CN116050682A - 一种基于改进遗传算法的全覆盖田间路径规划方法及装置 - Google Patents

一种基于改进遗传算法的全覆盖田间路径规划方法及装置 Download PDF

Info

Publication number
CN116050682A
CN116050682A CN202211043439.3A CN202211043439A CN116050682A CN 116050682 A CN116050682 A CN 116050682A CN 202211043439 A CN202211043439 A CN 202211043439A CN 116050682 A CN116050682 A CN 116050682A
Authority
CN
China
Prior art keywords
chromosome
path
legal
population
field
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
Application number
CN202211043439.3A
Other languages
English (en)
Inventor
吴玺志
郝凤琦
李秀华
白金强
郝慧娟
张让勇
李娟�
魏民
朱瑞雪
王玉炘
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.)
Shandong Shanke Zhikong Technology Innovation Co ltd
Shandong Computer Science Center National Super Computing Center in Jinan
Original Assignee
Shandong Shanke Zhikong Technology Innovation Co ltd
Shandong Computer Science Center National Super Computing Center in Jinan
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 Shandong Shanke Zhikong Technology Innovation Co ltd, Shandong Computer Science Center National Super Computing Center in Jinan filed Critical Shandong Shanke Zhikong Technology Innovation Co ltd
Publication of CN116050682A publication Critical patent/CN116050682A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Mining & Mineral Resources (AREA)
  • Genetics & Genomics (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Physiology (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)

Abstract

本发明涉及无人农机技术领域，具体涉及一种基于改进遗传算法的全覆盖田间路径规划方法及装置。该方法包括：S1、采用栅格法构建田间环境地图。S2、对田间环境地图中的自由栅格进行染色体编码，随机生成若干条初始染色体。S3、对初始染色体进行调整，得到合法染色体。S4、构造基于多目标均衡准则的适应度函数，确定合法染色体的适应度。S5、对初始染色体进行演化，生成下一代种群，作为下次迭代的父代种群。S6、判定是否结束本次迭代，若是，则将当代种群中适应度最高的染色体输出进行解码，得到全覆盖路径；若否，则返回执行步骤S3。本发明能够减少重复作业面积和转弯次数，提高无人农机的田间作业效率和作业质量。

Description

一种基于改进遗传算法的全覆盖田间路径规划方法及装置
技术领域
本发明涉及无人农机技术领域，具体涉及一种基于改进遗传算法的无人农机全覆盖田间路径规划方法及装置。
背景技术
全覆盖路径规划(CCPP)算法适用于将作业区域进行全覆盖的特殊场景，全覆盖田间路径规划是智慧农场中提高田间作业效率的关键任务之一，自动导航农机的成功取决于生成田间作业区域全覆盖路径的能力。因为传统的全覆盖路径规划算法是针对矩形场地或者室内移动机器人生成全覆盖路径，未考虑复杂的田间作业环境。在规划田间全覆盖路径时，特别是在不规则农田形状或田间存在障碍物的情况下，传统的全覆盖路径规划算法，存在重复作业面积大、转弯次数多等问题，作业效率明显低于在矩形农田中的效率。
发明内容
针对无人农机全覆盖作业时重复作业面积大、转弯次数多等问题，本发明提出了一种基于改进遗传算法的全覆盖田间路径规划方法及装置，该方法及装置能够减少重复作业面积和转弯次数，有效提高无人农机的田间作业效率和作业质量。
为实现上述目的，本发明采用了以下技术方案：
一种基于改进遗传算法的全覆盖田间路径规划方法，该方法包括以下步骤：
S1、采用栅格法构建田间环境地图；所述田间环境地图中的栅格分为不带障碍物的自由栅格和带障碍物的栅格两种。
S2、对田间环境地图中的自由栅格进行染色体编码，根据染色体编码后的田间环境地图，随机生成若干条初始染色体。
S3、对初始染色体进行调整，使染色体路径为最短连续路径，得到合法染色体；初始染色体和与其对应的合法染色体结合生成染色体对，将各染色体对作为当代种群，利用当代种群进行迭代。初始染色体指父代种群(当代种群)中最原始的染色体。合法染色体，指对初始染色体进行路径调整，使染色体的路径变为最短连续路径后得到的染色体。
S4、构造基于多目标均衡准则的适应度函数，利用适应度函数分别求得当代种群中各合法染色体的适应度。
S5、对当代种群中的初始染色体进行演化，生成下一代种群，作为下次迭代的父代种群。
S6、判定是否结束本次迭代，若是，则将当代种群中适应度最高的染色体输出并进行解码，得到全覆盖路径；若否，则迭代次数加1，并返回执行步骤S3，进行下一次迭代。优选的，最大迭代次数为1000次。
进一步的，步骤S1所述的采用栅格法构建田间环境地图，包括：
S11、根据农田形状将农田划分为若干面积相等的方格，并对田间存在的障碍物进行标记；带有障碍物的方格为障碍物栅格，没有障碍物的方格为自由栅格。
S12、当农田边界不规则或田间存在障碍物时，对农田边界或障碍物边界进行膨胀处理，补充成规则的边界或边界规则的障碍物，得到膨胀后量化的田间栅格地图。
S13、对膨胀后量化的田间栅格地图进行标记，得到田间环境地图。
进一步的，所述对初始染色体进行调整，使染色体的路径为最短连续路径，得到合法染色体，包括：
S31、若初始染色体的路径连续，则无需调整。
S32、若初始染色体的路径不连续，则在间隔路径之间插入最短连续路径，并将初始染色体在间隔路径之后重复出现过的路径编号删除，重复上述过程，直至所有路径连续，至此生成一条合法染色体；所述最短连续路径使用Floyd算法求得。
进一步的，所述构造基于多目标均衡准则的适应度函数，包括：
S41、采用以下公式求得当代种群中第i条合法染色体的重复作业面积、转弯次数和掉头次数：
Figure SMS_1
Figure SMS_2
Figure SMS_3
Figure SMS_4
Figure SMS_5
其中，
Figure SMS_6
和
Figure SMS_7
分别表示第i条合法染色体的重复作业面积、转弯次数和掉头次数，||Yi||表示合法染色体Yi的长度，||set(Yi)||表示合法染色体Yi去除重复基因后的长度，％代表取余运算，orien(Yi[g])表示自动驾驶农机在栅格编号为Yi[g]处的移动方向，turn(g)和uturn(g)表示在栅格编号为Yi[g]处是否存在转弯、掉头行为。
S42、根据当代种群中第i条合法染色体的重复作业面积、转弯次数和掉头次数，采用下式求得相应的权重系数w1(i)、w2(i)和w3(i)：
Figure SMS_8
Figure SMS_9
Figure SMS_10
Figure SMS_11
Figure SMS_12
Figure SMS_13
Figure SMS_14
Figure SMS_15
Figure SMS_16
其中，
Figure SMS_18
和
Figure SMS_20
表示当代种群第i条合法染色体的权重系数，
Figure SMS_21
Figure SMS_19
和
Figure SMS_22
表示父代种群中第i条合法染色体的权重系数，
Figure SMS_24
和
Figure SMS_25
分别表示当代种群中第i条合法染色体的重复作业面积、转弯次数和掉头次数，
Figure SMS_17
和
Figure SMS_23
分别表示当代种群中所有染色体的重复作业面积、转弯次数和掉头次数的平均值。
S43、根据当代种群中第i条合法染色体的权重系数和重复作业面积、转弯次数和掉头次数，确定适应度函数如下所示：
Figure SMS_26
其中，f(i)表示第i条合法染色体的适应度值，w1(i)、w2(i)和w3(i)分别表示第i条合法染色体的重复作业面积、转弯次数和掉头次数的权重系数，
Figure SMS_27
Figure SMS_28
和
Figure SMS_29
分别表示第i条合法染色体的重复作业面积、转弯次数和掉头次数的计算函数。
进一步的，所述演化包括选择操作、交叉操作和变异操作。
进一步的，所述选择操作的具体过程为：
采用轮盘赌方法作为选择算子，种群中每条染色体被选中的概率与其适应度的值成正比，则每条染色体被选中的概率为P(i)：
Figure SMS_30
染色体选择后生成的子代染色体需要按照步骤S3中的调整方法进行调整，使染色体路径为最短连续路径，以生成一条合法的可行全覆盖路径。
进一步的，所述交叉操作的具体过程为：
采用单点交叉法进行交叉操作，在当代种群中随机选择两条染色体进行交叉，首先随机确定一个交叉点，然后在另一条染色体中删除交叉点前的所有基因，最后把剩余基因按序填充在交叉点后；染色体交叉后生成的子代染色体按照步骤S3中的调整方法进行调整，使染色体路径为最短连续路径，以生成一条合法的可行全覆盖路径。
进一步的，所述变异操作的具体过程为：
采用基本位变异法进行变异操作，在当代种群中随机选择一条染色体，首先随机确定两点作为基因突变点，然后互换两个基因位；染色体变异后生成的子代染色体需要按照步骤S3中的调整方法进行调整，使染色体路径为最短连续路径，以生成一条合法的可行全覆盖路径。
进一步的，所述判断是否结束本次迭代，包括：
判断当前迭代次数是否到达设定的最大迭代次数或者当代种群中合法染色体的适应度是否均在设定的阈值范围内。
本发明还涉及一种基于改进遗传算法的全覆盖田间路径规划装置，该装置包括：田间环境地图构建模块和基于改进遗传算法的路径规划模块。
所述田间环境地图构建模块，用于采用栅格法构建田间环境地图；所述田间环境地图中的栅格分为不带障碍物的自由栅格和带障碍物的栅格两种。
所述基于改进遗传算法的路径规划模块，用于对田间环境地图中的自由栅格进行染色体编码，根据染色体编码后的田间环境地图，随机生成若干条初始染色体；还用于对初始染色体进行调整，使染色体路径为最短连续路径，得到合法染色体；初始染色体和与其对应的合法染色体结合生成染色体对，将各染色体对作为当代种群，利用当代种群进行迭代；还用于构造基于多目标均衡准则的适应度函数，利用适应度函数分别求得当代种群中的各合法染色体的适应度；还用于对当代种群中的初始染色体进行演化，生成下一代种群，作为下次迭代的父代种群；还用于判定当前迭代次数是否到达设定的最大迭代次数或者当代种群中合法染色体的适应度是否均在设定的阈值范围内；若是，则将当代种群中适应度最高的染色体输出并进行解码，得到全覆盖路径；若否，则迭代次数加1，进行下一次迭代。
和现有技术相比，本发明的优点为：
(1)本发明提出基于改进遗传算法的全覆盖田间路径规划方法，重点针对不规则农田形状和田间存在障碍物的情况，能够寻求一条在重复作业面积和转弯次数之间具有良好平衡的全覆盖田间路径，有效减少重复作业面积和转弯次数，提高农机的工作效率和工作质量。
(2)本发明提出基于相邻栅格的染色体编码方式及其相应的染色体调整方式，可以将生成的任意染色体调整为合法的染色体，对应一条可行的全覆盖路径。对染色体进行调整后可以避免出现大量无效解，有效提高算法收敛速度。本发明所提的针对染色体编码的演化方式，可以增强算法的寻优能力，有效避免算法早熟，提高全覆盖田间路径规划的有效性。
附图说明
图1是本发明的方法流程图；
图2a是量化前的田间图；
图2b是量化后的田间环境地图；
图3是膨胀后量化的田间环境地图；
图4是标记后的田间环境地图；
图5是田间环境编码示意图；
图6是相邻栅格示意图；
图7是无障碍时牛耕算法全覆盖田间路径示意图；
图8是有障碍时牛耕算法全覆盖田间路径示意图；
图9是初始染色体示意图；
图10a～图10d是初始染色体调整示意图；
图11是调整后的染色体示意图；
图12是基于染色体对的初始种群示意图；
图13是染色体交叉操作示意图；
图14是染色体变异操作示意图；
图15是最优染色体示意图；
图16是最优全覆盖田间路径示意图。
具体实施方式
下面结合附图对本发明做进一步说明：
如图1所示的一种基于改进遗传算法的全覆盖田间路径规划方法，该方法包括以下步骤：
Step1：基于栅格法的田间环境地图构建
S11、本发明以栅格法进行无人农机作业区域全覆盖田间路径规划地图构建，如图2所示，首先根据农田形状将农田划分为面积相等的方格，并对田间存在的障碍物进行标记。图2a是量化前的田间图；图2b是量化后的田间环境地图，在图2b中不仅划分出了栅格，无法访问的栅格被标记为障碍物。
S12、当农田边界不规则或田间存在障碍物时，则需要将其进行膨胀处理，补充成规则的边界或规则的障碍物，膨胀后量化的田间环境地图如图3所示。
S13、如图4所示，对膨胀后量化的田间栅格地图进行标记。无人农机的行驶方向只能前后左右四个方向行驶，其中黑色区域为障碍物区域，空白区域为自由区域。无人农机需要全遍历自由区域，且满足以下条件：(1)无人农机必须遍历整个作业区域；(2)无人农机必须避开所有静态障碍；(3)无人农机尽量少的经过已作业区域；(4)无人农机作业过程中尽量减少转弯次数。
为方便说明，本发明采用如图5所示的3*4田间栅格地图作为实施例，其中空白区域为自由区域，填充斜线的区域为障碍物区域，编号为1的栅格为农机作业起点。按照从左到右、从下往上的顺序进行编号。
如图6所示，在田间栅格地图中，与编号i相邻的栅格有四个，分别是i-1、i-C、i+1、i+C，其中C为栅格地图的列数。也就是农机在编号为i的栅格时，可移动的方向只有这四个。同时，对于边界栅格，其移动方向可能为两个或三个；对于周围有障碍物的情形，移动方向将会减少；对于不可达栅格，即被障碍物包围的栅格当障碍物进行标记处理。
全覆盖田间路径规划方法最常用的是牛耕式算法，其基本思想是：采用弓字型搜索方式进行覆盖，无人农机沿某个方向往返式进行覆盖作业。当碰到障碍物时，则向上移动一个车距跨越障碍物；当跨越障碍物后，回到原先作业方向继续进行作业；当到达作业边界后，沿着当前作业方向反向移动作业，如此反复以达到遍历整个作业区域的目的。如图7所示，为无障碍时的牛耕算法全覆盖田间路径规划示意图。
当田间作业区域有障碍物或者边界不规则时，牛耕算法的全覆盖田间路径规划如图8所示，此时，规划的全覆盖路田间作业路径重复作业面积较大且转弯次数过多。为了解决此问题，本发明提出另外一种全覆盖路径规划算法，即基于改进遗传算法的全覆盖田间路径规划方法，以适应作业区域有障碍物或者边界不规则的情况。
由于遗传算法具有易于编码实现、全局寻优能力和扩展性强的特点，本发明将采用改进遗传算法作为求解全覆盖田间路径规划问题的基本模型。
Step2：基于相邻栅格的染色体编码方式
本发明的目的是对自由栅格进行全遍历，所遍历的顺序就是最终规划的全覆盖路径。采用10进制的编码方式，每条染色体表示一个可行解，对应本发明的一条全覆盖田间路径。
为了保证全遍历自由栅格，即对应的自由栅格需要在染色体中至少出现一次，而障碍物区域栅格则不能出现在染色体中。根据上图4所示的田间环境，随机生成的一条初始染色体chromosome如图9所示。
但是上述的染色体是一条非法的染色体，因为无人农机无法从编号1直接移动到编号8。所以需要对初始染色体进行调整，调整方法如下：
(1)若路径连续，则无需调整。
(2)若路径不连续，则需要在间隔路径中插入连续的自由栅格使其连续，插入方法是间隔栅格间最短的连续路径，同时删除初始染色体后面已经出现过的路径编号。求间隔路径间的最短路径属于多源路径问题，Dijkstra算法适用于求解从单源路径问题，A*算法求得路径可能不是最短路径，因此可以使用Floyd算法求得最短连续路径。重复上述过程，直至所有路径连续，至此生成一条合法的染色体。
图9所示的初始染色体调整过程如图10a～图10d所示，调整后的染色体chromosome′如图11所示。
Step3：生成初始种群
根据Step2基于相邻栅格的染色体编码方式，随机生成Q条染色体，作为初始种群。其特点是，每条染色体分为初始染色体和调整后的染色体两部分，初始染色体长度一致，用于交叉、变异等演化操作；调整后的染色体长度不一，每个基因位与其相邻基因位在田间栅格地图中连续相邻，代表一条可行的全覆盖路径。基于染色体对的初始种群如图12所示。在图12中，一共Q个染色体对。在每个染色体对中，包括一条初始染色体X，一条合法染色体Y。
Step4：构造基于多目标均衡准则的适应度函数
适应度函数是遗传算法迭代的依据，关系到结果的优劣和收敛速度。全覆盖路径规划的主要目标是在满足自由栅格全覆盖的情况下尽可能减少转弯和掉头次数，因为转弯或掉头会产生减速-再加速的过程，这会额外增加农机能耗。但实际情况下往往为减少重复作业面积而增加转弯次数或掉头次数，或者为减少转弯次数或掉头次数而增加重复作业面积，所以为了均衡掉头次数、转弯次数和重复作业面积三个规划目标，本发明提出基于多目标均衡准则的适应度函数，其定义如下：
Figure SMS_31
其中，f(i)表示第i条染色体的适应度值，w1(i)、w2(i)和w3(i)分别表示第i条染色体的重复作业面积、转弯次数和掉头次数的权重系数，
Figure SMS_32
和
Figure SMS_33
分别表示第i条染色体的重复作业面积、转弯次数和掉头次数的计算函数。
由于田间掉头耗费最大，同时要尽量减少重复作业面积，因此设置w1(i)、w2(i)和w3(i)的初始权重值为0.3，0.2和0.5，然后采用权重系数自适应机制来保证三个目标的均衡性，其更新迭代公式如下：
Figure SMS_34
Figure SMS_35
Figure SMS_36
Figure SMS_37
Figure SMS_38
Figure SMS_39
Figure SMS_40
Figure SMS_41
Figure SMS_42
其中，
Figure SMS_45
和
Figure SMS_48
表示当代种群第i条染色体的权重系数，
Figure SMS_51
Figure SMS_44
和
Figure SMS_46
表示当代种群第i条染色体的权重系数，
Figure SMS_50
和
Figure SMS_52
分别表示当代种群第i条染色体的重复作业面积、转弯次数和掉头次数，
Figure SMS_43
Figure SMS_47
和
Figure SMS_49
分别表示当代种群中所有染色体重复作业面积、转弯次数和掉头次数的平均值。
根据染色体对中的Y染色体计算重复作业面积、转弯次数和掉头次数，其计算公式如下：
Figure SMS_53
Figure SMS_54
Figure SMS_55
Figure SMS_56
Figure SMS_57
其中，
Figure SMS_58
和
Figure SMS_59
分别表示第i条染色体的重复作业面积、转弯次数和掉头次数，||Yi||表示染色体Yi的长度，||set(Yi)||表示染色体Yi去除重复基因后的长度，％表示取余运算，orien(Yi[g])表示自动驾驶农机在栅格编号为Yi[g]处的移动方向，turn(g)和uturn(g)表示在栅格编号为Yi[g]处是否存在转弯、掉头行为。
Step5：选择操作
本发明采用轮盘赌方法作为选择算子，此算子对适应度低和适应度高的个体都会进行选择，保证种群的多样性，避免了算法陷入局部最优解。种群中每条染色体被选中的概率与其适应度的值成正比，则每条染色体被选中的概率为P(i)：
Figure SMS_60
染色体选择后生成的子代染色体需要按照Step1中的调整方法进行调整，以生成一条合法的可行全覆盖路径。
Step6：交叉操作
交叉操作是遗传算法演化的重要步骤之一，其思想是以较大概率在父代种群中随机选择两条染色体进行交叉操作，生成既具有父代特征又具有新的遗传特性的染色体，增强算法的寻优能力。
本发明采用单点交叉法进行交叉操作：在父代种群中随机选择两条染色体进行交叉，首先随机确定一个交叉点，然后在另一条染色体中删除交叉点前的所有基因，最后把剩余基因按序填充在交叉点后。交叉概率的取值范围一般设在0.5～1之间。交叉操作示意图如图13所示。
染色体交叉后生成的子代染色体需要按照Step1中的调整方法进行调整，以生成一条合法的可行全覆盖路径。
Step7：变异操作
变异操作是遗传算法演化的重要步骤之一，其思想是以较小概率在父代种群中随机选择一条染色体进行变异操作，生成具有新遗传信息的子代染色体，有效避免算法过早收敛。
本发明采用基本位变异法进行变异操作：在父代种群中随机选择一条染色体，首先随机确定两点作为基因突变点，然后互换两个基因位。变异概率的取值范围一般设在0.001～0.1之间。变异操作示意图如图14所示。
染色体变异后生成的子代染色体需要按照Step1中的调整方法进行调整，以生成一条合法的可行全覆盖路径。
Step8：终止条件
遗传算法通常有两种终止方式，一种是遗传代数，另一种是结果稳定。遗传代数是指设定一个最大迭代次数T，当达到最大迭代次数T时终止算法并输出最优解；结果稳定是指设定一个稳定整数M，当适应度值连续M次未发生变化或与最优解的差值小于δ时终止算法并输出最优解。本文结合两种终止算法的优势，首先设定一个合理的迭代次数T＝1000，同时当算法长期趋于稳定δ＝0.01时则提前终止算法并输出最优解。
Step9：解码输出
本发明综合考虑重复作业面积和转弯次数，提出了基于改进遗传算法的全覆盖田间路径规划方法，在均衡两者的同时使得重复作业面积少、转弯次数少。算法迭代结束后将末代种群中适应度最高的染色体输出进行解码，如图15所示为最优染色体。
根据Step1中染色体调整方法，由于最优染色体满足两两基因相邻，无需进行调整，解码后其对应的全覆盖路径规划如图16所示。
图8和图16分别为基于牛耕算法和基于改进遗传算法的全覆盖田间路径规划示意图，对比可知：当作业区域存在障碍物或者作业边界不规则时，牛耕算法的全覆盖作业效率较低，而此时应选择基于改进遗传算法的全覆盖田间路径规划方法以达到降低重复作业面积和作业次数的目的。
本发明还涉及一种基于改进遗传算法的全覆盖田间路径规划装置，该装置包括：田间环境地图构建模块和基于改进遗传算法的路径规划模块。
所述田间环境地图构建模块，用于采用栅格法构建田间环境地图；所述田间环境地图中的栅格分为不带障碍物的自由栅格和带障碍物的栅格两种。
所述基于改进遗传算法的路径规划模块，用于对田间环境地图中的自由栅格进行染色体编码，根据染色体编码后的田间环境地图，随机生成若干条初始染色体；还用于对初始染色体进行调整，使染色体路径为最短连续路径，得到合法染色体；初始染色体和与其对应的合法染色体结合生成染色体对，将各染色体对作为当代种群，利用当代种群进行迭代；还用于构造基于多目标均衡准则的适应度函数，利用适应度函数分别求得当代种群中的各合法染色体的适应度；还用于对当代种群中的初始染色体进行演化，生成下一代种群，作为下次迭代的父代种群；还用于判定当前迭代次数是否到达设定的最大迭代次数或者当代种群中合法染色体的适应度是否均在设定的阈值范围内；若是，则将当代种群中适应度最高的染色体输出并进行解码，得到全覆盖路径；若否，则迭代次数加1，进行下一次迭代。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的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。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (10)

1.一种基于改进遗传算法的全覆盖田间路径规划方法，其特征在于：该方法包括以下步骤：
S1、采用栅格法构建田间环境地图；所述田间环境地图中的栅格分为不带障碍物的自由栅格和带障碍物的栅格两种；
S2、对田间环境地图中的自由栅格进行染色体编码，根据染色体编码后的田间环境地图，随机生成若干条初始染色体；
S3、对初始染色体进行调整，使染色体路径为最短连续路径，得到合法染色体；初始染色体和与其对应的合法染色体结合生成染色体对，将各染色体对作为当代种群，利用当代种群进行迭代；
S4、构造基于多目标均衡准则的适应度函数，利用适应度函数分别求得当代种群中各合法染色体的适应度；
S5、对当代种群中的初始染色体进行演化，生成下一代种群，作为下次迭代的父代种群；
S6、判定是否结束本次迭代，若是，则将当代种群中适应度最高的染色体输出并进行解码，得到全覆盖路径；若否，则迭代次数加1，并返回执行步骤S3，进行下一次迭代。
2.根据权利要求1所述的一种基于改进遗传算法的全覆盖田间路径规划方法，其特征在于：所述采用栅格法构建田间环境地图，包括：
S11、根据农田形状将农田划分为若干面积相等的方格，并对田间存在的障碍物进行标记；带有障碍物的方格为障碍物栅格，没有障碍物的方格为自由栅格；
S12、当农田边界不规则或田间存在障碍物时，对农田边界或障碍物边界进行膨胀处理，补充成规则的边界或边界规则的障碍物，得到膨胀后量化的田间栅格地图；
S13、对膨胀后量化的田间栅格地图进行标记，得到田间环境地图。
3.根据权利要求2所述的一种基于改进遗传算法的全覆盖田间路径规划方法，其特征在于：所述对初始染色体进行调整，使染色体的路径为最短连续路径，得到合法染色体，包括：
S31、若初始染色体的路径连续，则无需调整；
S32、若初始染色体的路径不连续，则在间隔路径之间插入最短连续路径，并将初始染色体在间隔路径之后重复出现过的路径编号删除，重复上述过程，直至所有路径连续，至此生成一条合法染色体；所述最短连续路径使用Floyd算法求得。
4.根据权利要求1所述的一种基于改进遗传算法的全覆盖田间路径规划方法，其特征在于：所述构造基于多目标均衡准则的适应度函数，包括：
S41、采用以下公式求得当代种群中第i条合法染色体的重复作业面积、转弯次数和掉头次数：
Figure FDA0003821516900000021
Figure FDA0003821516900000022
Figure FDA0003821516900000023
Figure FDA0003821516900000024
Figure FDA0003821516900000025
其中，
Figure FDA0003821516900000026
和
Figure FDA0003821516900000027
分别表示第i条合法染色体的重复作业面积、转弯次数和掉头次数，||Yi||表示合法染色体Yi的长度，||set(Yi)||表示合法染色体Yi去除重复基因后的长度，％代表取余运算，orien(Yi[g])表示自动驾驶农机在栅格编号为Yi[g]处的移动方向，turn(g)和uturn(g)表示在栅格编号为Yi[g]处是否存在转弯、掉头行为；
S42、根据当代种群中第i条合法染色体的重复作业面积、转弯次数和掉头次数，采用下式求得相应的权重系数w1(i)、w2(i)和w3(i)：
Figure FDA0003821516900000028
Figure FDA0003821516900000031
Figure FDA0003821516900000032
Figure FDA0003821516900000033
Figure FDA0003821516900000034
Figure FDA0003821516900000035
Figure FDA0003821516900000036
Figure FDA0003821516900000037
Figure FDA0003821516900000038
其中，
Figure FDA0003821516900000039
和
Figure FDA00038215169000000310
表示当代种群第i条合法染色体的权重系数，
Figure FDA00038215169000000311
Figure FDA00038215169000000312
和
Figure FDA00038215169000000313
表示当代种群中第i条合法染色体的权重系数，
Figure FDA00038215169000000314
和
Figure FDA00038215169000000315
分别表示当代种群中第i条合法染色体的重复作业面积、转弯次数和掉头次数，
Figure FDA00038215169000000316
和
Figure FDA00038215169000000317
分别表示当代种群中所有染色体的重复作业面积、转弯次数和掉头次数的平均值；
S43、根据当代种群中第i条合法染色体的权重系数和重复作业面积、转弯次数和掉头次数，确定适应度函数如下所示：
Figure FDA00038215169000000318
其中，f(i)表示第i条合法染色体的适应度值，w1(i)、w2(i)和w3(i)分别表示第i条合法染色体的重复作业面积、转弯次数和掉头次数的权重系数，
Figure FDA00038215169000000319
Figure FDA0003821516900000041
和
Figure FDA0003821516900000042
分别表示第i条合法染色体的重复作业面积、转弯次数和掉头次数的计算函数。
5.根据权利要求4所述的一种基于改进遗传算法的全覆盖田间路径规划方法，其特征在于：所述演化包括选择操作、交叉操作和变异操作。
6.根据权利要求5所述的一种基于改进遗传算法的全覆盖田间路径规划方法，其特征在于，所述选择操作的具体过程为：
采用轮盘赌方法作为选择算子，种群中每条染色体被选中的概率与其适应度的值成正比，每条染色体被选中的概率为P(i)：
Figure FDA0003821516900000043
染色体选择后生成的子代染色体需要按照步骤S3中的调整方法进行调整，使染色体路径为最短连续路径，以生成一条合法的可行全覆盖路径。
7.根据权利要求5所述的一种基于改进遗传算法的全覆盖田间路径规划方法，其特征在于，所述交叉操作的具体过程为：
采用单点交叉法进行交叉操作，在当代种群中随机选择两条染色体进行交叉，首先随机确定一个交叉点，然后在另一条染色体中删除交叉点前的所有基因，最后把剩余基因按序填充在交叉点后；染色体交叉后生成的子代染色体按照步骤S3中的调整方法进行调整，使染色体路径为最短连续路径，以生成一条合法的可行全覆盖路径。
8.根据权利要求5所述的一种基于改进遗传算法的全覆盖田间路径规划方法，其特征在于，所述变异操作的具体过程为：
采用基本位变异法进行变异操作，在当代种群中随机选择一条染色体，首先随机确定两点作为基因突变点，然后互换两个基因位；染色体变异后生成的子代染色体需要按照步骤S3中的调整方法进行调整，使染色体路径为最短连续路径，以生成一条合法的可行全覆盖路径。
9.根据权利要求1所述的一种基于改进遗传算法的全覆盖田间路径规划方法，其特征在于，所述判断是否结束本次迭代，包括：
判断当前迭代次数是否到达设定的最大迭代次数或者当代种群中合法染色体的适应度是否均在设定的阈值范围内。
10.一种基于改进遗传算法的全覆盖田间路径规划装置，其特征在于：该装置包括：田间环境地图构建模块和基于改进遗传算法的路径规划模块；
所述田间环境地图构建模块，用于采用栅格法构建田间环境地图；所述田间环境地图中的栅格分为不带障碍物的自由栅格和带障碍物的栅格两种；
所述基于改进遗传算法的路径规划模块，用于对田间环境地图中的自由栅格进行染色体编码，根据染色体编码后的田间环境地图，随机生成若干条初始染色体；还用于对初始染色体进行调整，使染色体路径为最短连续路径，得到合法染色体，初始染色体和与其对应的合法染色体结合生成染色体对，将各染色体对作为当代种群，利用当代种群进行迭代；还用于构造基于多目标均衡准则的适应度函数，利用适应度函数分别求得当代种群中各合法染色体的适应度；还用于对当代种群中的初始染色体进行演化，生成下一代种群，作为下次迭代的父代种群；还用于判定是否结束本次迭代，若是，则将当代种群中适应度最高的染色体输出并进行解码，得到全覆盖路径；若否，则迭代次数加1，进行下一次迭代。
CN202211043439.3A 2021-12-24 2022-08-29 一种基于改进遗传算法的全覆盖田间路径规划方法及装置 Pending CN116050682A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111594361X 2021-12-24
CN202111594361 2021-12-24

Publications (1)

Publication Number Publication Date
CN116050682A true CN116050682A (zh) 2023-05-02

Family

ID=86124272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211043439.3A Pending CN116050682A (zh) 2021-12-24 2022-08-29 一种基于改进遗传算法的全覆盖田间路径规划方法及装置

Country Status (1)

Country Link
CN (1) CN116050682A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117592633A (zh) * 2024-01-18 2024-02-23 深圳金智凌轩视讯技术有限公司 一种智慧巡检优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117592633A (zh) * 2024-01-18 2024-02-23 深圳金智凌轩视讯技术有限公司 一种智慧巡检优化方法
CN117592633B (zh) * 2024-01-18 2024-03-26 深圳金智凌轩视讯技术有限公司 一种智慧巡检优化方法

Similar Documents

Publication Publication Date Title
CN110530388B (zh) 多agv的路径规划方法及系统
CN110160546B (zh) 一种移动机器人路径规划方法
CN113703450B (zh) 基于平滑因素改进蚁群算法的移动机器人路径规划方法
CN110345960B (zh) 一种规避交通障碍的路线规划智能优化方法
CN114706400B (zh) 一种越野环境下基于改进的a*算法的路径规划方法
CN112666957A (zh) 一种基于改进蚁群算法的水下机器人路径规划方法
CN115509239B (zh) 一种基于空地信息共享的无人车路径规划方法
CN116050682A (zh) 一种基于改进遗传算法的全覆盖田间路径规划方法及装置
CN114815802A (zh) 一种基于改进蚁群算法的无人天车路径规划方法和系统
CN116772880B (zh) 一种基于无人机视觉的无人车路径规划方法
CN113283827A (zh) 一种基于深度强化学习的两阶段无人机物流路径规划方法
CN114578845B (zh) 一种基于改进蚁群算法的无人机航迹规划方法
CN114625137A (zh) 一种基于agv的智能停车路径规划方法及系统
CN114545921A (zh) 一种基于改进rrt算法的无人汽车路径规划算法
CN117387619A (zh) 一种基于融合改进蚁群和遗传算法的路径规划方法
CN112539751A (zh) 一种机器人路径规划方法
CN110750095A (zh) 一种基于5g通讯的机器人集群运动控制优化方法及系统
CN114415668B (zh) 基于扩展视野自适应蚁群算法的移动机器人路径规划方法
CN109141438B (zh) 一种叉车全局路径规划方法
CN112148030B (zh) 一种基于启发式算法的水下滑翔机路径规划方法
Sun Path Planning of Mobile Robot Based on Improved Ant Colony Algorithm
Huang et al. AGV Path Planning Based on Improved Genetic Algorithm
Chu et al. Unmanned Vehicle Path Planning based on Improved Ant Colony Algorithm
He et al. Optimal Path Planning for Underwater Robots Based on Improved Ant Colony Algorithm
CN117387628B (zh) 一种基于有向质点蚁群的水下机器人路径规划方法及设备

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