[發(fā)明專利]基于組合個體差分演化的機器人路徑規(guī)劃方法

有效

• 申請?zhí)枺?/td>: 201611201644.2
• 申請日: 2016-12-23
• 公開（公告）號: CN106647757B
• 公開（公告）日: 2019-06-18
• 發(fā)明（設計）人: 郭肇祿;王洋;王丹;周才英;岳雪芝;余法紅;吳志健
• 申請（專利權）人: 江西理工大學
• 主分類號: G05D1/02
• 分類號: G05D1/02
• 代理公司: 贛州凌云專利事務所 36116
• 代理人: 曾上

本發(fā)明公開了一種基于組合個體差分演化的機器人路徑規(guī)劃方法。本發(fā)明采用關鍵結(jié)點的方式表示機器人的路徑，并利用組合個體差分演化來優(yōu)化機器人路徑的關鍵結(jié)點。在組合個體差分演化算法中，利用最優(yōu)個體與隨機個體的信息生成組合個體，并以組合個體來引導算法的搜索方向。此外，在搜索過程中執(zhí)行局部搜索以提高解的質(zhì)量。本發(fā)明能夠提高機器人路徑規(guī)劃的效率。

技術領域

本發(fā)明涉及機器人路徑規(guī)劃領域，尤其是涉及一種基于組合個體差分演化的機器人路徑規(guī)劃方法。

背景技術

機器人在現(xiàn)代工業(yè)生產(chǎn)中應用非常廣泛。機器人能夠在一定程度上代替許多人類勞動力，并且它不像人類那樣會因為工作時間長了而感到疲勞。因此，機器人可以大大地提高生產(chǎn)效率，提高產(chǎn)品質(zhì)量。尤其在生產(chǎn)高度精密產(chǎn)品時，機器人可以克服人為主觀因素，提高產(chǎn)品生產(chǎn)的可靠性。機器人的路徑規(guī)劃是指在機器人的工作空間范圍內(nèi)，在滿足一定的約束條件下為機器人從出發(fā)點到終止點設計出一條高效可行的運動路徑，從而使機器人完成指派給其的特定任務。由于機器人路徑規(guī)劃的場景往往比較復雜，以及路徑規(guī)劃的范圍通常比較大，因此這是一個很有挑戰(zhàn)性的工作。

機器人的路徑規(guī)劃問題本質(zhì)上是一個帶約束條件的復雜優(yōu)化問題，而傳統(tǒng)的優(yōu)化算法往往無法在工程上可忍受的搜索時間內(nèi)為機器人規(guī)劃出高效可行的運動路徑。演化算法是一種模擬自然界演化規(guī)律而建立起來的智能仿生算法，它在解決許多優(yōu)化問題時能夠比傳統(tǒng)確定性算法表現(xiàn)出更優(yōu)越的性能。鑒于演化算法在求解復雜優(yōu)化問題時的優(yōu)點，人們將演化算法引入到機器人路徑規(guī)劃問題的求解中。例如，姜英杰利用遺傳算法優(yōu)化變電站巡檢機器人的路徑規(guī)劃 (姜英杰,呂學勤,段利偉等.柵格遺傳算法的變電站巡檢機器人路徑規(guī)劃[J].科技與創(chuàng)新,2015,(6):12-14)；田欣等利用先驗知識來指導可行路徑的搜索，并設計了自適應的遺傳參數(shù)機制，以此提高路徑規(guī)劃的效率(田欣,劉廣瑞,周文博等.基于改進自適應遺傳算法的機器人路徑規(guī)劃研究[J].機床與液壓,2016, 44(17):24-28,62)；陳剛和沈林成針對復雜環(huán)境的獨有因素，在傳統(tǒng)遺傳算法的基礎上設計了特定的搜索算子及新的適應值函數(shù)來優(yōu)化機器人的運動路徑(陳剛,沈林成.復雜環(huán)境下路徑規(guī)劃問題的遺傳路徑規(guī)劃方法[J].機器人,2001,23(1):40-44,50)。

從現(xiàn)有的研究成果中可知，演化算法已經(jīng)廣泛應用于解決機器人路徑規(guī)劃問題。但是對傳統(tǒng)演化算法在求解機器人路徑規(guī)劃問題時容易出現(xiàn)收斂速度慢，路徑規(guī)劃效率不高的缺點。

發(fā)明內(nèi)容

本發(fā)明針對傳統(tǒng)演化算法在求解機器人路徑規(guī)劃問題時容易出現(xiàn)收斂速度慢，路徑規(guī)劃效率不高的缺點，提出一種基于組合個體差分演化的機器人路徑規(guī)劃方法。本發(fā)明能夠提高機器人路徑規(guī)劃的效率。

本發(fā)明的技術方案：一種基于組合個體差分演化的機器人路徑規(guī)劃方法，包括以下步驟：

步驟1，對機器人路徑規(guī)劃區(qū)域的環(huán)境進行建模，得到路徑規(guī)劃區(qū)域的地圖，然后對地圖進行柵格化；

步驟2，用戶初始化參數(shù)，所述初始化參數(shù)包括路徑的關鍵節(jié)點數(shù)量D，種群大小Popsize，最大評價次數(shù)MAX_FEs，雜交率Cr和縮放因子F；

步驟3，當前演化代數(shù)t＝0，當前評價次數(shù)FEs＝0；

步驟4，輸入機器人路徑規(guī)劃的起始點坐標，然后輸入機器人路徑規(guī)劃的終止點坐標；

步驟5，隨機產(chǎn)生初始種群其中：下標i＝1,2,...,Popsize，并且為種群P_t中的第i個個體，存儲了D個關鍵節(jié)點的橫坐標和縱坐標；

步驟6，計算種群P_t中每個個體的適應值；然后令當前評價次數(shù) FEs＝FEs+Popsize；

步驟7，保存種群P_t中的最優(yōu)個體Best^t；

步驟8，令計數(shù)器ki＝1；