[發明專利]給含有離子-人工蜂群算法的移動機器人配置路徑的方法

有效

• 申請號: 202011520181.2
• 申請日: 2020-12-21
• 公開（公告）號: CN113156931B
• 公開（公告）日: 2022-09-09
• 發明（設計）人: 魏博;楊茸;舒思豪;李艷生;張毅
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G05D1/02
• 分類號: G05D1/02
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 李朝虎

本發明公開了給含有離子?人工蜂群算法的移動機器人配置路徑的方法，主要用于解決倉儲環境下路徑規劃問題；針對傳統ABC算法存在的不足與缺陷，引入自然界離子間相互作用力來改善蜂群算法搜索階段，并把搜索階段分成前、后期來平衡算法的開發和探索能力，在保證不陷入局部最優的前提下，加大搜索步長，并在全局更新階段加入自適應性花香濃度，根據花香濃度指引變異自適應性更新，提升算法的效率。該算法在不同的標準測試函數下驗證極值求解能力并表現出較大的優勢，通過求解機器人路徑規劃問題驗證了算法的實際運用效果。

技術領域

本發明涉及機器人領域的運用，具體涉及給含有離子-人工蜂群算法的移動機器人配置路徑的方法。

背景技術

路徑規劃是輪式移動機器人導航的核心技術之一，是指在具有障礙物環境下給定機器人起始點與目標點后，按照特定的評價標準為機器人提供一條安全、高效的運動路徑，其評價標準通常有：最短行程、最短時間、最少能量等，而傳統的路徑規劃方法有人工勢場法、圖搜索法、柵格解耦法等；近些年由于國內外學者對路徑規劃方法做了大量的研究，提出眾多較優秀的群智能算法：如粒子群算法(Particle Swarm Optimization,PSO)、蟻群算法(Ant Colony Optimization,ACO)、煙花-蟻群融合算法(Fireworks-Ant ColonyAlgorithm,FA-ACA)等，這些方法極大地提高了路徑規劃性能，但同時也有一定的局限性，比如陷入局部最優、運算時間長、求解復雜等問題。

人工蜂群(Artificial Bee Colony,ABC)算法是Karaboga受蜜蜂覓食啟發提出的群體智能進化算法，該算法模擬了蜜蜂采蜜相互協作轉換來指引搜索，標準的ABC算法具有收斂速度快、尋優能力強、實現簡單等優點，但同時也存在后期收斂速度過快導致局部最優、平衡能力差和精度相對較低等缺點。

發明內容

本發明所要解決的技術問題是機器人在使用人工蜂群算法平衡能力差、精度相對較低，收斂速度慢等缺點，目的在于提供給含有離子-人工蜂群算法的移動機器人配置路徑的方法，在路徑規劃中能更有效的平衡蜂群算法的開發和探索能力。

本發明通過下述技術方案實現：

給含有離子-人工蜂群算法的移動機器人配置路徑的方法，包括以下步驟：

S1：給移動機器人的處理系統中配置目標運動地圖參數、起始點坐標函數參數和目標點坐標函數參數；

S2：處理系統中的離子-人工蜂群計算模塊利用配置目標運動地圖參數、起始點坐標函數參數和目標點坐標函數參數，經過處理得到移動機器人的最優解；

S3：移動機機器人的處理系統把最優解視為移動機器人的最短運動路徑；

S4：移動機器人按照處理系統得到的最短運動路徑去執行運動指令。

進一步，S21：對處理系統預設的離子-人工蜂群算法的相關參數進行初始化操作，得到初始化后的相關參數；

S22：把初始化后的相關參數輸入到可行空間后，初始化參數在可行空間內開始得到初始種群，其中，設置迭代次數iter＝0；

S23：對于產生的初始化種群，采用離子運動規律算法產生引領蜂和跟隨蜂的新解后并保留最優解；

S24：處理系統程序檢測迭代次數iter是否小于N/2，如果iter小于N/2，則進行下一步S25操作，如果iter大于或等于N/2；則返回步驟S23進行反復迭代操作；

S25：在迭代次數iter小于N/2后，引領蜂和跟隨蜂開始產生新個體，保留引領蜂和跟隨蜂產生新個體后的較優解；