CN116257049A - 基于优化烟花算法的多智能体路径规划方法及装置 - Google Patents
基于优化烟花算法的多智能体路径规划方法及装置 Download PDFInfo
- Publication number
- CN116257049A CN116257049A CN202111503733.3A CN202111503733A CN116257049A CN 116257049 A CN116257049 A CN 116257049A CN 202111503733 A CN202111503733 A CN 202111503733A CN 116257049 A CN116257049 A CN 116257049A
- Authority
- CN
- China
- Prior art keywords
- path
- fireworks
- collision
- sparks
- firework
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004880 explosion Methods 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005474 detonation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 claims 22
- 239000000758 substrate Substances 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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
本申请公开了一种基于优化烟花算法的多智能体路径规划方法及装置。该方法包括:针对每一个智能体初始化N个烟花,计算每一个烟花的适应度,适应度与路径长度、路径碰撞风险度、智能体间碰撞风险度、路径平滑度相关;保存N个烟花中适应度最小的一个烟花作为最优烟花;计算每一个烟花的路径碰撞程度,选择路径碰撞程度为0且适应度最小的Na个烟花;生成爆炸火花、高斯变异火花以及差分进化火花,计算每个火花的适应度;从Na个烟花、爆炸火花、高斯变异火花、以及差分进化火花中选择N‑1个个体,将这N‑1个个体和最优烟花作为下一次迭代的烟花;不断执行上述迭代操作直至达到最大迭代次数,将最终的最优烟花作为对应智能体的全局最优路径。
Description
技术领域
本申请涉及人工智能技术领域,特别涉及一种基于优化烟花算法的多智能体路径规划方法及装置。
背景技术
无人机、无人艇和水下UUV等多智能体无人平台通过协同方式完成既定任务是未来智能化作战的主要作战样式,可有效弥补单个智能体无法独立完成复杂任务的缺陷,同时缩短执行任务的时间,提高解决方案的有效性与鲁棒性。多智能体路径规划(Multi-Agent Path Finding,MAPF)则是多智能体协同技术的一个主要研究方向,旨在为每个智能体规划出一条满足目标要求的有效路径。MAPF要求工作环境中的信息全部已知,而且在智能体移动的过程中环境信息保持不变,它是单智能体路径规划的发展与衍生,可定义为寻找多个智能体从起始点到目标点且无冲突的最优路径集合的问题。与单智能体全局路径规划不同的是,多智能体系统中的智能体间涉及到“协调”与“合作”,所以进行多智能体规划路径时,不仅要考虑路径平滑程度、智能体与障碍间的距离,还应该考虑智能体自身之间的碰撞问题。因此,对于MAPF任务而言,其中为每个智能体规划的路径未必是最优的,但是对于整个MAPF系统而言是较优的。
群智能优化算法通过模拟自然界中生物种群的生理机制,捕捉群体所呈现的智能涌现行为而获得强大的搜索能力,因此群智能优化算法在实现多智能体路径规划方面具有很强的适应性。
发明内容
本申请提供了一种基于优化烟花算法的多智能体路径规划方法及装置,以采用一种改进的烟花算法实现多智能体全局路径规划。
本申请的技术方案如下:
一方面,提供了一种基于优化烟花算法的多智能体路径规划方法,该方法包括:
步骤1:初始化迭代次数t=1,针对每一个智能体初始化N个烟花,一个烟花为一条路径;计算N个烟花中每一个烟花的适应度;其中,适应度与路径长度、路径碰撞风险度、智能体间碰撞风险度、以及路径平滑度相关;
步骤2:保存N个烟花中适应度最小的一个烟花作为最优烟花;
步骤3:计算N个烟花中每一个烟花的路径碰撞程度,选择路径碰撞程度为0且适应度最小的Na个烟花,其中Na<N,路径碰撞程度为0表示路径与所有障碍物均不存在碰撞情况;
步骤4:对Na个烟花进行爆炸生成爆炸火花,计算每个爆炸火花的适应度;对Na个烟花进行高斯变异生成高斯变异火花,计算每个高斯变异火花的适应度;
步骤5:生成随机数ξ,若ξ大于预设阈值,则从Na个烟花中任意选择两个烟花,若ξ不大于预设阈值,则从N个烟花中任意选择两个烟花,对选中的两个烟花进行差分进化运算生成差分进化火花,计算差分进化火花的适应度,其中,ξ∈[0,1],预设阈值属于(0,1);
步骤6:从由Na个烟花、爆炸火花、高斯变异火花、以及差分进化火花组成的候选集合中选择N-1个个体,将选中的N-1个个体和保存的最优烟花作为下一次迭代的烟花;
步骤7:令t=t+1,判断t是否大于最大迭代次数,若不大于,则返回步骤2执行下一次的迭代操作,若大于,则将最终的最优烟花作为对应智能体的全局最优路径。
另一方面,还提供了一种基于优化烟花算法的多智能体路径规划装置,该装置包括:
初始化模块,用于初始化迭代次数t=1,针对每一个智能体初始化N个烟花,一个烟花为一条路径;
计算模块,用于计算N个烟花中每一个烟花的适应度;其中,适应度与路径长度、路径碰撞风险度、智能体间碰撞风险度、以及路径平滑度相关;还用于计算N个烟花中每一个烟花的路径碰撞程度,选择路径碰撞程度为0且适应度最小的Na个烟花,其中Na<N,路径碰撞程度为0表示路径与所有障碍物均不存在碰撞情况;还用于计算每个爆炸火花的适应度,计算每个高斯变异火花的适应度,计算差分进化火花的适应度;
保存模块,用于保存N个烟花中适应度最小的一个烟花作为最优烟花;
生成模块,用于对Na个烟花进行爆炸生成爆炸火花,对Na个烟花进行高斯变异生成高斯变异火花;还用于生成随机数ξ,若ξ大于预设阈值,则从Na个烟花中任意选择两个烟花,若ξ不大于预设阈值,则从N个烟花中任意选择两个烟花,对选中的两个烟花进行差分进化运算生成差分进化火花,其中,ξ∈[0,1],预设阈值属于(0,1);
选择模块,用于从由Na个烟花、爆炸火花、高斯变异火花、以及差分进化火花组成的候选集合中选择N-1个个体,将选中的N-1个个体和保存的最优烟花作为下一次迭代的烟花;
判断模块,用于令t=t+1,判断t是否大于最大迭代次数,若不大于,则指令计算模块、保存模块、生成模块、选择模块执行下一次的迭代操作,若大于,则将最终的最优烟花作为对应智能体的全局最优路径。
在本申请的技术方案中,对多智能体协同路径规划问题进行了深入分析,采用烟花算法对多智能体进行全局路径规划,并且对传统烟花算法进行了优化改进,建立了多智能体协同路径规划性能指标,在传统烟花算法的基础上增加了差分进化火花,对多智能体协同路径进行最优化求解,以解决基于演化算法的多智能体协同路径规划问题求解。该方法有效提高了多智能体路径规划的全局收敛鲁棒性和路径搜索能力,并且提高了每次迭代的种群多样性和算法多样性,防止算法陷入局部最优解,提高了多智能体路径规划的性能。
附图说明
图1是本发明实施例的基于优化烟花算法的多智能体路径规划方法的流程图;
图2是本发明实施例的多智能体路径规划结果实例图;
图3是本发明实施例的基于优化烟花算法的多智能体路径规划装置的结构示意图;
图4是本发明另一实施例的基于优化烟花算法的多智能体路径规划装置的结构示意图。
具体实施方式
为了解决现有技术存在的问题,本申请以下实施例中提供了一种基于优化烟花算法的多智能体路径规划方法及装置。
近年来,群体智能算法得到了长足的发展。群体智能指由大量简单个体组成的群体所呈现出的智能涌现行为,采用多个个体间相互协作与竞争的方式对解空间进行并行搜索,具有单个个体没有的搜索能力。烟花算法(Fireworks A1gorithm,FWA)是受到夜空中烟花爆炸的启发而提出的一种群体智能算法。本发明实施例采用一种改进的烟花算法实现多智能体全局路径规划,通过建立多智能体协同路径规划性能指标,并在传统烟花算法的基础上增加了差分进化爆炸火花,对多智能体协同路径进行最优化求解,提高了多智能体路径规划的全局收敛鲁棒性和路径搜索能力,并且提高了算法的多样性,防止算法陷入局部最优解。本发明实施例的方法能够充分发挥群体智能算法的强大寻优能力来实现多智能体全局路径规划。
对多智能体进行路径规划时涉及到工作环境建模、路径规划方法、协调策略三方面。对工作环境进行建模时运用旋转坐标系的方法对工作环境进行降维处理。
建立多智能体路径规划的评价性能指标。为了保证路径的安全,运用路径碰撞程度和目标优化模型来选择最优路径。同时对G个智能体进行路径规划,已知工作环境中存在H个障碍物。一条路径为P={pS,p1,p2,...,pi,...,pD,pT},pS和pT分别表示路径P的起始点和目标点的坐标,pi表示路径P在维度i上的点坐标,i=1,2,...,D,pi=(xi,yi)。路径中相邻两个点组成一个路径段,则路径P上的点可组成D+1个路径段。
(1)基本约束条件:碰撞程度cv
多智能体路径规划要求智能体从起始点安全地到达目标点,智能体在某一路径上不得与任何障碍物和其他智能体发生碰撞,如果发生碰撞认为该路径不可行。为了保障路径安全,引入碰撞程度cv,其大小是判断路径是否优秀的先决条件。
cvj,k表示第j个路径段与第k个障碍物的碰撞程度,其取值为0或1,cvj,k=0表示未发生碰撞,cvj,k=1表示发生了碰撞。任意一条完整路径的碰撞程度cv如(式1)所示。cv的值越大说明路径与较多的障碍物发生碰撞,该路径越危险。当cv=0时,说明该路径与所有障碍物均不存在任何碰撞情况,该路径安全。
(2)路径长度Flength
要求在保证路径安全的前提下可以达到最短长度,此时引入路径长度函数Flength,计算公式如下:
可见,路径长度Flength为路径上所有路径段长度的总和。
(3)路径碰撞风险度Fsafe,ob
为了保障路径的安全性,引入路径碰撞风险度Fsafe,ob。运用高斯模型建立碰撞风险函数,计算公式如下:
其中,pobs,k表示第k个障碍物的坐标,Rk表示第k个障碍物的最大影响范围;ρ、B为参数,用于决定障碍物的影响范围;在实际应用中,可以设定Rk=1.5×Rrobot,Rrobot为智能体的半径。
(4)智能体间碰撞风险度Fsafe,ro
本发明实施例通过长度和运行时间两个因素判断智能体间是否存在碰撞问题。判断任意两个路径间有没有碰撞风险,如果有碰撞风险,则计算智能体运行到碰撞点的时间是否相同,如果不同则智能体间不产生碰撞。令G个智能体的速度均相同。Fsafe,ro为任意两个智能体间的碰撞风险度,当任意两个智能体的路径存在相交情况时,即智能体a的第ma个路径段与智能体b的第nb个路径段存在相交情况,相交点分别为p’ma,a和p’nb,b,则将Fsafe,ro计算公式定义如下:
其中,dpo,a和dpo,b分别表示智能体a和智能体b从起始点到交点的路径长度,v为智能体的运行速度,a≠b。
(5)路径平滑度Fsmooth
路径平滑度往往与路径长度有关,路径长度越短,Fsmooth越小,路径越平滑。在路径安全的前提下,智能体的路径越平滑,路径性能就越好。引入路径平滑度函数Fsmooth来评价路径的平滑度,计算公式参见(式5)。
从(式5)可以看出,Fsmooth为路径的所有偏转角度的总和(偏转角度∈(0,π))。
(6)目标优化模型:适应度函数F
运用加权法平衡路径长度、路径碰撞风险度、路径平滑度、智能体碰撞风险度这四个性能指标,如(式6)所示。其中,权重系数w1、w2、w3、w4的取值属于[0,1],且w1+w2+w3+w4=1。
F=w1×Flength+w2×Fsafe,ob+w3×Fsafe,ro+w4×Fsmooth (式6)
后续,在采用改进的烟花算法进行多智能体路径规划时,通过路径碰撞程度cv和适应度函数F来为多智能体选择最优路径(即最优烟花)。
烟花算法通过计算适应度值来判断个体的好坏。首先随机生成初始种群,然后按照进化规则生成新一代群体,最后判断个体适应度值大小,通过保留优秀的个体(适应度值较好)、淘汰较差的个体(适应度值较差)来引导个体向最优解逼近。烟花算法主要依靠爆炸生成火花来对周围空间进行搜索,所以火花的多样性对烟花算法很重要。基于差分进化中的变异操作可以生成多样性较高的个体,引入差分进化爆炸火花可以提升爆炸火花的多样性。
如图1所示,本发明实施例的基于优化烟花算法的多智能体路径规划包括以下步骤:
建立以起始点为原点,以起始点与目标点之间的直线为X′轴,以垂直于X′轴的直线为Y′轴的新坐标系,对起始点、目标点和障碍物的坐标进行转换。运用D条平行直线簇将X′轴垂直平分成D+1段,每段的距离为Δl=||pT-ps||/(D+1)。
步骤S101,初始化迭代次数t=1,初始化最大迭代次数iter,针对G个智能体中的每一个智能体初始化一组烟花,每组包含N个烟花(一个烟花为一条路径)。针对每一组烟花执行以下迭代操作:
步骤S102,计算每个烟花的路径长度、路径碰撞风险度、智能体间碰撞风险度、以及路径平滑度,并最终计算出烟花的适应度。每组中适应度最小的烟花为最优烟花,最优烟花的适应度为最优适应度值。
步骤S103,将最优烟花和最优烟花适应度值保存到对应的可行空间Set中。
其中,一个组对应于一个可行空间Set,不同组的可行空间Set相互独立。本发明实施例的改进烟花算法要从当前种群中选择个体进行变异操作,为了使火花更好的向全局最优位置靠近,建立可行空间Set,运用可行空间Set来存放优化过程中较优的路径,并在每次迭代完成时对可行空间Set进行更新。
步骤S104,计算每一个烟花的路径碰撞程度,选择路径碰撞程度为0且适应度最小的Na(Na<N)个烟花。
步骤S105,对Na个烟花进行爆炸生成爆炸火花,将超出边界的爆炸火花映射到新位置坐标,之后计算每个爆炸火花对应的路径长度、路径碰撞风险度、智能体间碰撞风险度、以及路径平滑度,最终计算得到爆炸火花的适应度。
具体的,在步骤S105中对Na个烟花进行爆炸生成爆炸火花的具体过程如下:
针对每个烟花Pi(i=1,2,...,Na)计算烟花Pi的爆炸火花数目Vi和爆炸半径Ai,Vi和Ai的计算公式如(式7)和(式8)所示;随机选择烟花Pi中的多个维度,计算每个维度对应的偏移量h,偏移量h的计算公式如(式9)所示;在不同维度上按照对应的偏移量对烟花Pi进行偏移,生成Vi个爆炸火花。
其中,F(Pi)表示烟花Pi的适应度,ymin和ymax分别表示N个烟花中适应度最小值和最大值;Q和M均为常数,Q用于调整爆炸半径大小,M用于调整火花数量;ε是一个用于避免除零操作的参数。
h=Ai×U(-1,1) (式9)
其中,U(-1,1)为-1到1之间的随机数。
在步骤S105中,可以按照(式10)将超出边界的爆炸火花映射到新位置坐标:
p′z=pL,z+|pz|%(pU,z-pL,z) (式10)
其中,pz表示火花在维度z上的点坐标,p′z表示映射后的火花在维度z上的新坐标,pL,z和pU,z分别表示解空间在维度z上的下边界和上边界。
步骤S106,对Na个烟花进行高斯变异生成高斯变异火花,将超出边界的高斯变异火花映射到新位置坐标,之后计算每个高斯变异火花对应的路径长度、路径碰撞风险度、智能体间碰撞风险度、以及路径平滑度,最终计算得到高斯变异火花的适应度。
具体的,在步骤S106中,对Na个烟花进行高斯变异生成高斯变异火花的过程如下:针对每一个烟花Pi,随机选择烟花Pi中的多个维度,按照(式11)计算每个维度对应的变异概率u;在不同维度上按照对应的变异概率对烟花Pi进行高斯变异,生成多个高斯变异火花。
为了增加算法的多样性,同时降低规划时间,运用碰撞程度cv计算变异概率u,公式如下:
其中,cv(Pi)表示烟花Pi的路径碰撞程度。
在步骤S106中,可以按照上面的(式10)将超出边界的高斯变异火花映射到新位置坐标,这里不再赘述。
步骤S107,生成随机数ξ,判断ξ是否大于预设阈值,若大于,则执行步骤S108,否则,执行步骤S109;
其中,ξ∈[0,1],预设阈值属于(0,1)。在实际实施时,预设阈值可以为0.5。
步骤S108,从Na个烟花中任意选择两个烟花,之后执行步骤S110。
步骤S109,从N个烟花中任意选择两个烟花,之后执行步骤S110。
步骤S110,对选中的两个烟花进行差分进化运算得到差分进化火花,计算该差分进化火花的适应度。
具体的,可以按照(式12)对两个烟花Prand1和Prand2进行差分进化运算得到差分进化火花P′:
P′=Ppbest+w×(Prand1+Prand2) (式12)
其中,w为缩放因子,w∈[0,1],Pbest表示本次迭代中的最优烟花。
步骤S111,将Na个烟花、爆炸火花、高斯变异火花和差分进化火花组成候选集合,采用轮盘赌的方法从候选集合中选择N-1个个体(烟花或火花),将这N-1个个体和保存的最优烟花一起(共N个)作为下一次迭代的烟花。令t=t+1。
步骤S112,判断是否满足t>iter,若不满足,则将下一次迭代的烟花返回步骤S103执行下一次的迭代操作;如果满足,则执行步骤S113。
步骤S113,认为运算结束,输出最后一次迭代中的最优烟花。
在第一次迭代(t=1)中,在可行空间Set中保存第一次迭代的最优烟花,在后续的迭代(1<t≤iter)操作中,将可行空间Set中保存的最优烟花更新为最新的最优烟花。
之后,将最终输出的G个最优烟花转换到原始X-O-Y坐标系中,作为对应智能体的全局最优路径。
按照本发明实施例的基于优化烟花算法的多智能体路径规划方法,对工作环境中的三个智能体Agent1、Agent2、Agent3进行了全局路径规划,最终的路径规划结果如图2所示。
基于上述实施例的多智能体路径规划方法,本发明实施例中还提供了一种基于优化烟花算法的多智能体路径规划装置。如图3所示,该装置中包括以下模块:初始化模块301、计算模块302、保存模块303、生成模块304、选择模块305、判断模块306,其中:
初始化模块301,用于初始化迭代次数t=1,针对每一个智能体初始化N个烟花,一个烟花为一条路径;
计算模块302,用于计算N个烟花中每一个烟花的适应度;其中,适应度与路径长度、路径碰撞风险度、智能体间碰撞风险度、以及路径平滑度相关;还用于计算N个烟花中每一个烟花的路径碰撞程度,选择路径碰撞程度为0且适应度最小的Na个烟花,其中Na<N,路径碰撞程度为0表示路径与所有障碍物均不存在碰撞情况;还用于计算每个爆炸火花的适应度,计算每个高斯变异火花的适应度,计算差分进化火花的适应度;
保存模块303,用于保存N个烟花中适应度最小的一个烟花作为最优烟花;
生成模块304,用于对Na个烟花进行爆炸生成爆炸火花,对Na个烟花进行高斯变异生成高斯变异火花;还用于生成随机数ξ,若ξ大于预设阈值,则从Na个烟花中任意选择两个烟花,若ξ不大于预设阈值,则从N个烟花中任意选择两个烟花,对选中的两个烟花进行差分进化运算生成差分进化火花,其中,ξ∈[0,1],预设阈值属于(0,1);
选择模块305,用于从由Na个烟花、爆炸火花、高斯变异火花、以及差分进化火花组成的候选集合中选择N-1个个体,将选中的N-1个个体和保存的最优烟花作为下一次迭代的烟花;
判断模块306,用于令t=t+1,判断t是否大于最大迭代次数,若不大于,则指令计算模块302、保存模块303、生成模块304、选择模块305执行下一次的迭代操作,若大于,则将最终的最优烟花作为对应智能体的全局最优路径。
在一种实施例中,路径p={pS,p1,p2,...,pi,...,pD,pT},pS和pT分别表示路径P的起始点和目标点的坐标,pi表示路径P在维度i上的点坐标,i=1,2,...,D,路径中相邻两个点组成一个路径段,路径P上包含D+1个路径段,则路径碰撞程度cv的计算公式如下:
在一种实施例中,计算模块302按照以下公式计算适应度F:
F=w1×Flength+w2×Fsafe,ob+w3×Fsafe,ro+w4×Fsmooth;
其中,Flength表示路径长度、Fsafe,ob表示路径碰撞风险度、Fsafe,ro表示智能体间碰撞风险度、Fsmooth表示路径平滑度,w1、w2、w3、w4为权重系数,w1∈[0,1]、w2∈[0,1]、w3∈[0,1]、w4∈[0,1],且w1+w2+w3+w4=1;
路径长度Flength为路径上所有路径段长度的总和;
其中,假设在同一时刻智能体a移动到第ma个路径段上的点/>智能体b移动到第nb个路径段上的点/>点/>与点重合;a≠b,dpo,a和dpo,b分别表示智能体a和智能体b从起始点到交点的路径长度,v为智能体的运行速度,G为智能体总数,G个智能体的运行速度相同;
路径平滑度Fsmooth为路径的所有偏转角度的总和。
在一种实施例中,计算模块302还用于在计算每个爆炸火花的适应度之前,按照以下公式将超出边界的爆炸火花映射到新位置坐标;在计算每个高斯变异火花的适应度之前,按照以下公式将超出边界的高斯变异火花映射到新位置坐标;
p′z=pL,z+|pz|%(pU,z-pL,z),其中,pz表示火花在维度z上的点坐标,p′z表示映射后的火花在维度z上的新坐标,pL,z和pU,z分别表示解空间在维度z上的下边界和上边界。
在一种实施例中,如图4所示,生成模块304具体包括以下单元:
第一计算单元3041,用于针对Na个烟花中的每一个烟花Pi,按照以下公式计算烟花Pi的爆炸火花数目Vi和爆炸半径Ai;
第二计算单元3042,用于随机选择烟花Pi中的多个维度,计算每个维度对应的偏移量h;
火花生成单元3043,用于在不同维度上按照对应的偏移量对烟花Pi进行偏移,生成Vi个爆炸火花;
h=Ai×U(-1,1),
其中,F(Pi)表示烟花Pi的适应度,ymin和ymax分别表示N个烟花中适应度最小值和最大值;Q为用于调整爆炸半径大小的常数,M为用于调整火花数量的常数,ε为用于避免除零操作的参数,U(-1,1)为-1到1之间的随机数。
在另一种实施例中,第二计算单元3042,还用于针对Na个烟花中的每一个烟花Pi,随机选择烟花Pi中的多个维度,按照以下公式计算每个维度对应的变异概率u;
火花生成单元3043,还用于在不同维度上按照对应的变异概率对烟花Pi进行高斯变异,生成多个高斯变异火花;
在又一种实施例中,火花生成单元3043,还用于按照以下公式对选中的两个烟花进行差分进化运算生成差分进化火花:
P′=Ppbest+w×(Prand1+Prand2),其中,P′表示差分进化火花,Prand1和Prand2表示选中的两个烟花,w为缩放因子,w∈[0,1],Pbest表示本次迭代中的最优烟花。
综上,本申请以上实施例可以达到以下技术效果:
将烟花算法这一群智能算法应用于解决多智能体路径规划中,并且对传统烟花算法进行了优化改进,建立了多智能体协同路径规划性能指标,在传统烟花算法的基础上增加了差分进化火花,对多智能体协同路径进行最优化求解,提高了多智能体路径规划的全局收敛鲁棒性和路径搜索能力,并且提高了算法的多样性,防止算法陷入局部最优解。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (10)
1.一种基于优化烟花算法的多智能体路径规划方法,其特征在于,所述方法包括:
步骤1:初始化迭代次数t=1,针对每一个智能体初始化N个烟花,一个烟花为一条路径;计算N个烟花中每一个烟花的适应度;其中,适应度与路径长度、路径碰撞风险度、智能体间碰撞风险度、以及路径平滑度相关;
步骤2:保存N个烟花中适应度最小的一个烟花作为最优烟花;
步骤3:计算N个烟花中每一个烟花的路径碰撞程度,选择路径碰撞程度为0且适应度最小的Na个烟花,其中Na<N,路径碰撞程度为0表示路径与所有障碍物均不存在碰撞情况;
步骤4:对Na个烟花进行爆炸生成爆炸火花,计算每个爆炸火花的适应度;对所述Na个烟花进行高斯变异生成高斯变异火花,计算每个高斯变异火花的适应度;
步骤5:生成随机数ξ,若ξ大于预设阈值,则从所述Na个烟花中任意选择两个烟花,若ξ不大于所述预设阈值,则从N个烟花中任意选择两个烟花,对选中的两个烟花进行差分进化运算生成差分进化火花,计算所述差分进化火花的适应度,其中,ξ∈[0,1],所述预设阈值属于(0,1);
步骤6:从由所述Na个烟花、所述爆炸火花、所述高斯变异火花、以及所述差分进化火花组成的候选集合中选择N-1个个体,将选中的N-1个个体和保存的最优烟花作为下一次迭代的烟花;
步骤7:令t=t+1,判断t是否大于最大迭代次数,若不大于,则返回步骤2执行下一次的迭代操作,若大于,则将最终的最优烟花作为对应智能体的全局最优路径。
3.根据权利要求2所述的方法,其特征在于,按照以下公式计算适应度F:
F=w1×Flength+w2×Fsafe,ob+w3×Fsafe,ro+w4×Fsmooth;
其中,Flength表示路径长度、Fsafe,ob表示路径碰撞风险度、Fsafe,ro表示智能体间碰撞风险度、Fsmooth表示路径平滑度,w1、w2、w3、w4为权重系数,w1∈[0,1]、w2∈[0,1]、w3∈[0,1]、w4∈[0,1],且w1+w2+w3+w4=1;
路径长度Flength为路径上所有路径段长度的总和;
其中,假设在同一时刻智能体a移动到第ma个路径段上的点/>智能体b移动到第nb个路径段上的点/>点/>与点/>重合;a≠b,dpo,a和dpo,b分别表示智能体a和智能体b从起始点到交点的路径长度,v为智能体的运行速度,G为智能体总数,G个智能体的运行速度相同;
路径平滑度Fsmooth为路径的所有偏转角度的总和。
4.根据权利要求1所述的方法,其特征在于,
在所述计算每个爆炸火花的适应度之前,还包括:按照以下公式将超出边界的爆炸火花映射到新位置坐标;
在所述计算每个高斯变异火花的适应度之前,还包括:按照以下公式将超出边界的高斯变异火花映射到新位置坐标;
p′z=pL,z+|pz|%(pU,z-pL,z),其中,pz表示火花在维度z上的点坐标,p′z表示映射后的火花在维度z上的新坐标,pL,z和pU,z分别表示解空间在维度z上的下边界和上边界。
7.根据权利要求1所述的方法,其特征在于,按照以下公式对选中的两个烟花进行差分进化运算生成差分进化火花:
P′=Ppbest+w×(Prand1+Prand2),其中,P′表示差分进化火花,Prand1和Prand2表示选中的两个烟花,w为缩放因子,w∈[0,1],Pbest表示本次迭代中的最优烟花。
8.一种基于优化烟花算法的多智能体路径规划装置,其特征在于,所述装置包括:
初始化模块,用于初始化迭代次数t=1,针对每一个智能体初始化N个烟花,一个烟花为一条路径;
计算模块,用于计算N个烟花中每一个烟花的适应度;其中,适应度与路径长度、路径碰撞风险度、智能体间碰撞风险度、以及路径平滑度相关;还用于计算N个烟花中每一个烟花的路径碰撞程度,选择路径碰撞程度为0且适应度最小的Na个烟花,其中Na<N,路径碰撞程度为0表示路径与所有障碍物均不存在碰撞情况;还用于计算每个爆炸火花的适应度,计算每个高斯变异火花的适应度,计算差分进化火花的适应度;
保存模块,用于保存N个烟花中适应度最小的一个烟花作为最优烟花;
生成模块,用于对Na个烟花进行爆炸生成爆炸火花,对所述Na个烟花进行高斯变异生成高斯变异火花;还用于生成随机数ξ,若ξ大于预设阈值,则从所述Na个烟花中任意选择两个烟花,若ξ不大于所述预设阈值,则从N个烟花中任意选择两个烟花,对选中的两个烟花进行差分进化运算生成差分进化火花,其中,ξ∈[0,1],所述预设阈值属于(0,1);
选择模块,用于从由所述Na个烟花、所述爆炸火花、所述高斯变异火花、以及所述差分进化火花组成的候选集合中选择N-1个个体,将选中的N-1个个体和保存的最优烟花作为下一次迭代的烟花;
判断模块,用于令t=t+l,判断t是否大于最大迭代次数,若不大于,则指令所述计算模块、所述保存模块、所述生成模块、所述选择模块执行下一次的迭代操作,若大于,则将最终的最优烟花作为对应智能体的全局最优路径。
10.根据权利要求9所述的装置,其特征在于,按照以下公式计算适应度F:
F=w1×Flength+w2×Fsafe,ob+w3×Fsafe,ro+w4×Fsmooth;
其中,Flength表示路径长度、Fsafe,ob表示路径碰撞风险度、Fsafe,ro表示智能体间碰撞风险度、Fsmooth表示路径平滑度,w1、w2、w3、w4为权重系数,w1∈[0,1]、w2∈[0,1]、w3∈[0,1]、w4∈[0,1],且w1+w2+w3+w4=1;
路径长度Flength为路径上所有路径段长度的总和;
其中,假设在同一时刻智能体a移动到第ma个路径段上的点/>智能体b移动到第nb个路径段上的点/>点/>与点/>重合;a≠b,dpo,a和dpo,b分别表示智能体a和智能体b从起始点到交点的路径长度,v为智能体的运行速度,G为智能体总数,G个智能体的运行速度相同;
路径平滑度Fsmooth为路径的所有偏转角度的总和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111503733.3A CN116257049A (zh) | 2021-12-10 | 2021-12-10 | 基于优化烟花算法的多智能体路径规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111503733.3A CN116257049A (zh) | 2021-12-10 | 2021-12-10 | 基于优化烟花算法的多智能体路径规划方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116257049A true CN116257049A (zh) | 2023-06-13 |
Family
ID=86683050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111503733.3A Pending CN116257049A (zh) | 2021-12-10 | 2021-12-10 | 基于优化烟花算法的多智能体路径规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116257049A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757243A (zh) * | 2023-06-27 | 2023-09-15 | 哈尔滨工程大学 | 基于混沌Levy多目标烟花算法的多任务分配方法 |
-
2021
- 2021-12-10 CN CN202111503733.3A patent/CN116257049A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757243A (zh) * | 2023-06-27 | 2023-09-15 | 哈尔滨工程大学 | 基于混沌Levy多目标烟花算法的多任务分配方法 |
CN116757243B (zh) * | 2023-06-27 | 2024-01-23 | 哈尔滨工程大学 | 基于混沌Levy多目标烟花算法的多任务分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhen et al. | Rotary unmanned aerial vehicles path planning in rough terrain based on multi-objective particle swarm optimization | |
CN112677153B (zh) | 一种改进的rrt算法及工业机器人路径避障规划方法 | |
CN109597425B (zh) | 基于强化学习的无人机导航和避障方法 | |
CN107883961A (zh) | 一种基于Smooth‑RRT算法的水下机器人路径优化方法 | |
CN113159432A (zh) | 一种基于深度强化学习的多智能体路径规划方法 | |
CN110471419B (zh) | 一种基于差分进化烟花算法的多机器人协同路径规划方法 | |
CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
Bai et al. | Adversarial examples construction towards white-box q table variation in dqn pathfinding training | |
CN112947594B (zh) | 一种面向无人机的航迹规划方法 | |
CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
CN116128095B (zh) | 一种地空无人平台作战效能评估方法 | |
CN116225066A (zh) | 一种基于混沌映射鹈鹕优化算法的无人机路径优化方法 | |
CN114077256A (zh) | 一种水上无人船路径规划方法 | |
CN116257049A (zh) | 基于优化烟花算法的多智能体路径规划方法及装置 | |
CN110530373A (zh) | 一种机器人路径规划方法、控制器及系统 | |
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 | |
CN116011691A (zh) | 一种针对最优路径规划的分布式反馈混联注意力网络模型 | |
CN111482969A (zh) | 一种基于bas算法的六自由度偏置机器人逆解方法 | |
Huang et al. | The USV path planning based on an improved DQN algorithm | |
CN115826591B (zh) | 一种基于神经网络估计路径代价的多目标点路径规划方法 | |
CN116048126A (zh) | 一种基于abc快速收敛的无人机实时路径规划方法 | |
CN116578080A (zh) | 一种基于深度强化学习的局部路径规划方法 | |
CN115655279A (zh) | 一种基于改进鲸鱼算法的海上无人救援飞艇路径规划方法 | |
Paikray et al. | Improved shuffled frog leaping algorithm for path planning of multiple mobile-robot | |
Liu et al. | UUV path planning method based on QPSO |
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 |