适应度值,fitness q t+1为第q个人工鱼的下一状态对应的适应度值。
在第一方面的一种可能的实施方式中,视野自适应更新表示为:
式中,Visual t 和Visual t+1分别表示当前视野和下一视野,t为当前迭代次数,T为最大迭代次数;
步长自适应更新表示为:
式中,step t 和step t+1分别表示当前步长和下一步长,p∈[1,10]为控制因子。
在第一方面的一种可能的实施方式中,目标适应度函数表示为:
式中,J cost 为目标适应度函数,L为路径总长度,ω为碰撞系数,η为碰撞检测因子;(X k ,Y k )为第k个插值点位置,即第k个插值点的坐标,(X k+1,Y k+1)为第k+1个插值点位置,其中,k=1, 2,…, K,K为插值点位置的个数;
η表示为:
式中,XX为所有插值点位置的横坐标的集合,YY为所有插值点位置的纵坐标的集合;(X on ,Y on )为第n个障碍物的圆心位置,即第n个障碍物的圆心坐标,r n 为第n个障碍物的半径,n=1, 2,…, N,其中,N为障碍物的个数;d n 为所有插值点到第n个障碍物的圆心的距离;θ n 为一个集合,mean(θ n )表示θ n 中所有数的均值。
在第一方面的一种可能的实施方式中,基于各人工鱼的当前状态和相关参数,对各人工鱼执行群聚行为、追尾行为和觅食行为中的至少一种,并基于执行至少一种行为后各人工鱼的适应度值中的最小值,确定各人工鱼的下一状态,包括:基于各人工鱼的当前状态和相关参数,对各人工鱼执行群聚行为,并基于目标适应度函数确定各人工鱼的第一适应度值;若不满足群聚行为,则执行觅食行为,并基于目标适应度函数确定各人工鱼的第一适应度值;对各人工鱼执行追尾行为,并基于目标适应度函数确定各人工鱼的第二适应度值;若不满足追尾行为,则执行觅食行为,并基于目标适应度函数确定各人工鱼的第二适应度值;基于各人工鱼的第一适应度值和第二适应度值中的最小值,确定各人工鱼的下一状态。
第二方面,本申请实施例提供了一种基于改进人工鱼群算法的机器人路径规划装置,包括:
获取模块,用于获取机器人运动的起点位置和终点位置,并基于混沌初始化策略形成多个初始路径节点位置;
计算模块,用于基于多个初始路径节点位置构建人工鱼群模型,并初始化人工鱼群的相关参数,根据种群进化、视野自适应更新和步长自适应更新融合改进的人工鱼群算法对目标适应度函数进行优化求解得到最优路径节点位置;基于三次样条插值法,根据起点位置、终点位置和路径节点位置确定多个插值点位置,并基于多个插值点位置计算机器人运动的路径总长度,基于路径总长度构建目标适应度函数;
生成模块,用于根据起点位置、终点位置,以及最优路径节点位置和对应的多个插值点位置生成最优路径。
第三方面,本申请实施例提供了一种电子设备,包括存储器和处理器,存储器中存储有可在处理器上运行的计算机程序,处理器执行计算机程序时实现如第一方面任一项所述的基于改进人工鱼群算法的机器人路径规划方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如第一方面任一项所述的基于改进人工鱼群算法的机器人路径规划方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行上述第一方面中任一项所述的基于改进人工鱼群算法的机器人路径规划方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例提供的基于改进人工鱼群算法的机器人路径规划方法及装置,混沌初始化策略可以提高初始种群的多样性和质量,自适应更新视野和步长以及对淘汰人工鱼群进行种群进化,可以在全局搜索最优解时提高搜索速度,在局部搜索最优解时提高解的精度,平衡全局搜索和局部搜索之间的矛盾,进而可以提高机器人路径规划的准确性,提高机器人工作效率、降低损耗。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述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申请的一些实施例,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是本申请一实施例提供的基于改进人工鱼群算法的机器人路径规划方法的流程示意图;
图2是本申请一实施例提供的二维坐标系的示意图;
图3是本申请另一实施例提供的基于改进人工鱼群算法的机器人路径规划方法的流程示意图;
图4是本申请一实施例提供的基于改进人工鱼群算法的机器人路径规划装置的结构示意图;
图5是本申请一实施例提供的电子设备的结构示意图。
具体实施方式
下面结合具体实施例对本申请进行更清楚的说明。以下实施例将有助于本领域的技术人员进一步理解本申请的作用,但不以任何形式限制本申请。应当指出的是,对本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进。这些都属于本申请的保护范围。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
此外,本申请实施例中提到的“多个”应当被解释为两个或两个以上。
图1是本申请一实施例提供的基于改进人工鱼群算法的机器人路径规划方法的流程示意图。如图1所示,本申请实施例中的方法,可以包括:
步骤101、获取机器人运动的起点位置和终点位置,并基于混沌初始化策略形成多个初始路径节点位置。
示例性的,种群初始化位置会对算法的解产生较大影响,种群位置的分布在一定程度上会导致算法陷入局部最优,因此本申请采用了混沌初始化策略来提高初始种群的多样性。
可选的,使用tent函数映射生成随机数:
式中,z u 为tent函数生成的第u个随机数,z u+1为tent函数生成的第u+1个随机数,z 1为tent函数生成的第一个随机数,是[0,1]区间的随机数。u=1, 2,…,U,U为生成的随机数的个数。
根据随机数确定初始路径节点位置,即确定初始路径节点位置的坐标形式:
式中,(x u , y u )表示第u个初始路径节点位置,共有U个初始路径节点位置。
步骤102、基于多个初始路径节点位置构建人工鱼群模型,并初始化人工鱼群的相关参数,根据种群进化、视野自适应更新和步长自适应更新融合改进的人工鱼群算法对目标适应度函数进行优化求解得到最优路径节点位置。
在一种可能的实施方式中,步骤102中基于多个初始路径节点位置构建人工鱼群模型,并初始化人工鱼群的相关参数,具体可以包括:
S1、以各初始路径节点位置作为各人工鱼的状态,并初始化人工鱼群的相关参数。
S2、基于目标适应度函数计算各人工鱼的适应度值,选取适应度值最小的前第一预设数量的人工鱼作为初始人工鱼群。
示例性的,以各初始路径节点位置作为各人工鱼的状态,也就是说,以各初始路径节点位置对应的坐标为各人工鱼的状态。例如,任一初始路径节点位置的坐标为(x, y),则对应人工鱼的状态为X=(x, y)。
可选的,人工鱼群的相关参数包括人工鱼群的视野、步长、拥挤度因子和最大迭代次数。以初始路径节点位置作为各人工鱼的状态,基于各人工鱼的状态和目标适应度函数计算各人工鱼的适应度值,并将上述各人工鱼的适应度值按照数值大小进行由小到大的顺序排序,选取前第一预设数量的人工鱼作为初始人工鱼群。选取适应度值较小的人工鱼构成初始人工鱼群,可以提高种群质量,进一步提高算法的寻优效率。
示例性的,基于三次样条插值法,根据起点位置、终点位置和路径节点位置确定多个插值点位置,并基于多个插值点位置计算机器人运动的路径总长度,基于路径总长度构建目标适应度函数。
也就是说,根据路径节点位置,以及起点位置和终点位置,基于三次样条插值法可以确定多个插值点位置。连接起点位置、插值点位置、路径节点位置和终点位置即为一条路径。其中,路径节点位置决定了整个路径的走向,路径在路径节点位置可能会发生转向。因此将路径节点位置作为人工鱼的状态,利用改进的人工鱼群算法确定最优路径节点位置。此外,采用三次样条插值法可以保证得到的路径的平滑性。
需要说明的是,参照图2,机器人的运动区域内还存在多个障碍物。将上述各障碍物近似为圆,其中,用圆的圆心位置和半径表示各障碍物的位置。机器人在运动过程中尽可能避开所有障碍物,即规划的路径要满足避开所有障碍物。
示例性的,目标适应度函数可以表示为:
式中,J cost 为目标适应度函数,L为路径总长度,ω为碰撞系数,η为碰撞检测因子,η=0表示规划的路径绕开所有障碍物。(X k ,Y k )为第k个插值点位置,即第k个插值点的坐标,(X k+1,Y k+1)为第k+1个插值点位置,其中k=1, 2,…, K,K为插值点位置的个数。η可以表示为:
式中,XX为所有插值点位置的横坐标的集合,YY为所有插值点位置的纵坐标的集合。(X on ,Y on )为第n个障碍物的圆心位置,即第n个障碍物的圆心坐标,r n 为第n个障碍物的半径,n=1, 2,…, N,其中,N为障碍物的个数。d n 为所有插值点到第n个障碍物的圆心的距离。θ n 为一个集合,mean(θ n )表示θ n 中所有数的均值。
在一种可能的实施方式中,参照图3,步骤102中根据种群进化、视野自适应更新和步长自适应更新融合改进的人工鱼群算法对目标适应度函数进行优化求解得到最优路径节点位置,具体可以包括:
步骤1021、基于各人工鱼的当前状态和相关参数,对各人工鱼执行群聚行为、追尾行为和觅食行为中的至少一种,并基于执行至少一种行为后各人工鱼的适应度值中的最小值,确定各人工鱼的下一状态。
在一种可能的实施方式中,步骤1021中,具体可以包括:
基于各人工鱼的当前状态和相关参数,对各人工鱼执行群聚行为,并基于目标适应度函数确定各人工鱼的第一适应度值;若不满足群聚行为,则执行觅食行为,并基于目标适应度函数确定各人工鱼的第一适应度值。
对各人工鱼执行追尾行为,并基于目标适应度函数确定各人工鱼的第二适应度值;若不满足追尾行为,则执行觅食行为,并基于目标适应度函数确定各人工鱼的第二适应度值。
基于各人工鱼的第一适应度值和第二适应度值中的最小值,确定各人工鱼的下一状态。
示例性的,第i个人工鱼的当前状态为X i t=(x i , y i ),其中,(x i , y i )为当前第i个路径节点位置。
觅食行为:第i个人工鱼在当前视野范围内随机选择另一个状态X j ,若状态X j 的食物浓度大于当前状态X i t的食物浓度(食物浓度由适应度值表示,即状态X j 的适应度值大于当前状态X i t的适应度值),则第i个人工鱼向状态X j 移动一步,得到第i个人工鱼的下一状态X i t+1。若状态X j 的食物浓度小于等于当前状态X i t的食物浓度,则第i个人工鱼继续在当前视野范围内寻找更优状态。若在预设尝试次数try_number内未找到更优状态,则执行随机行为。
式中,Visual t 为当前视野,step t 为当前步长,Rand()表示随机函数。
群聚行为:第i个人工鱼在当前视野范围内搜寻相邻人工鱼(相邻人工鱼数量为m c ),并计算相邻人工鱼的中心状态X c 。若中心状态X c 的食物浓度大于当前状态X i t的食物浓度,且中心状态X c 不拥挤,即Y c /m c >ε·Y i t,其中Y c 为中心状态X c 的食物浓度,ε为拥挤度因子,Y i t为当前状态X i t的食物浓度,则第i个人工鱼向中心状态X c 移动一步,得到第i个人工鱼的下一状态X i t+1。否则,执行觅食行为。
追尾行为:第i个人工鱼在当前视野范围内搜寻相邻人工鱼(相邻人工鱼数量为m b )的最佳状态X b (即对应的适应度值最大)。若最佳状态X b 的食物浓度大于当前状态X i t的食物浓度,且最佳状态X b 不拥挤,即Y b /m b >ε·Y i t,其中Y b 为最佳状态X b 的食物浓度,ε为拥挤度因子,Y i t为当前状态X i t的食物浓度,则第i个人工鱼向最佳状态X b 移动一步,得到第i个人工鱼的下一状态X i t+1。否则,执行觅食行为。
可选的,对各人工鱼执行群聚行为、追尾行为和觅食行为中的至少一种后,确定各人工鱼的下一状态。
步骤1022、选取各人工鱼的下一状态对应的适应度值最大的前第二预设数量的人工鱼作为淘汰人工鱼群;对淘汰人工鱼群进行种群进化,得到淘汰人工鱼群中各人工鱼的进化状态作为淘汰人工鱼群中各人工鱼的下一状态。
可选的,对淘汰人工鱼群进行种群进化,以提高人工鱼群的寻优效率。
示例性的,种群进化表示为:
式中,X q t+1和X q 't+1分别为淘汰人工鱼群中第q个人工鱼的下一状态和进化状态,q=1, 2,…, Q,其中,Q为淘汰人工鱼群中人工鱼的个数;X best 为人工鱼群中的全局最优状态,α和β为随机数,X r1、X r2、X r3和X r4分别为人工鱼群中四个不同的人工鱼的下一状态;ζ为反馈因子,表示为:
式中,fitness ideal 为理想适应度值,为起点位置与终点位置之间的直线距离,fitness q t+1为第q个人工鱼的下一状态对应的适应度值。
需要说明的是,得到淘汰人工鱼群中各人工鱼的下一状态后,将淘汰人工鱼群中的各人工鱼与人工鱼群中的相应人工鱼对应,即根据淘汰人工鱼群中各人工鱼的下一状态更新人工鱼群中相应人工鱼的下一状态。例如,淘汰人工鱼群中第5条人工鱼对应人工鱼群中第3条人工鱼,则人工鱼群中第3条人工鱼的下一状态更新为淘汰人工鱼群中第5条人工鱼的下一状态。
可选的,当反馈因子ζ≥1时,在进化前期,人工鱼个体差异较大,公式(1)有利于种群在全局范围内搜索最优解,提高搜索速度。当ζ<1时,公式(2)有利于在最优解附近精细搜索,提高解的精度。
步骤1023、根据各人工鱼的下一状态与各人工鱼的当前状态确定各人工鱼的最优状态,将各人工鱼的最优状态作为下次迭代中各人工鱼的当前状态。
示例性的,将各人工鱼的下一状态对应的适应度值与各人工鱼的当前状态的适应度值进行比较,确定适应度值更小的状态为各人工鱼的最优状态。将各人工鱼的最优状态作为下次迭代中各人工鱼的当前状态,并基于各人工鱼的最优状态对公告板进行更新,上述公告板记录每次迭代后人工鱼群的最优状态。
步骤1024、对人工鱼群的视野和步长进行自适应更新。
示例性的,为提高迭代速度,同时达到较高的迭代精度,对视野和步长进行自适应更新。
视野自适应更新表示为:
式中,Visual t 和Visual t+1分别表示当前视野和下一视野,t为当前迭代次数,T为最大迭代次数。
可选的,在初始阶段,保持较大的视野有利于在全局范围内搜索最优解和加快迭代速度。在后期阶段,保持较小的视野有利于在局部范围内搜索最优解和提高解的精度。
步长自适应更新表示为:
式中,step t 和step t+1分别表示当前步长和下一步长,p∈[1,10]为控制因子。
可选的,在初始阶段进行全局范围内搜索时缓慢衰减步长,有利于在全局范围内搜索最优解。在后期阶段种群收敛时快速衰减步长,有利于在局部范围内搜索最优解。
步骤1025、重复执行上述步骤1021至步骤1024,直至达到最大迭代次数,根据各人工鱼的最优状态确定最终全局最优状态,将最终全局最优状态作为最优路径节点位置。
示例性的,基于最后迭代中各人工鱼的最优状态对应的适应度值,确定适应度值最大的人工鱼的最优状态为最终全局最优状态,即确定最优路径节点位置。
步骤103、根据起点位置、终点位置,以及最优路径节点位置和对应的多个插值点位置生成最优路径。
示例性的,连接起点位置、终点位置、最优路径节点位置以及最优路径节点位置对应的多个插值点位置,即得到机器人移动的最优路径。
本申请实施例提供的一种基于改进人工鱼群算法的机器人路径规划方法,通过混沌初始化策略提高初始种群的多样性和质量,自适应更新视野和步长以及对淘汰人工鱼群进行种群进化,以在全局搜索最优解时提高搜索速度,在局部搜索最优解时提高解的精度,平衡全局搜索和局部搜索之间的矛盾,能够可以提高机器人路径规划的准确性,进而提高机器人工作效率、降低损耗。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图4是本申请一实施例提供的基于改进人工鱼群算法的机器人路径规划装置的结构示意图。如图4所示,本实施例提供的基于改进人工鱼群算法的机器人路径规划装置,可以包括:获取模块201、计算模块202和生成模块203。
其中,获取模块201,用于获取机器人运动的起点位置和终点位置,并基于混沌初始化策略形成多个初始路径节点位置。
计算模块202,用于基于多个初始路径节点位置构建人工鱼群模型,并初始化人工鱼群的相关参数,根据种群进化、视野自适应更新和步长自适应更新融合改进的人工鱼群算法对目标适应度函数进行优化求解得到最优路径节点位置;基于三次样条插值法,根据起点位置、终点位置和路径节点位置确定多个插值点位置,并基于多个插值点位置计算机器人运动的路径总长度,基于路径总长度构建目标适应度函数。
生成模块203,用于根据起点位置、终点位置,以及最优路径节点位置和对应的多个插值点位置生成最优路径。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图5是本申请一实施例提供的电子设备的结构示意图。如图5所示,该实施例的电子设备300包括:处理器310、存储器320,上述存储器320中存储有可在处理器310上运行的计算机程序321。处理器310执行计算机程序321时实现上述任意各个方法实施例中的步骤,例如图1所示的步骤101至103。或者,处理器310执行计算机程序321时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块201至203的功能。
示例性的,计算机程序321可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器320中,并由处理器310执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序321在电子设备300中的执行过程。
本领域技术人员可以理解,图5仅仅是电子设备的示例,并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如输入输出设备、网络接入设备、总线等。
处理器310可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器320可以是电子设备的内部存储单元,例如电子设备的硬盘或内存,也可以是电子设备的外部存储设备,例如电子设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。上述存储器320还可以既包括电子设备的内部存储单元也包括外部存储设备。上述存储器320用于存储计算机程序以及电子设备所需的其他程序和数据。存储器320还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于改进人工鱼群算法的机器人路径规划方法,其特征在于,包括:
获取机器人运动的起点位置和终点位置,并基于混沌初始化策略形成多个初始路径节点位置;
基于所述多个初始路径节点位置构建人工鱼群模型,并初始化人工鱼群的相关参数,根据种群进化、视野自适应更新和步长自适应更新融合改进的人工鱼群算法对目标适应度函数进行优化求解得到最优路径节点位置;
其中,基于三次样条插值法,根据所述起点位置、所述终点位置和路径节点位置确定多个插值点位置,并基于所述多个插值点位置计算机器人运动的路径总长度,基于所述路径总长度构建目标适应度函数;
根据所述起点位置、所述终点位置,以及所述最优路径节点位置和对应的多个插值点位置生成最优路径;
其中,视野自适应更新表示为:
步长自适应更新表示为:
2.根据权利要求1所述的基于改进人工鱼群算法的机器人路径规划方法,其特征在于,所述基于所述多个初始路径节点位置构建人工鱼群模型,并初始化人工鱼群的相关参数,包括:
以所述各初始路径节点位置作为各人工鱼的状态,并初始化人工鱼群的相关参数;
基于目标适应度函数计算各人工鱼的适应度值,选取适应度值最小的前第一预设数量的人工鱼作为初始人工鱼群。
3.根据权利要求1所述的基于改进人工鱼群算法的机器人路径规划方法,其特征在于,所述相关参数包括人工鱼群的视野、步长、拥挤度因子和最大迭代次数;
所述根据种群进化、视野自适应更新和步长自适应更新融合改进的人工鱼群算法对目标适应度函数进行优化求解得到最优路径节点位置,包括:
步骤1、基于各人工鱼的当前状态和所述相关参数,对各人工鱼执行群聚行为、追尾行为和觅食行为中的至少一种,并基于执行所述至少一种行为后各人工鱼的适应度值中的最小值,确定各人工鱼的下一状态;
步骤2、选取所述各人工鱼的下一状态对应的适应度值最大的前第二预设数量的人工鱼作为淘汰人工鱼群;对所述淘汰人工鱼群进行种群进化,得到所述淘汰人工鱼群中各人工鱼的进化状态作为所述淘汰人工鱼群中各人工鱼的下一状态;
步骤3、根据各人工鱼的下一状态与各人工鱼的当前状态确定各人工鱼的最优状态,将各人工鱼的最优状态作为下次迭代中各人工鱼的当前状态;
步骤4、对人工鱼群的视野和步长进行自适应更新;
步骤5、重复执行上述步骤1至步骤4,直至达到最大迭代次数,根据各人工鱼的最优状态确定最终全局最优状态,将所述最终全局最优状态作为最优路径节点位置。
6.根据权利要求3所述的基于改进人工鱼群算法的机器人路径规划方法,其特征在于,所述基于各人工鱼的当前状态和所述相关参数,对各人工鱼执行群聚行为、追尾行为和觅食行为中的至少一种,并基于执行所述至少一种行为后各人工鱼的适应度值中的最小值,确定各人工鱼的下一状态,包括:
基于各人工鱼的当前状态和所述相关参数,对各人工鱼执行群聚行为,并基于目标适应度函数确定各人工鱼的第一适应度值;若不满足群聚行为,则执行觅食行为,并基于目标适应度函数确定各人工鱼的第一适应度值;
对各人工鱼执行追尾行为,并基于目标适应度函数确定各人工鱼的第二适应度值;若不满足追尾行为,则执行觅食行为,并基于目标适应度函数确定各人工鱼的第二适应度值;
基于各人工鱼的第一适应度值和第二适应度值中的最小值,确定各人工鱼的下一状态。
7.一种基于改进人工鱼群算法的机器人路径规划装置,其特征在于,包括:
获取模块,用于获取机器人运动的起点位置和终点位置,并基于混沌初始化策略形成多个初始路径节点位置;
计算模块,用于基于所述多个初始路径节点位置构建人工鱼群模型,并初始化人工鱼群的相关参数,根据种群进化、视野自适应更新和步长自适应更新融合改进的人工鱼群算法对目标适应度函数进行优化求解得到最优路径节点位置;基于三次样条插值法,根据所述起点位置、所述终点位置和路径节点位置确定多个插值点位置,并基于所述多个插值点位置计算机器人运动的路径总长度,基于所述路径总长度构建目标适应度函数;
生成模块,用于根据所述起点位置、所述终点位置,以及所述最优路径节点位置和对应的多个插值点位置生成最优路径;
其中,视野自适应更新表示为:
步长自适应更新表示为:
8.一种电子设备,包括存储器和处理器,所述存储器中存储有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至6任一项所述的基于改进人工鱼群算法的机器人路径规划方法。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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至6任一项所述的基于改进人工鱼群算法的机器人路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211659773.1A CN115639828B (zh) | 2022-12-23 | 2022-12-23 | 基于改进人工鱼群算法的机器人路径规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211659773.1A CN115639828B (zh) | 2022-12-23 | 2022-12-23 | 基于改进人工鱼群算法的机器人路径规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115639828A CN115639828A (zh) | 2023-01-24 |
CN115639828B true CN115639828B (zh) | 2023-03-31 |
Family
ID=84948840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211659773.1A Active CN115639828B (zh) | 2022-12-23 | 2022-12-23 | 基于改进人工鱼群算法的机器人路径规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115639828B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502784A (zh) * | 2023-06-27 | 2023-07-28 | 长春工业大学 | 一种基于混合智能优化算法的路径规划方法 |
CN117170413B (zh) * | 2023-11-03 | 2024-01-30 | 北京卓翼智能科技有限公司 | 基于改进正余弦算法的无人机路径规划方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108037758A (zh) * | 2017-11-30 | 2018-05-15 | 重庆邮电大学 | 一种基于改进afsa的移动机器人路径规划方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106094833B (zh) * | 2016-07-19 | 2018-12-28 | 重庆邮电大学 | 一种基于混沌萤火虫算法的移动机器人路径规划方法 |
CN110031004B (zh) * | 2019-03-06 | 2023-03-31 | 沈阳理工大学 | 基于数字地图的无人机静态和动态路径规划方法 |
CN112650287A (zh) * | 2020-12-22 | 2021-04-13 | 泉州云卓科技有限公司 | 一种基于人工鱼群的无人机路径规划方法 |
CN114169607A (zh) * | 2021-12-08 | 2022-03-11 | 昆山九毫米电子科技有限公司 | 基于改进人工鱼群算法的无人靶车路径规划方法 |
CN114740858A (zh) * | 2022-04-20 | 2022-07-12 | 长江师范学院 | 一种采用人工鱼群模型的机器人路径规划方法 |
-
2022
- 2022-12-23 CN CN202211659773.1A patent/CN115639828B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108037758A (zh) * | 2017-11-30 | 2018-05-15 | 重庆邮电大学 | 一种基于改进afsa的移动机器人路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115639828A (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115639828B (zh) | 基于改进人工鱼群算法的机器人路径规划方法及装置 | |
CN108645411B (zh) | 基于粒子群算法的机器人路径规划方法、装置及终端设备 | |
CN102778229B (zh) | 未知环境下基于改进蚁群算法的移动Agent路径规划方法 | |
CN110181508B (zh) | 水下机器人三维航路规划方法及系统 | |
CN110132282B (zh) | 无人机路径规划方法及装置 | |
CN112596515A (zh) | 一种多物流机器人移动控制方法及装置 | |
Rosman et al. | What good are actions? Accelerating learning using learned action priors | |
CN110243373B (zh) | 一种动态仓储自动引导车的路径规划方法、装置和系统 | |
CN115014362A (zh) | 一种基于合成单元的牛耕式全覆盖路径规划方法和装置 | |
CN113848889A (zh) | 一种基于鲸鱼优化算法和人工势场法结合的路径规划方法 | |
Stodola et al. | Adaptive ant colony optimization with node clustering for the multidepot vehicle routing problem | |
CN114167865A (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 | |
CN111189455B (zh) | 一种无人机航路规划方法、系统及存储介质 | |
CN110675004A (zh) | 一种基于灰狼算法的路径规划方法 | |
Alabdalbari et al. | New robot path planning optimization using hybrid GWO-PSO algorithm | |
CN114442644A (zh) | 多机器人避障方法、装置、电子设备及存储介质 | |
CN116817958B (zh) | 一种基于障碍物分组的参考路径生成方法、装置和介质 | |
CN112484733A (zh) | 一种基于拓扑图的强化学习室内导航方法 | |
CN115019185B (zh) | 类脑连续学习协同围捕方法、系统及介质 | |
Mazzia et al. | Deepway: a deep learning estimator for unmanned ground vehicle global path planning | |
CN113873610A (zh) | 一种无线信息传输的路径规划方法、装置、设备及介质 | |
Wong et al. | A bee colony optimization algorithm with the fragmentation state transition rule for traveling salesman problem | |
CN110414662B (zh) | 数据处理方法及系统 | |
CN114227716B (zh) | 支持控制逻辑云调用的机器人系统及其方法 | |
CN117215193A (zh) | 基于混合改进人工水母算法搜索全局最短最优路径方法 |
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 |