一种基于头脑风暴优化的移动机器人多路线规划方法与流程

1.本发明属于智能移动机器人技术领域，特别涉及一种基于头脑风暴优化的移动机器人多路线规划方法。


背景技术：

2.移动机器人多目标点路线规划是指在复杂的环境下找到一条从起始点开始经过所有目标点的无碰撞的最优路线。根据移动机器人多目标点路线规划的特点，移动机器人多目标点路线规划问题可以转化为类旅行商(traveling saleman problem，tsp)问题。旅行商问题(tsp)是典型的np完全问题,即其最坏情况下的时间复杂度随着问题规模的增大按指数方式增长,到目前为止还未找到一个多项式时间的有效算法。目前研究经典tsp常用算法有遗传算法、粒子群算法、模拟退火算法、神经网络算法等。使用遗传算法前期收敛速度过快，容易陷入局部最优解；使用粒子群算法虽然操作简单，且能够快速收敛，但是随着迭代次数的不断增加，在种群收敛集中的同时，各粒子也越来越相似，可能在局部最优解周边无法跳出；使用模拟退火算法具有收敛速度慢，执行时间长，算法性能与初始值有关及参数敏感等缺点；使用神经网络算法很难在较复杂的环境下实现。
3.头脑风暴优化算法(brain storm optimization，bso)是shi基于人类创造性解决问题的思路提出一种新的群体智能算法。由于bso算法对初始值没有要求,具有极强的鲁棒性和快速收敛能力,全局搜索能力非常强。具有较强的鲁棒性。把头脑风暴优化算法应用于研究移动机器人多目标点路线规划问题,能够有效解决此类问题，但是算法还存在由于聚类算法的影响导致易过早陷入局部最优的问题。


技术实现要素：

4.为了克服现有技术的不足，本发明提供一种基于头脑风暴优化的移动机器人多路线规划方法，针对k-均值聚类算法采用的是基于的距离模型依据来进行聚类，聚类结果受初始聚类中心影响较大，易陷入局部最优的缺点，本发明使用考虑更新数据的均值和方差的高斯混合模型聚类算法去替代k-means算法，不再使用基于距离的模型，而是使用基于分布的模型，来提高算法的鲁棒性，降低算法局部最优的概率。
5.本发明为实现上述发明目的采用的技术方案如下：
6.一种基于头脑风暴优化的移动机器人多路线规划方法，包括以下步骤：
7.步骤1：利用移动机器人自带的摄像头、声呐环、红外传感器采集移动机器人的工作环境信息，包括所有的目标点坐标信息，并将地图栅格化；
8.步骤2：利用各目标点的坐标信息，计算目标点间的相互最短避障距离并建立距离矩阵；
9.步骤3：对所有目标点进行整数编码；一条路线就是代表一个潜在的可行解，在多目标点路线规划中，一条路线代表机器人经过目标点的顺序序列；
10.步骤4：设置初始参数，包括路线总个数n，目标点个数m，最大分组数k，选择中心路
线个数概率值p，最大迭代次数iter_max，迭代次数初值iter＝1；
11.步骤5：采用随机生成的方式生成n个路线，组成一个路线种群，并通过式(1)计算各路线的适应度值：
[0012][0013]
其中，d(v
i-1
,vi)表示目标点v
i-1
到vi的最短避障距离，vi代表第i个目标点的位置；
[0014]
步骤6：高斯混合模型聚类，过程如下：
[0015]
a)将每个路线的适应度值都视为自己的类yi,i＝1,2,
…
n；
[0016]
b)将yi输入到最大期望算法，得到高斯模型所需要的均值ak和协方差θk参数,k∈[1,k]；
[0017]
c)将ak，θk代入模型中得到各个路线分布概率，通过分布概率进行将所有路线分为k个组；
[0018]
步骤7：随机产生一个随机数r∈(0,1),如果该随机数小于p则进入步骤8，否则进入步骤9；
[0019]
步骤8：单个路线优化，随机选取一个路线进行插入操作产生新路线；
[0020]
步骤9：两个路线间的优化，随机选取两个不同的组中的路线进行交叉操作产生新路线；
[0021]
步骤10：比较新旧路线的适应度值，若比旧路线适应度值高则替换原先路线；
[0022]
步骤11：是否更新完所有路线，是则跳转至步骤12，否则跳转至步骤7；
[0023]
步骤12：是否达到最大迭代次数，是则输出最优路线，否则iter加1跳转至步骤6；
[0024]
步骤13：根据步骤12得到的路线，使用a*算法在地图中规划路径。
[0025]
本发明的有益效果主要表现在：在有中小规模的目标点时，由于传统的头脑风暴采用的k-均值聚类算法采用的是基于的距离模型依据来进行聚类，聚类结果受初始聚类中心影响较大，如果初始聚类中心过近会导致算法陷入局部最优，为了本发明用高斯混合聚类算法替换k-均值算法，由于高斯混合聚类是基于分布的模型来聚类，通过概率来聚类大大降低了初始聚类中心对聚类结果的影响，提高算法的鲁棒性降低算法局部最优的概率。
附图说明
[0026]
图1为本发明的流程图。
[0027]
图2为基于传统头脑风暴算法的规划路线,其中白色区域代表无障碍可行驶区域，黑色区域代表障碍，深灰色区域代表目标点，浅灰色区域机器人实际行驶图。
[0028]
图3为基于改进头脑风暴算法的规划路线，其中白色区域代表无障碍可行驶区域，黑色区域代表障碍，深灰色区域代表目标点，浅灰色区域机器人实际行驶图。
具体实施方式
[0029]
下面结合附图对本发明作进一步描述。
[0030]
参照图1～图3，一种基于头脑风暴优化的移动机器人多路线规划方法，包括以下步骤：
[0031]
步骤1：利用移动机器人自带的摄像头、声呐环、红外传感器采集移动机器人的工作环境信息，包括所有的目标点坐标信息，并将地图栅格化；
[0032]
步骤2：利用各目标点的坐标信息，计算目标点间的相互最短避障距离并建立距离矩阵；
[0033]
步骤3：对所有目标点进行整数编码；一条路线就是代表一个潜在的可行解，在多目标点路线规划中，一条路线代表机器人经过目标点的顺序序列；
[0034]
步骤4：设置初始参数，包括路线总个数n，目标点个数m，最大分组数k，选择中心路线个数概率值p，最大迭代次数iter_max，迭代次数初值iter＝1；
[0035]
步骤5：采用随机生成的方式生成n个路线，组成一个路线种群，并通过式(1)计算各路线的适应度值：
[0036][0037]
其中，d(v
i-1
,vi)表示目标点v
i-1
到vi的最短避障距离，vi代表第i个目标点的位置；
[0038]
步骤6：高斯混合模型聚类，过程如下：
[0039]
a)将每个路线的适应度值都视为自己的类yi,i＝1,2,
…n[0040]
b)将yi输入到最大期望算法，得到高斯模型所需要的均值ak和协方差θk参数,k∈[1,k]；
[0041]
c)将ak，θk代入模型中得到各个路线分布概率，通过分布概率进行将所有路线分为k个组；
[0042]
步骤7：随机产生一个随机数r∈(0,1),如果该随机数小于p则进入步骤8，否则进入步骤9；
[0043]
步骤8：单个路线优化，随机选取一个路线进行插入操作产生新路线；
[0044]
步骤9：两个路线间的优化，随机选取两个不同的组中的路线进行交叉操作产生新路线；
[0045]
步骤10：比较新旧路线的适应度值，若比旧路线适应度值高则替换原先路线；
[0046]
步骤11：是否更新完所有路线，是则跳转至步骤12，否则跳转至步骤7；
[0047]
步骤12：是否达到最大迭代次数，是则输出最优路线，否则iter加1跳转至步骤6；
[0048]
步骤13：根据步骤12得到的路线,使用a*算法在地图中规划路径。
[0049]
为了验证本发明的可行性和有效性，采用相同大小的地图和目标点数量进行仿真实验。用于仿真的计算机性能参数为：amd ryzen 5 4600u with radeon graphics 2.10ghz，内存大小为16gb运行在window10，利用matlab2020b软件进行仿真实验，在80
×
170的栅格地图上对30个目标点的路线规划进行验证。
[0050]
在相同地图环境和相同数量目标点的条件下，基于传统头脑风暴算法的规划路线与基于本发明提出的基于改进头脑风暴优化的规划路线仿真结果分别如图2和图3所示；
[0051]
实验结果表明，在相同条件下更换聚类方式后的头脑风暴算法规划出的路线总长度更短；因此，对比图2和图3可以看出，本发明方法优于传统的多机器人路线规划方法。
[0052]
以上所述是本发明的实施方式，应当指出，对于本技术领域的技术人员来说在不脱离本发明的远离外对其进行润色改编都视为在本发明的保护范围之内。