一种机器人路径规划方法及机器人路径规划装置与流程
本申请属于路径规划技术领域，尤其涉及一种机器人路径规划方法及机器人路径规划装置。
背景技术：
旅行商问题(travelingsalesmanproblem,tsp)，是一个经典的路径问题，它可以描述为：在n个城市的范围内，一个推销员要遍历范围内所有城市推销自己的商品。该推销员从一个城市出发，需要经过所有给定的城市后，最后回到出发地的最小路径成本，故也常被称作“推销员问题”。从图论的角度看，也就是找出一个最短封闭路线的问题。tsp问题是数学领域中一个非常经典的问题之一。
蚁群算法提出的时候，首先用于求解tsp问题，且它具有能够和多种启发式算法结合，具有较强的鲁棒性等优点，但是同样也存在计算量庞大，搜索时间长，收敛速度慢，容易陷入局部最优等缺点。在此基础上，人们发明了多态蚁群算法，改进了蚁群算法的诸多缺点，但是仍然存在着收敛速度慢，容易陷入局部最优等缺点。
技术实现要素：
本申请提供一种机器人路径规划方法及机器人路径规划装置，可实现对多态蚁群算法的信息素浓度进行全局更新，有效的克服了局部最优的缺陷，提高了收敛速度。
为实现上述技术效果，本申请第一方面提供了一种机器人路径规划方法，包括：
对各条路径上的信息素浓度进行初始化设置，其中，上述路径为机器人从出发节点移动到目标节点所选取的路线；
基于多态蚁群算法以及当前各条路径上的信息素浓度计算搜索蚁从上述出发节点移动到上述目标节点的最短路径；
基于混沌优化算法更新各条路径上的信息素浓度，之后返回执行上述基于多态蚁群算法以及当前各条路径上的信息素浓度计算搜索蚁从上述出发节点移动到上述目标节点的最短路径的步骤，直至满足预设的迭代停止条件；
当满足上述迭代停止条件时，输出最后一次计算得到的最短路径。
基于本申请第一方面，在第一种可能的实现方式中，上述对各条路径上的信息素浓度进行初始化设置具体为：基于信息素浓度初始化公式对各条路径上的信息素浓度进行初始化设置，上述信息素浓度初始化公式为：
基于本申请第一方面的第一种可能的实现方式，在第二种可能的实现方式中，上述侦查素为随机放置于n个节点的m只侦查蚁分别对各自当前节点以外的其余n-1个节点进行侦查后生成；
上述侦查素基于侦查素生成公式计算得到，上述侦查素生成公式为：
基于本申请第一方面或者本申请第一方面的第一种可能的实现方式或第二种可能的实现方式，在第三种可能的实现方式中，上述基于混沌优化算法更新各条路径上的信息素浓度具体为：基于信息素浓度更新公式对各条路径上的信息素浓度进行更新，上述信息素浓度更新公式为：
基于本申请第一方面的第三种可能的实现方式，在第四种可能的实现方式中，上述基于信息素浓度更新公式对各条路径上的信息素浓度进行更新包括：基于信息素释放浓度计算公式分别计算各只搜索蚁在从节点i到节点j的路径上所释放的信息素浓度，上述信息素释放浓度计算公式为：
基于本申请第一方面的第三种可能的实现方式，在第五种可能的实现方式中，上述基于信息素浓度更新公式对各条路径上的信息素浓度进行更新还包括：
基于混沌序列生成混沌变量，其中，上述混沌变量基于上述混沌序列通过线性变换公式得到；
上述线性变换公式为：z(n+1)＝-1+2ω(n+1)，其中，ω(n+1)为混沌序列。
基于本申请第一方面的第五种可能的实现方式，在第六种可能的实现方式中：上述基于混沌序列生成混沌变量包括：基于logistic映射公式生成混沌序列；
上述logistic映射公式为：ω(n+1)＝4ω(n)[1-ω(n)]，其中，ω(n+1)为初始值ω(0)∈[0,1]时通过logistic映射迭代产生的混沌序列。
本申请第二方面提供一种机器人路径规划装置，包括：
初始化设置单元，用于对各条路径上的信息素浓度进行初始化设置，其中，上述路径为机器人从出发节点移动到目标节点所选取的路线；
计算单元，用于基于多态蚁群算法以及当前各条路径上的信息素浓度计算搜索蚁从上述出发节点移动到上述目标节点的最短路径；
更新单元，用于在上述计算单元完成计算后，基于混沌优化算法更新各条路径上的信息素浓度，之后触发上述计算单元，直至满足预设的迭代停止条件；
输出单元，用于当满足上述迭代停止条件时，输出最后一次计算得到的最短路径。
基于本申请第二方面，在第一种可能的实现方式中，上述初始化设置单元具体用于：基于信息素浓度初始化公式对各条路径上的信息素浓度进行初始化设置，上述信息素浓度初始化公式为：
基于本申请第二方面或者本申请第二方面的第一种可能的实现方式，在第二种可能的实现方式中，上述更新单元具体用于：基于信息素浓度更新公式对各条路径上的信息素浓度进行更新，上述信息素浓度更新公式为：
采用上述技术方案所产生的有益效果在于：将混沌优化算法引入多态蚁群算法中，由于混沌具有随机性、遍历性和规律性的特点，可利用混沌优化算法的遍历性作为避免陷于局部极小的一种优化机制，对多态蚁群算法的信息素浓度更新机制进行了改良，从而实现了对信息素浓度的全局更新，避免了陷入局部最优，提高了收敛速度。
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它的附图。
图1是本申请的机器人路径规划方法的流程示意图；
图2是本申请的机器人路径规划方法的算法流程图；
图3是本申请的机器人路径规划装置的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本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，在本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，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。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
为使得本发明的目的、特征、优点能够更加的明显和易懂，下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。
本申请实施例提供一种机器人路径规划方法，包括：对各条路径上的信息素浓度进行初始化设置，其中，上述路径为机器人从出发节点移动到目标节点所选取的路线；基于多态蚁群算法以及当前各条路径上的信息素浓度计算搜索蚁从上述出发节点移动到上述目标节点的最短路径；基于混沌优化算法更新各条路径上的信息素浓度，之后返回执行上述基于多态蚁群算法以及当前各条路径上的信息素浓度计算搜索蚁从上述出发节点移动到上述目标节点的最短路径的步骤，直至满足预设的迭代停止条件；当满足上述迭代停止条件时，输出最后一次计算得到的最短路径。本申请实施例还提供相应的机器人路径规划装置，以下分别进行详细说明。
下面对本申请实施例提供的一种机器人路径规划方法进行描述，请参阅图1，本申请实施例中的机器人路径规划方法包括：
步骤101、对各条路径上的信息素浓度进行初始化设置；
其中，上述路径为机器人从出发节点移动到目标节点所选取的路线。
本申请实施例中，对于机器人路径规划，可以对各条路径上的信息素浓度进行初始化设置。
可选的，对各条路径上的信息素浓度进行初始化设置具体为：基于信息素浓度初始化公式对各条路径上的信息素浓度进行初始化设置，上述信息素浓度初始化公式为：
可选的，将m只侦查蚁分别放置于n个节点，每只侦查蚁对除了当前所在节点以外的其余n-1个节点进行侦查后生成侦查素，上述侦查素基于侦查素生成公式计算得到，上述侦查素生成公式为：
以下对如何基于节点数n得到maxpc'作如下说明，如表1所示，它是基于对不同城市规模进行最短路径实验后所作的统计。在该最短路径实验中以最短路径中每一城市ci为中心，作半径为r的圆，r从0不断扩大，直至取得ci的邻近城市为止，之后将该圆内的城市数记录为pci。可理解，在同一城市规模下，每个城市ci对应有一个pci，令maxpc'取pci中的最大值，则可得到表1中的统计数据。
表1
由表1可知，当城市规模≤100时，maxpc'＜10；当100＜城市规模≤1000时，maxpc'＜20；且此时pci＝1的概率基本上为50％以上，也就是说对于每一个城市ci，选择由ci为起点的最短边的概率很大。如果我们对于每个城市，从离其最近的maxpc'个城市中选择一个作为近邻城市，而不是从剩下城市中选择一个，也必然可以找到最优解(即最短路径)。虽然我们事先并不知最优解的结果，为不失一般性，可作适当放大，如城市规模≤50时，取maxpc'＝10；当50＜城市规模≤500时，maxpc'＝20；当500＜城市规模≤1000时，取maxpc’＝30。
基于上述实验结果，本申请中将每一个城市类比为一个节点，并可预先针对不同的节点规模设置对应的maxpc'，当节点数n确定后，即可确定出相应的maxpc’。
需要说明的是，上述信息素浓度初始化公式、侦查素生成公式仅仅是一种示意，在实际应用中，基于本申请的思想，上述信息素浓度初始化公式、侦查素生成公式可以为其它表现形式。
步骤102、基于多态蚁群算法以及当前各条路径上的信息素浓度计算搜索蚁从上述出发节点移动到上述目标节点的最短路径；
本申请实施例中，对于搜索蚁从上述出发节点移动到上述目标节点的最短路径，可以基于多态蚁群算法以及当前各条路径上的信息素浓度计算得到。
可选的，基于多态蚁群算法以及当前各条路径上的信息素浓度计算搜索蚁从上述出发节点移动到上述目标节点的最短路径包括：初始化迭代次数nc＝0将搜索蚁当前所在的节点添加至各自的禁忌表tabu中，基于状态转移概率公式
可选的，将搜索蚁随机放置于n个节点，并将搜索蚁当前所在的节点添加至各自的禁忌表tabu中，随后基于状态转移概率公式计算每只搜索蚁接下来即将访问的节点，搜索蚁每到一个节点就将此节点添加至tabu中，直至遍历了maxpc中所有节点即成一次循环，并计算搜索蚁的目lk。
或者，步骤102也可以参照已有的多态蚁群算法实现，此处不做限定。
103、基于混沌优化算法更新各条路径上的信息素浓度；
本申请实施例中，对于各条路径上的信息素浓度更新，基于混沌优化算法进行更新。
可选的，上述基于混沌优化算法更新各条路径上的信息素浓度具体为：基于信息素浓度更新公式对各条路径上的信息素浓度进行更新，上述信息素浓度更新公式为：
可选的，上述基于信息素浓度更新公式对各条路径上的信息素浓度进行更新包括：基于信息素释放浓度计算公式分别计算各只搜索蚁在从节点i到节点j的路径上所释放的信息素浓度，上述信息素释放浓度计算公式为：
可选的，上述基于信息素浓度更新公式对各条路径上的信息素浓度进行更新还包括：基于混沌序列生成混沌变量，其中，上述混沌变量基于上述混沌序列通过线性变换公式得到；上述线性变换公式为：z(n+1)＝-1+2ω(n+1)，其中，ω(n+1)为混沌序列。
可选的，上述基于混沌序列生成混沌变量包括：基于logistic映射公式生成混沌序列；上述logistic映射公式为：ω(n+1)＝4ω(n)[1-ω(n)]，其中，ω(n+1)为初始值ω(0)∈[0,1]时通过logistic映射迭代产生的混沌序列。
需要说明的是，上述信息素浓度更新公式、信息素释放浓度计算公式、线性变换公式、logistic映射公式仅仅是一种示意，在实际应用中，基于本申请的思想，上述信息素浓度更新公式、信息素释放浓度计算公式、线性变换公式、logistic映射公式可以为其它表现形式。
104、判断当前是否满足预设的迭代停止条件；
在步骤104中，当判断出当前满足上述迭代停止条件时，进入步骤105，当判断出当前未满足上述迭代停止条件时，进入步骤102，也即进入下一次的迭代运算。
在一种应用场景中，上述预设迭代停止条件可以为：迭代次数达到预设的最大迭代次数。相应的，步骤104表现为：判断累计迭代次数是否达到预设的最大迭代次数，若是，则判定当前满足上述迭代停止条件，进入步骤105，若否，则判定当前未满足上述迭代停止条件，进入步骤102。
在另一种应用场景中，上述预设迭代停止条件也可以为：最短路径趋于稳定。相应的，步骤104表现为：基于最近m次计算得到的最短路径判断最短路径是否趋于稳定，若是，则判定当前满足上述迭代停止条件，进入步骤105，若否，则判定当前未满足上述迭代停止条件，进入步骤102，上述m为大于或等于2的预设值。
当然，本申请实施例也可以设置其它迭代停止条件，此处不做限定。
105、输出最后一次计算得到的最短路径；
在本申请实施例中，当满足上述迭代停止条件时，停止迭代计算，之后输出最后一次计算得到的最短路径，此时该最短路径可被认为此时路径规划的最优解。
具体是，步骤105可以将上述最短路径输出至存储器，或者，也可以将上述最短路径输出至控制器以触发上述控制器控制上述机器人按照该最短路径移动，或者，上述最短路径也可以输出至其它装置或设备，此处不做限定。
本申请实施例中的机器人路径规划方法可以应用在机器人体系结构及智能控制技术、多传感器信息融合、机器人导航和定位、避障路径规划等领域。
由前述方案可见，在本申请实施例中，将混沌优化算法引入多态蚁群算法中，由于混沌具有随机性、遍历性和规律性的特点，可利用混沌优化算法的遍历性作为避免陷于局部极小的一种优化机制，对多态蚁群算法的信息素浓度更新机制进行了改良，从而实现了对信息素浓度的全局更新，避免了陷入局部最优，提高了收敛速度。
下面以一具体应用场景，对图1所示机器人路径规划方法的算法流程进行描述，请参阅图2，该算法流程包括：
步骤201：设置常数q,c和最大迭代次数ncmax。
步骤202：将m只侦查蚁随机放置在n个节点中，每只侦查蚁侦查maxpc内其余n-1个节点，按照公式
步骤203：对各条路径上的信息素浓度进行初始化设置，具体的根据信息素浓度初始化公式初始化各条路径上的信息素浓度。
步骤204：初始化迭代次数nc＝0。
步骤205：将搜索蚁随机放置在n个节点中，并且将搜索蚁当前所在的节点添加到各自的禁忌表tabu中，每添加一个节点，tabu就自动更新一次。
步骤206：按照状态转移概率公式
步骤207：基于多态蚁群算法以及当前各条路径上的信息素浓度计算搜索蚁从出发节点移动到目标节点的最短路径，具体的计算搜索蚁的目标函数值lk(k＝1,2,…,m)，并且记录当前最优解(即当前计算得到的最短路径)。
步骤208：判断是否满足预设的迭代停止条件，具体的，当判断出当前迭代次数已经达到最大迭代次数或者lk在若干次迭代运算中趋于稳定，则执行步骤211；否则执行步骤209。
步骤209：基于混沌优化算法对各条路径上的信息素浓度进行更新，具体根据图1所示实施例中步骤103描述的公式更新各路径上的信息素浓度。
步骤210：设置δτij(t)＝0，清空禁忌表tabu，nc←nc+1，跳转至步骤205。
步骤211：输出最优解(即最后一次计算得到的最短路径)。
由前述方案可见，在本申请实施例中，将混沌优化算法引入多态蚁群算法中，由于混沌具有随机性、遍历性和规律性的特点，可利用混沌优化算法的遍历性作为避免陷于局部极小的一种优化机制，对多态蚁群算法的信息素浓度更新机制进行了改良，从而实现了对信息素浓度的全局更新，避免了陷入局部最优，提高了收敛速度。
本申请实施例还提供一种机器人路径规划装置，请参阅图3，在本申请实施例中的机器人路径规划装置包括：
初始化设置单元301，用于对各条路径上的信息素浓度进行初始化设置，其中，上述路径为机器人从出发节点移动到目标节点所选取的路线；
计算单元302，用于基于多态蚁群算法以及当前各条路径上的信息素浓度计算搜索蚁从上述出发节点移动到上述目标节点的最短路径；
更新单元303，用于在上述计算单元完成计算后，基于混沌优化算法更新各条路径上的信息素浓度，之后触发上述计算单元，直至满足预设的迭代停止条件；
输出单元304，用于当满足上述迭代停止条件时，输出最后一次计算得到的最短路径。
可选的，初始化设置单元301基于信息素浓度初始化公式对各条路径上的信息浓度进行初始化设置，上述信息素浓度初始化公式为：
可选的，将m只侦查蚁分别放置于n个节点，每只侦查蚁对除了当前所在节点以外的其余n-1个节点进行侦查后生成侦查素，上述侦查素基于侦查素生成公式计算得到，上述侦查素生成公式为：
可选的，计算单元302基于多态蚁群算法以及当前各条路径上的信息素浓度计算搜索蚁从上述出发节点移动到上述目标节点的最短路径包括：初始化迭代次数nc＝0将搜索蚁当前所在的节点添加至各自的禁忌表tabu中，基于状态转移概率公式
可选的，更新单元303基于混沌优化算法更新各条路径上的信息素浓度具体为：基于信息素浓度更新公式对各条路径上的信息素浓度进行更新，上述信息素浓度更新公式为：
可选的，基于信息素浓度更新公式对各条路径上的信息素浓度进行更新包括：基于信息素释放浓度计算公式分别计算各只搜索蚁在从节点i到节点j的路径上所释放的信息素浓度，上述信息素释放浓度计算公式为：
可选的，基于信息素浓度更新公式对各条路径上的信息素浓度进行更新还包括：基于混沌序列生成混沌变量，其中，上述混沌变量基于上述混沌序列通过线性变换公式得到；上述线性变换公式为：z(n+1)＝-1+2ω(n+1)，其中，ω(n+1)为混沌序列。
可选的，上述基于混沌序列生成混沌变量包括：基于logistic映射公式生成混沌序列；上述logistic映射公式为：ω(n+1)＝4ω(n)[1-ω(n)]，其中，ω(n+1)为初始值ω(0)∈[0,1]时通过logistic映射迭代产生的混沌序列。
由前述方案可见，在本申请实施例中，将混沌优化算法引入多态蚁群算法中，由于混沌具有随机性、遍历性和规律性的特点，可利用混沌优化算法的遍历性作为避免陷于局部极小的一种优化机制，对多态蚁群算法的信息素浓度更新机制进行了改良，从而实现了对信息素浓度的全局更新，避免了陷入局部最优，提高了收敛速度。
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，即将上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申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，上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。
上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。
上述集成的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，本申请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，上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，上述计算机程序包括计算机程序代码，上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。上述计算机可读介质可以包括：能够携带上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-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！