CN117406713A - 基于改进水波优化算法的多目标点路径规划方法 - Google Patents
基于改进水波优化算法的多目标点路径规划方法 Download PDFInfo
- Publication number
- CN117406713A CN117406713A CN202311253956.8A CN202311253956A CN117406713A CN 117406713 A CN117406713 A CN 117406713A CN 202311253956 A CN202311253956 A CN 202311253956A CN 117406713 A CN117406713 A CN 117406713A
- Authority
- CN
- China
- Prior art keywords
- path
- water wave
- planning
- optimal
- algorithm
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 69
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000006870 function Effects 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000012804 iterative process Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims 1
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于改进水波优化算法的多目标点路径规划方法，包括：构建栅格地图，确定所有目标点坐标；使用改进A*算法计算任意两个目标点之间的代价值，构建距离矩阵；设计记忆库列表，在经过传播、碎浪和折射操作后记录迭代过程中遇到过的当前最优解；使用改进水波优化算法求解已知距离矩阵的多目标点路径规划优化问题，将最终解与记忆库列表中的最优解相比较，取两者中较优解作为最优遍历顺序；再次使用改进A*算法，通过自适应代价函数所提供的启发式信息，按照最优遍历顺序规划出最优路径；使用分段贝塞尔曲线减少最优路径的拐点数量；本发明方法可减小路径长度，缩短路径规划的时间，同时路径具有较好的平滑度，具有良好的应用前景。
Description
技术领域
本发明属于路径规划技术领域，具体涉及基于改进水波优化算法的多目标点路径规划方法。
背景技术
传统路径规划算法往往仅适用于单个目标点的任务中，而在物流配送、无人机巡检、机器人导航和公共交通规划等问题中，往往需要在一个给定的环境中找到一条连接多个目标点的路径，即多目标点路径规划。对于多目标点的路径规划问题，已有许多学者开展了相关研究。陈强等[1]首先将距离评判依据由欧式距离替换为目标点间的最短避障距离，然后使用离散头脑风暴算法规划出最优遍历顺序，最后采用A*算法根据输出的最优路径依次规划行驶路线。马全坤等[2]首先将所有目标点之间的曼哈顿距离生成距离矩阵，然后通过模拟退火算法搜索出任务最优目标点行走顺序，最后使用A*算法进行跨区域衔接路径规划。周帅等[3]根据各线段与障碍圆相交的情况选择相应的路径代价估计神经网络，计算所有路径的估计路径代价，构建任意两点间的路径代价矩阵，然后运用遗传算法求解最优遍历顺序，最后使用Informed RRT*算法规划出代价最小的路径。
水波优化算法是一种新型的群体智能优化算法，模拟了水波在传播过程中的能量传递、波形变化和能量损失等现象，从而在搜索空间中寻找全局最优解。近年来，由于水波优化算法具有良好的收敛速度，得到了广泛的关注和研究。杜兆宏等[4]提出了一种自适应参数调整的水波优化算法，在前期以较大参数来支持算法进行全局搜索，后期以较小的参数来支持算法进行局部搜索，更好地平衡了算法的搜索机制。王文艳等[5]提出了一种离散水波优化算法，将算法进行离散化处理，使其能更好地解决混合流水车间环境下的批量流调度问题。
目前已有的求解多目标点路径规划的优化算法在复杂度较高的场景中，大都存在陷入局部最优的问题；部分优化算法虽具有跳出局部最优的能力，但算法空间复杂度较高，导致运行时间较长。
因此，本发明研究基于改进水波优化算法的多目标点路径规划方法，对于求解的效率与准确性有着重要意义。
[1]陈强,马健,杨蘩.求解多目标点路径规划问题的离散头脑风暴算法[J].智能系统学报,2023,18(01):96-103.
[2]马全坤,张彦斐,宫金良.基于记忆模拟退火和A～*算法的农业机器人遍历路径规划[J].华南农业大学学报,2020,41(04):127-132.
[3]周帅,王征,李龙梅等.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[P].湖北省：CN115826591A,2023-03-21.
[4]杜兆宏,夏培淞,邱飞岳等.一种自适应参数调整的水波优化算法[J].小型微型计算机系统,2018,39(08):1646-1651.
[5]王文艳,徐震浩,顾幸生.离散水波优化算法求解带批处理的混合流水车间批量流调度问题[J].华东理工大学学报(自然科学版),2021,47(05):598-608.
发明内容
本发明目的在于针对现有技术的不足，提供基于改进水波优化算法的多目标点路径规划方法，通过改进A*算法的代价函数，使其能够自适应改变启发式信息的比重，以减少遍历节点数量，从而缩短算法规划路径的时间；在水波优化算法中添加记忆库列表对其改进，以提高搜索最优遍历顺序的精度与效率；利用改进水波优化算法得到最优遍历顺序，再次利用改进A*算法，按照最优遍历顺序规划出最优路径，减小路径长度，缩短路径规划的时间。
本发明的技术方案是基于改进水波优化算法的多目标点路径规划方法，包括以下步骤：
步骤1：构建表示环境的栅格地图，确定障碍物以及所有目标点的坐标；
步骤2：使用改进A*算法计算任意两个目标点之间的代价值，构建距离矩阵；
步骤3：在标准水波优化算法中添加一个记忆库列表，在经过传播、碎浪和折射操作后记录迭代过程中遇到过的当前最优解；
步骤4：使用改进水波优化算法求解已知距离矩阵的多目标点路径规划优化问题，将最终解与步骤3中记忆库列表中的最优解相比较，取两者中较优解作为最优遍历顺序；
步骤5：再次使用改进A*算法，通过自适应代价函数所提供的启发式信息，按照最优遍历顺序规划出最优路径；
步骤6：使用分段贝塞尔曲线减少最优路径的拐点数量。
进一步地，所述步骤1具体包括：通过移动机器人搭载的激光雷达获取周围环境信息，进行栅格地图建模，确定障碍物以及所有目标点的坐标，并对障碍物进行膨胀处理，最终确定地图中可自由通行的区域和不可到达的区域。
进一步地，所述栅格地图建模方法为：假定环境地图长为l，宽为w，将地图平均划分为M*N个长宽相等的小栅格，M表示横坐标最大值，N表示纵坐标最大值，用Sxy表示每个小栅格，整个地图可用Γ表示为：
Γ＝∑Sxy，x∈[1，M]，y∈[1，N]
每个栅格有无障碍物信息表达式为：
进一步地，所述步骤2中改进A*算法具体包括：通过改进A*算法的代价函数，使其能够自适应改变启发式信息的比重，以减少遍历节点数量，从而缩短算法规划路径的时间，改进后的代价函数为：
式中：f(n)为节点n的总代价值，g(n)代表从节点到n初始节点的最短路径代价值。h(n)代表从n节点到目标节点代价的估计值，g′(n)为当前节点与起点的欧式距离；K1、K2为比例因子，默认大小为0.1，可根据实际需要进行调节。
进一步地，所述步骤2具体包括：采用16邻域搜索法，以任意目标点作为初始节点，搜索初始节点旁16个邻域，并通过代价函数(3)评估后选择代价最小的节点，然后搜索这个节点的16个邻域，选择下一个代价最小的节点，重复上述步骤，直到选择的节点与目标点重合，将这些代价最小的节点连接起来，计算路径代价值。计算所有目标点之间的路径代价值，构建距离矩阵。
进一步地，16邻域搜索法具体为：将传统A*算法的8邻域搜索扩展至16邻域搜索，在原有的8个方向上增加8个额外的邻域，从而提高路径搜索的效率。由于扩展后的邻域并未产生新的搜索方向，在不增加算法计算量的前提下，保证在大规模、复杂度较高的地图中减少转折点并缩短规划耗时。16个邻域分别为上、下、左、右、左-上、右-上、左-下、右-下、上-上、下-下、左-左、右-右、左-上-上、右-上-上、左-下-下、右-下-下。
进一步地，所述步骤3具体包括：在种群初始化完成后建立一个记忆库列表memorylist，用于储存当前最优解，将每次迭代后的最优解加入到记忆库中，避免记忆库容量过大，限制记忆库列表memory list长度，当达到最大容量时，使用min()和remoνe()函数移出最差的解，
S＝remoνe(min(S))
式中S表示记忆库列表，S＝[s1.s2，…，sj]，s1，s2，…，sj分别表示记忆库列表中第1，2，...，j个解，j为列表最大长度；min()表示取最小值函数；remoνe()表示移出操作函数。
进一步地，所述步骤4具体包括：将步骤3中的距离矩阵作为输入，使用改进水波优化算法求解最优遍历顺序。迭代过程中的传播、碎浪和折射操作采用高斯分布和差分方程平衡改进水波优化算法的全局搜索能力和局部搜索能力，利用记忆库列表提高算法跳出局部最优解的能力，最终得出最优遍历顺序。
进一步地，所述步骤5具体包括：使用基于16邻域搜索的A*算法按顺序规划从起点出发遍历所有目标点的路径。
进一步地，所述步骤6具体包括：将步骤5中所得的路径进行分段贝塞尔曲线优化处理，判断能否对前4个控制点进行三阶贝塞尔曲线优化，若能则进行三阶贝塞尔曲线优化；否则进行二阶贝塞尔曲线优化，最终形成由p1组二阶贝塞尔曲线和p2组三阶贝塞尔曲线共同优化的路径。
本发明的有益效果包括：
(1)本发明通过改进A*算法的代价函数以构建距离矩阵在水波优化算法中添加记忆库列表对其改进，利用改进水波优化算法得到最优遍历顺序，再次利用改进A*算法，按照最优遍历顺序规划出最优路径，减小了路径长度，缩短了路径规划的时间，得到的路径具有较好的平滑度，具有良好的应用前景。
(2)本发明通过基于16邻域搜索的A*算法计算任意两个目标点之间的代价值，减少了路径在复杂度较高的场景下转折点，同时缩短了路径规划的耗时。
(3)本发明对水波优化算法进行改进，提高了搜索最优遍历顺序的精度与效率。
(4)本发明使用贝塞尔曲线对路径进行优化，进一步减小了路径的转折点，提高了路径的平滑度，有利于机器人的实际运行。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明实施例基于改进水波优化算法的多目标点路径规划方法的流程图。
图2为包含障碍物与所有目标点的栅格地图。
图3为本发明实施例的16领域的示意图。
图4为基于16邻域搜索方法的A*算法流程图。
图5为记忆水波优化算法的流程图。
图6为实施例中基于蚁群优化算法的多目标点路径规划结果示意图。
图7为实施例中基于水波优化算法的多目标点路径规划结果示意图。
图8为实施例中采用本发明方法的多目标点路径规划结果示意图。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例提供基于改进水波优化算法的多目标点路径规划方法，该方法可用于物流配送、无人机巡检、机器人导航和公共交通规划等场景中，其中具体步骤如下：
步骤1：构建表示环境的栅格地图，确定障碍物以及所有目标点的坐标。栅格地图是一种计算机能够识别的数学模型，有构建简单、位置精度高、效率高等优点。栅格地图包括障碍物、目标点坐标，实施例的栅格地图具体包括目标点[1]-[13]，如图2所示。所述步骤1具体包括：通过移动机器人搭载的激光雷达获取周围环境信息，进行栅格地图建模，确定障碍物以及所有目标点的坐标。为避免机器人与障碍物发生碰撞，对障碍物进行膨胀处理，最终确定地图中可自由通行的区域和不可到达的区域。所述栅格地图建模方法具体为：假定环境地图长为l，宽为w，将地图平均划分为M*N个长宽相等的小栅格，用Sxy表示每个小栅格，整个地图可用Γ表示为：
Γ＝∑Sxy，x∈[1，M]，y∈[1，N] (1)
每个栅格有无障碍物信息表达式为：
膨胀处理后的安全距离为：
r＝R+k (3)
式中，R为机器人的运行半径，k为常数，一般取0.1。
步骤2：使用基于16邻域搜索的A*算法计算任意两个目标点之间的代价值，构建距离矩阵。
步骤2具体包括：通过改进A*算法的代价函数，使其能够自适应改变启发式信息的比重，以减少遍历节点数量，从而缩短算法规划路径的时间，改进后得到的自适应代价函数为：
式中：f(n)为节点n的总代价值，g(n)代表从节点n到初始节点的最短路径代价值；h(n)代表从节点n到目标节点代价的估计值，g′(n)为当前节点与起点的欧式距离；K1、K2均为比例因子。
并将传统A*算法的8邻域搜索扩展至16邻域搜索，在原有的8个方向上增加8个额外的邻域，从而提高路径搜索的效率。由于扩展后的邻域并未产生新的搜索方向，在不增加算法计算量的前提下，保证在大规模、复杂度较高的地图中减少转折点并缩短规划耗时。如图3所示，16个邻域分别为上I、下II、左III、右IV、左-上V、右-上VI、左-下VII、右-下VIII、上-上IX、下-下X、左-左XI、右-右XII、左-上-上XIII、右-上-上XIV、左-下-下XV、右-下-下XVI。
实施例的改进A*算法如图4所示，以任意节点作为初始节点，将初始节点周围16个邻域的节点存入开集Open Set，搜索初始节点旁16个邻域，并通过自适应代价函数即式(4)评估后选择代价最小的节点，然后搜索这个节点的16个邻域，选择下一个代价最小的节点，存入闭集Closed Set，重复上述步骤，直到选择的节点与目标点重合，将这些代价最小的节点连接起来，计算路径代价值。其中开集Open Set包含待检测节点，闭集Closed Set包含已检测节点。
计算所有目标点之间的路径代价值，构建距离矩阵D，如式(5)所示。
式中，di-j为第i个目标点到第j个目标点A*算法所规划路径的代价值。
步骤3：如图5所示，在标准水波优化算法中添加一个记忆库列表，得到记忆水波优化算法；
步骤3具体包括：在种群初始化完成后建立记忆库列表memory list，用于储存当前最优解，将每次迭代后的最优解加入到记忆库中，避免记忆库容量过大，限制记忆库列表memory list长度，当达到最大容量时，使用min和remoνe函数移出最差的解，如式(6)所示：
S＝remoνe(min(S)) (6)
式中S表示记忆库列表，S＝[s1.s2，…，sj]，s1，s2，…，sj分别表示记忆库列表中第1，2，...，j个解，j为列表最大长度；min表示取最小值函数；remoνe表示移出操作函数。
步骤4：使用记忆水波优化算法求解已知距离矩阵的多目标点路径规划优化问题，得到最优遍历顺序。
步骤4具体包括：将步骤3中的距离矩阵作为输入，通过记忆水波优化算法的传播、碎浪和折射操作求解最优遍历顺序。传播操作如下所示：
X′＝X+rand(-1，1)·λLd (7)
式中：X为当前水波位置；rand(-1，1)为(-1，1)内的随机数，λ为波长，一般设为0.5；Ld为搜索空间第d维长度；
碎浪操作如下所示：
X′＝Xbest+N(0，1)·βLd (8)
式中：xbest为当前最优的水波位置，β为碎浪系数。
折射操作如下所示：
式中N()表示高斯随机数。
具体步骤如下：
步骤4-1：输入距离矩阵，初始化水波种群，并计算每个水波的适应度，找到最优的水波Xbest，并将解存入记忆库列表；
步骤4-2：对种群中每个水波X按式(7)进行传播操作；
步骤4-3：如果进行传播操作后新的水波X′优于原水波X，则用X′代替X；步骤4-4：若x′优于Xbest，则按式(8)执行碎浪操作，用x′代替Xbest；
步骤4-5：将水波的波高进行减1操作；若波高为0，按式(9)进行折射操作；
步骤4-6：计算每个水波的适应度，并对最优的水波进行更新，将当前最优解存入memory list，再次执行步骤4-2；
步骤4-7：达到最大迭代次数后，将最终解与记忆库列表的最优解进行比较取较优解，输出最优遍历顺序。
步骤5：再次使用基于16邻域搜索的A*算法，按照最优遍历顺序规划出最优路径。
步骤6：使用贝塞尔曲线平滑所得路径。
步骤6具体包括：将步骤5中所得的路径进行分段贝塞尔曲线优化处理，优先对前4个控制点进行三阶贝塞尔曲线优化。
判断能否对前4个控制点进行三阶贝塞尔曲线优化，具体包括：通过记录控制点坐标，记录4个控制点的3个方向向量，当符合表1中列出的9种情况时，可进行三阶贝塞尔曲线优化；表1中，Δxi(i＝1，2，3)为第i个横坐标方向变化量，Δyi(i＝1，2，3)为第i个纵坐标方向变化量。
实施例的贝塞尔曲线参照2015年第3期《自动化学报》刊登的陈成等人的论文“基于四阶贝塞尔曲线的无人车可行轨迹规划”公开的贝塞尔曲线。
表1三阶贝塞尔曲线优化的9种情况
为了验证本发明所提供的多目标点路径规划方法的可行性和有效性，本实例设置了一个包含13个目标点的场景，使用A*算法，按照蚁群优化算法得出的最优遍历顺序所规划的最优路径，如图6所示；使用A*算法，按照水波优化算法得出的最优遍历顺序所规划的最优路径，如图7所示；使用改进A*算法，按照记忆水波优化算法得出的最优遍历顺序所规划的最优路径，如图8所示。某次实验验证，如表2所示。
表2不同路径规划方法的规划结果对比表
| 路径规划方法 | 节点数/个 | 路径长度/m | 耗时/s | 拐点数/个 |
| 蚁群优化算法-A* | 130 | 79.769 | 2.976 | 36 |
| 水波优化算法-A* | 131 | 80.698 | 2.386 | 32 |
| 本发明方法 | 87 | 77.472 | 1.191 | 12 |
由表2可见，本发明方法对比其余两种方法所遍历的节点数分别减少33.08％、32.83％，所得路径为最短，并且方法耗时对比其余两种方法分别减少59.98％、50.08％。因此，采用改进A*算法按照记忆水波优化算法所求解出的最优遍历顺序而规划的路径既保证了路径长度最短，也缩短了规划时间，并且路径具的拐点数较少，具有较好的平滑度。
本领域普通技术人员可以理解,以上所述仅为发明的优选实例而已,并不用于限制发明,尽管参照前述实例对发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实例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。凡在发明的精神和原则之内,所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (9)
1.基于改进水波优化算法的多目标点路径规划方法，其特征在于，通过改进A*算法的代价函数，使其能够自适应改变启发式信息的比重，以减少遍历节点数量，从而缩短算法规划路径的时间；
所述路径规划方法包括以下步骤：
步骤1：构建栅格地图，确定障碍物以及所有目标点的坐标；
步骤2：使用改进A*算法计算任意两个目标点之间的代价值，构建距离矩阵；
步骤3：在水波优化算法中添加一个记忆库列表，在经过传播、碎浪和折射操作后记录迭代过程中遇到过的当前最优解，得到改进水波优化算法；
步骤4：使用改进水波优化算法求解已知距离矩阵的多目标点路径规划优化问题，将最终解与步骤3中记忆库列表中的最优解相比较，取两者中较优解作为最优遍历顺序；
步骤5：再次使用改进A*算法，通过自适应代价函数所提供的启发式信息，按照最优遍历顺序规划出最优路径；
步骤6：使用分段贝塞尔曲线减少最优路径的拐点数量。
2.根据权利要求1所述的基于改进水波优化算法的多目标点路径规划方法，其特征在于，所述步骤1具体包括：通过移动机器人搭载的激光雷达获取周围环境信息，进行栅格地图建模，确定障碍物以及所有目标点的坐标，并对障碍物进行膨胀处理，最终确定地图中可自由通行的区域和不可到达的区域。
3.根据权利要求1所述的基于改进水波优化算法的多目标点路径规划方法，其特征在于，改进A*算法的自适应代价函数为：
式中f(n)为节点n的总代价值，g(n)代表从节点n到初始节点的最短路径代价值；h(n)代表从节点n到目标节点代价的估计值，g′(n)为当前节点与起点的欧式距离；K1、K2均为比例因子。
4.根据权利要求1所述的基于改进水波优化算法的多目标点路径规划方法，其特征在于，步骤2在“上”、“下”、“左”、“右”、“左-上”、“右-上”、“左-下”、“右-下”8个搜索方向上扩展8个额外的邻域，得到16个领域用于领域搜索，
步骤2具体包括：
以任意目标点作为初始节点，搜索初始节点旁16个邻域，并通过启发函数评估后选择代价最小的节点，然后搜索这个节点的16个邻域，选择下一个代价最小的节点，重复上述步骤，直到选择的节点与目标点重合，将这些代价最小的节点连接起来，计算路径代价值；
计算所有目标点之间的路径代价值，构建距离矩阵。
5.根据权利要求4所述的基于改进水波优化算法的多目标点路径规划方法，步骤2中，16个邻域分别为“上”、“下”、“左”、“右”、“左-上”、“右-上”、“左-下”、“右-下”、“上-上”、“下-下”、“左-左”、“右-右”、“左-上-上”、“右-上-上”、“左-下-下”、“右-下-下”。
6.根据权利要求1或2或3或4所述的基于改进水波优化算法的多目标点路径规划方法，其特征在于，所述步骤3具体包括：在种群初始化完成后建立一个记忆库列表，用于储存当前最优解，将每次迭代后的最优解加入到记忆库中，避免记忆库容量过大，限制记忆库列表长度，当达到最大容量时，使用min和remove函数移出最差的解，移出操作的函数为：
S＝remove(min(S)) (2)
式中S表示记忆库列表，S＝[s1.s2，…，sj]，s1,s2,…,sj分别表示记忆库列表中第1,2,…,j个解，j为列表最大长度；min()表示取最小值函数；remove()表示移出操作函数；
最后将最终解与记忆库列表的最优解进行比较取较优解。
7.根据权利要求6所述的基于改进水波优化算法的多目标点路径规划方法，其特征在于，所述步骤4具体包括：将步骤3中的距离矩阵作为输入，使用改进水波优化算法求解最优遍历顺序；
迭代过程中的传播、碎浪和折射操作采用高斯分布和差分方程平衡改进水波优化算法的全局搜索能力和局部搜索能力，利用记忆库列表提高算法跳出局部最优解的能力，最终得出最优遍历顺序。
8.根据权利要求1或2或3或4或5或7所述的基于改进水波优化算法的多目标点路径规划方法，其特征在于，所述步骤5具体包括：根据步骤4得到的最优遍历顺序，通过自适应代价函数所提供的启发式信息，使用改进A*算法按顺序规划从起点出发遍历所有目标点的路径。
9.根据权利要求8所述的基于改进水波优化算法的多目标点路径规划方法，其特征在于，所述步骤6具体包括：将步骤5中所得的路径进行分段贝塞尔曲线优化处理，判断能否对前4个控制点进行三阶贝塞尔曲线优化，若能则进行三阶贝塞尔曲线优化；否则进行二阶贝塞尔曲线优化；
最终形成由p1组二阶贝塞尔曲线和p2组三阶贝塞尔曲线共同优化的路径，p1、p2均为常数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311253956.8A CN117406713A (zh) | 2023-09-25 | 2023-09-25 | 基于改进水波优化算法的多目标点路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311253956.8A CN117406713A (zh) | 2023-09-25 | 2023-09-25 | 基于改进水波优化算法的多目标点路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117406713A true CN117406713A (zh) | 2024-01-16 |
Family
ID=89495287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311253956.8A Pending CN117406713A (zh) | 2023-09-25 | 2023-09-25 | 基于改进水波优化算法的多目标点路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117406713A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117809262A (zh) * | 2024-03-01 | 2024-04-02 | 广州宇中网络科技有限公司 | 一种实时图像识别方法及客户行为分析系统 |
-
2023
- 2023-09-25 CN CN202311253956.8A patent/CN117406713A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117809262A (zh) * | 2024-03-01 | 2024-04-02 | 广州宇中网络科技有限公司 | 一种实时图像识别方法及客户行为分析系统 |
| CN117809262B (zh) * | 2024-03-01 | 2024-05-28 | 广州宇中网络科技有限公司 | 一种实时图像识别方法及客户行为分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107607120A (zh) | 基于改进修复式Anytime稀疏A*算法的无人机动态航迹规划方法 | |
| CN111880561B (zh) | 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 | |
| CN109597425B (zh) | 基于强化学习的无人机导航和避障方法 | |
| CN117406713A (zh) | 基于改进水波优化算法的多目标点路径规划方法 | |
| CN109583667B (zh) | 一种线缆路径求解优化方法 | |
| CN110196602A (zh) | 目标导向集中优化的快速水下机器人三维路径规划方法 | |
| CN116242383B (zh) | 一种基于增强哈里斯鹰算法的无人车路径规划方法 | |
| CN112306067A (zh) | 一种全局路径规划方法及系统 | |
| Hafez et al. | Genetic algorithms for community detection in social networks | |
| CN114877905A (zh) | 一种双向动态生长的Informed-RRT*路径规划方法 | |
| CN112327876A (zh) | 一种基于终距指数的机器人路径规划方法 | |
| CN116050689B (zh) | 一种广域空间铁路线路智能搜索方法、系统、终端及介质 | |
| Dong et al. | Ship pipe route design using improved multi-objective ant colony optimization | |
| Takahashi et al. | Convolutional neural network-based topology optimization (CNN-TO) by estimating sensitivity of compliance from material distribution | |
| CN112214031A (zh) | 基于遗传粒子群算法的多节点协同着陆位置规划方法 | |
| CN116540738A (zh) | 基于运动约束改进蚁群算法的移动机器人路径规划方法 | |
| CN116384870A (zh) | 基于改进鲸鱼优化算法的物流配送路线规划方法及系统 | |
| Bai et al. | Design and Simulation of a Collision-free Path Planning Algorithm for Mobile Robots Based on Improved Ant Colony Optimization. | |
| 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 | |
| CN113821025A (zh) | 一种神经网络优化启发函数的移动机器人路径规划方法 | |
| Guo et al. | Hybridizing cellular automata principles and NSGAII for multi-objective design of urban water networks | |
| Liu et al. | A constrained multi-objective evolutionary algorithm with Pareto estimation via neural network | |
| CN116518977A (zh) | 一种无人机路径规划方法、系统及设备 | |
| CN116592890A (zh) | 一种采摘机器人路径规划方法、系统、电子设备及介质 |
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 |