基于动态粒子蜜蜂算法的群机器人搜索方法与流程

文档序号：11432845阅读：235来源：国知局

本发明涉及机器人自动检测技术领域，特别是一种群机器人的搜索方法。

背景技术：

近几年，全球开启工业4.0模式，其发展方向是走向互联网和物联网、信息流和数据流的进一步融合，也加快了机器人领域的发展速度，提高了机器人软硬件技术，拓宽了移动机器人应用的范围，由机器人来完成服务、家居生活、工业生产等方面的工作成为一种势不可挡的潮流，在餐厅中做服务员的机器人、工厂中忙于生产的机械臂等随处可见。

虽然单个机器人可以完成一些简单的任务，但是由于单个机器人一般都体积大、能耗高、结构复杂，灵活性差，在使用单机器人进行搜索任务时的效果不是很好，而群机器人因为其体积小、数量多、结构简单、比较灵活、鲁棒性强，比单个机器人更容易控制，而且其容错能力强，即使其中某个机器人坏了，也不会影响整体的搜索等特征，因此，近几年受到越来越多的关注。

研究利用群机器人搜索目标，在理论和实际研究中都有重要的意义。从理论上来说，通过研究群机器人寻找目标的过程，可以促进对群体自组织原理及协同行为涌现规律的研究。从实际上来说，研究利用群机器人搜索目标，可以利用机器人代替人完成很多工作，比如排雷排爆、空间探测、地震等灾难后的幸存者搜索、矿难搜救问题等，从而使机器人的应用变得更加广阔。

技术实现要素：

本发明需要解决的技术问题是提供一种高效率的群机器人搜索方法。

为解决上述技术问题，本发明所采取的技术方案如下。

基于动态粒子蜜蜂算法的群机器人搜索方法，具体包括以下步骤：

a.采用组合拍卖法对搜索问题建模；

其中，

xij＝0,1,(i,j＝1,2,…,n)；

cij表示机器人ri搜索目标gj所需要的代价；

b.设置搜索领域以及搜索时间t；

c.利用动态粒子蜜蜂算法进行搜索，直到整个搜索区域搜索完成或者设定的搜索时间达到，结束搜索。

上述基于动态粒子蜜蜂算法的群机器人搜索方法，步骤c具体包括以下内容：

c1.利用蜜蜂算法进行全局搜索；

c2.当发现目标之后，转变为动态粒子群搜索算法进行局部搜索，确定动态离子群搜索时间t1；.在t1时间内，一直采用动态粒子群搜索算法进行目标位置的确定；确定目标位置后，判断是否完成整个区域的搜索，如果完成，则结束当前区域的搜索；如没有确定目标，则在t1时间到达后，转换为蜜蜂算法，继续进行当前区域的搜索；

c3.如果蜜蜂算法没有发现目标，一直使用蜜蜂搜索算法进行搜索，直到整个搜索区域搜索完成或者搜索时间t到达，结束搜索。

上述基于动态粒子蜜蜂算法的群机器人搜索方法，步骤c1具体包括以下内容：

c11.初始化被随机释放在搜索环境中的侦查蜂位置；

c12.计算侦查蜂的适应度值，按降序排列，选取出nb只最佳蜂；

c13.招募nrb只蜜蜂，进行领域搜索；

c14.计算最佳蜂的适应度值，按降序排列，选取出ne只精英蜂；

c15.招募nre只蜜蜂，进行领域搜索。

上述基于动态粒子蜜蜂算法的群机器人搜索方法，所述适应度值计算采用下式计算获得：

式中：

其中，α，β和γ分别是质量、成本和机器人性能的控制参数,

vik是第k个机器人对第i个任务的性能值，

n是机器人个数,gik是第k个机器人得到关于第i个任务的信息，

cik是第k个机器人执行第i个任务花费的成本,

ti是完成第i个任务花费的时间，

m是目标个数,t为搜索总时间，

fi表示任务i的标准化优先权，

fi是任务i的优先权，第k个机器人完成第i个目标的成本就是相互间的距离dik，

(xi,yi)和(xk,yk)分别代表目标和机器人的位置；

上述适应度计算过程中，所有侦查蜂的适应度值总和为1，所有最佳蜂的适应度总和为1。

上述基于动态粒子蜜蜂算法的群机器人搜索方法，步骤c2具体包括以下内容：

c21.均匀分割搜索空间成若干子搜索空间，并初始化子搜索空间，确定粒子坐标值；

c22.随机生成敏感粒子，计算器适应度值，通过响应阈值来衡量敏感粒子的适应度值；

c23.以一定的比例更新粒子的位置和速度，直到确定目标位置或者动态离子群搜索时间t1到达。

上述基于动态粒子蜜蜂算法的群机器人搜索方法，所述粒子和敏感粒子的适应度计算公式如下：

fitness(i)＝positionx(i)+positiony(i)

其中，fitness(i)表示粒子i的适应度值；positionx(i)表示粒子i的位置x坐标值，positiony(i)表示粒子i的位置y坐标值。

上述基于动态粒子蜜蜂算法的群机器人搜索方法，所述粒子和敏感粒子的速度和位置更新公式如下：

其中，pbestx是粒子本身在搜索过程中在x轴的最好位置，

pbesty是粒子本身在搜索过程中在y轴的最好位置，

gbestx是在通信范围内所有粒子中在x轴的最好位置，

gbesty是在通信范围内所有粒子中在y轴的最好位置，

w，c1，c2为权值，0<w<2，0<c1/c2<2。

上述基于动态粒子蜜蜂算法的群机器人搜索方法，所述动态粒子群进行局部搜索时加入邻域设置，使精英蜂和最佳蜂在局部搜索过程中，位置迭代的总和在设置的最大值和最小值之间，即xidmin≤xid(t+1)≤xidmax。

由于采用了以上技术方案，本发明所取得技术进步如下。

本发明基于动态粒子算法和蜜蜂算法，应用于群机器人作业过程中，改善了全局搜索的速度，收敛性好，能够使群机器人在较短的时间内迅速搜索到目标，大大提高了搜索效率以及搜索结果的准确性。

附图说明

图1为本发明的流程图；

图2为本发明所述动态粒子蜜蜂算法的流程图；

图3为本发明所述动态粒子群算法的流程图；

图4为本发明中所述蜜蜂算法的流程图。

具体实施方式

下面将结合附图和具体实施例对本发明进行进一步详细说明。

本发明受到蜂群觅食行为的启发，提出在群机器人执行搜索任务过程中，以模拟蜂群觅食的过程为思想进行目标搜索，即在未知环境中，群机器人利用蜂群觅食行为的特征来搜索目标。

一种基于动态粒子蜜蜂算法的群机器人搜索方法，具体包括以下步骤。

a.采用组合拍卖法对搜索问题建模。

设一个组合拍卖的竞标集合g＝{b1，b,2，…bs}，一个竞标就是一个二元组bj≤sj,cij>0，此处代价函数cij>0可认为竞标的出价，代价函数cij表示机器人ri搜索目标gj所需要的代价。

当xij＝1时，表示机器人ri搜索到目标gj；当xij＝0时，表示机器人ri未搜索未到目标gj。

当机器人ri搜索完目标点gj之后，必须要有一个确切的即将探测的目标点；而探测目标点gj之前必须要有一个刚刚探测过的确切目标。

那么，基于组合拍卖法的混合整数线性规划的数学模型如下：

其中，

xij＝0,1,(i,j＝1,2,…,n)；

cij表示机器人ri搜索目标gj所需要的代价。

b.设置搜索领域以及搜索时间t；设置搜索区域，并在搜索区域内设置4个目标点，实际坐标分别为(-60,-60)、(40,40)、(-40,40)和(40,-40)，利用100个机器人进行搜索的任务，搜索时间为t。

c.利用动态粒子蜜蜂算法进行搜索，直到整个搜索区域搜索完成或者设定的搜索时间达到，结束搜索，具体流程如图2所示。

步骤c具体包括以下内容：

c1.利用蜜蜂算法进行全局搜索，具体流程如图4所示。

c11.初始化被随机释放在搜索环境中的侦查蜂位置。

c12.计算侦查蜂的适应度值，按降序排列，选取出nb只最佳蜂。

c13.招募nrb只蜜蜂，进行领域搜索。

c14.计算最佳蜂的适应度值，按降序排列，选取出ne只精英蜂。

c15.招募nre只蜜蜂，进行领域搜索。

上述侦查蜂和最佳蜂适应度值计算采用下式计算获得。

式中：