基于组合反向粒子群优化的机器人巡检路径规划方法与流程

文档序号：12825766阅读：409来源：国知局

本发明涉及机器人路径规划领域，尤其是涉及一种基于组合反向粒子群优化的机器人巡检路径规划方法。

背景技术：

巡检机器人在电力系统、仓库监测等巡检方面应用非常广泛。巡检机器人路径规划效率的高低在一定程度上反映了巡检机器人性能的优劣。在巡检机器人路径规划过程中，常常会需要解决这样一个巡检路径规划问题：给定了若干个巡检点的坐标，要求为巡检机器人规划一条路径使其从源巡检点出发，然后依次经过每个巡检点一次且仅一次再回到源巡检点，并且要求巡检机器人经过路径的耗费最小。研究人员已经证明了这个问题是一个np完全性问题，这意味着人们无法设计出一个多项式时间内可以搜索到精确最优解的算法。为了在一定程度上获得工程上比较满意的解，人们采用模拟自然界演化规律的智能计算方法来解决这个问题。

粒子群优化算法是智能计算领域中的研究热点，它在解决许多工程优化问题中获得了令人满意的结果。例如：陈凯旋等发明了一种利用自适应粒子群算法来优化楼宇用电策略的智能方法(专利号：201510154779.7)；纪志成等发明了一种应用自适应粒子群算法来优化塑料片材机能耗的方法(专利号：201510051405.2)；郭钧天等将粒子群优化和遗传算法相结合，发明了一种基于粒子群遗传混合算法的雷电定位方法(专利号：201410231050.0)；王学武等提出了一种基于莱维飞行粒子群算法的焊接机器人路径规划方法(王学武,严益鑫,顾幸生.基于莱维飞行粒子群算法的焊接机器人路径规划[j].控制与决策,2017,32(02):373-377)；翁理国等提出了一种基于改进多目标粒子群算法的机器人路径规划方法(翁理国,纪壮壮,夏旻,王安.基于改进多目标粒子群算法的机器人路径规划[j].系统仿真学报,2014,26(12):2892-2898)。

从现有的文献中可知，粒子群优化算法是一种很有潜力的机器人路径规划方法。但是传统粒子群优化算法在解决规模比较大的机器人路径规划问题时容易出现陷入局部最优，效率不高的缺点。

技术实现要素：

本发明的目的是提出一种基于组合反向粒子群优化的机器人巡检路径规划方法，本发明能够提高机器人巡检路径规划的效率。

本发明的技术方案：一种基于组合反向粒子群优化的机器人巡检路径规划方法，包括以下步骤：

步骤1，输入机器人需要巡检点的坐标，并确定机器人巡检点的数量d；

步骤2，用户初始化种群大小popsize，最大评价次数max_fes，加速因子c1和c2，最大速度绝对值vmax，反向学习率op；

步骤3，当前演化代数t＝0，当前评价次数fes＝0；

步骤4，随机产生初始种群其中粒子下标i＝1,2,...,popsize，并且为种群pt中的第i个粒子，其随机初始化公式为：

其中维度下标j＝1,2,...,d；存储了种群pt中第i个粒子的当前位置，表示d个巡检点的顺序权值；存储了种群pt中第i个粒子在每一维上的速度大小，rand(0,1)为在[0,1]之间服从均匀分布的随机实数产生函数；

步骤5，计算种群pt中每个粒子的适应值，其中个体下标i＝1,2,...,popsize，计算粒子的适应值的方法为：将粒子的当前位置作为d个巡检点的顺序权值，根据巡检点的顺序权值生成巡检路径，然后以巡检路径的长度作为适应值；

步骤6，保存种群pt中每个粒的自身历史最优位置，并令当前评价次数fes＝fes+popsize；

步骤7，保存种群pt中的最优粒子位置gbest^t；

步骤8，在[0,1]之间随机产生一个实数pr1；

步骤9，如果pr1大于反向学习率op，则转到步骤10，否则转到步骤14；

步骤10，令当前惯性权重因子

步骤11，按以下公式更新种群pt中每个粒子的速度和位置：

其中i＝1,2,...,popsize，j＝1,2,...,d，tr1和tr2分别为[0,1]之间的随机实数，为第i个粒子的自身历史最优位置；

步骤12，计算种群pt中每个粒子的适应值；

步骤13，转到步骤15；

步骤14，执行组合反向学习操作生成组合反向种群bpt，然后从种群pt和组合反向种群bpt的并集中选择出新一代种群，具体步骤如下：

步骤14.1，按以下公式计算种群pt的搜索下界alow^t和上界aup^t：

其中i＝1,2,...,popsize，j＝1,2,...,d；min为取最小值函数，max为取最大值函数；

步骤14.2，按以下公式生成种群pt的组合反向种群bpt：

其中反向粒子下标bi＝1,2,...,popsize，维度下标bj＝1,2,...,d，组合因子rk的值为[0,1]之间的一个随机实数，反向因子ck的值为[0,1]之间的一个随机实数，ri1为[1,popsize]之间的一个随机整数；是组合反向种群bpt中第bi个反向粒子的当前位置；是组合反向种群bpt中第bi个反向粒子在每一维上的速度大小；

步骤14.3，计算组合反向种群bpt中所有反向粒子的适应值；

步骤14.4，从种群pt和组合反向种群bpt的并集中选择出新一代种群；

步骤14.5，转到步骤15；

步骤15，更新种群pt中每个粒子的自身历史最优位置；

步骤16，令当前评价次数fes＝fes+popsize；

步骤17，令当前演化代数t＝t+1；

步骤18，保存种群pt中的最优粒子位置gbest^t；

步骤19，重复步骤8至步骤18直至当前评价次数fes达到max_fes后结束，将执行过程中得到的最优粒子位置gbest^t解码成机器人巡检的路径，即可实现机器人的巡检路径规划。

本发明利用组合反向粒子群优化算法来规划机器人的巡检路径。在规划过程中，组合反向粒子群优化算法在其演化进程中执行基本粒子群优化算法的搜索算子，同时以一定的概率执行组合反向学习策略生成组合反向种群，并从当前种群和组合反向种群中选择出优秀个体进入新一代种群，从而减少陷入局部最优的概率。本发明能够提高机器人巡检路径规划的效率。

附图说明

图1为本发明的流程图。

图2为实施例中用于规划路径的巡检点。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

步骤1，输入机器人需要巡检点的坐标如图2所示，并确定机器人巡检点的数量d＝28；

步骤2，用户初始化种群大小popsize＝60，最大评价次数max_fes＝200000，加速因子c1＝1.49618和c2＝1.49618，最大速度绝对值vmax＝0.5，反向学习率op＝0.3；