基于加权平均距离视觉鱼群算法的移动机器人路径规划方法技术

本发明专利技术提供一种基于加权平均距离视觉鱼群算法的移动机器人路径规划方法，包括以下步骤：获取人工鱼的群体规模fishnum、最大迭代次数NC、视野范围visual、最大移动步长step、拥挤度因子δ、尝试次数Try_number，可行性路径数目N，路径结点数n；将机器人行走的环境根据栅格法进行环境建模，并随机生成N条可行性路径。本发明专利技术针对基本人工鱼群算法由于视野固定不变，而导致算法收敛速度变慢、运算量增大的问题，提出了一种WAD-AFSA，并将该算法应用于移动机器人的路径规划。通过采用栅格法进行环境建模，利用提出的WAD-AFSA和行为选择策略进行路径优化，避免路径陷入局部最优。相应的仿真实验表明，本文的WAD-AFSA在移动机器人路径规划中比传统的人工鱼群算法优化效果更优。

【技术实现步骤摘要】

本专利技术涉及路径规划方法
，具体为一种基于加权平均距离视觉鱼群算法 的移动机器人路径规划方法。
技术介绍
移动机器人路径规划是现在研究的热点问题之一。移动机器人路径规划是在有障 碍物的环境中按照一定的搜索规律从起始位置到终止位置的无碰撞最优路径。 机器人路径规划可以分成2种：一种是诸如人工势场法、Voronoi图法和可视图法 等。人工势场方法拥有简单的结构，但存在容易陷入局部最优解的问题；可视图法能够获 得最短路径但其搜索效率较低；Voronoi图法安全性较高但起始节点到目标节点的路径较 长。一种是随着技术的发展，环境模型复杂性和任务难度的增加，一些仿生算法也随之出 现，如蚁群算法、遗传算法、蜂群算法、蛙跳算法、粒子群算法等。蚁群算法是目前在机器人 路径规划方面应用比较完善的算法，具有较强的鲁棒性、优良的分布式计算，但其搜索时间 较长易于出现早熟停滞现象。遗传算法把遗传算子应用到机器人的研究中，对机器人的路 径规划具有良好的效果，但其占据较大的存储空间且局部寻优能力较差。蜂群算法搜索速 度快、易于实现，但存容易陷入局部最优、搜索效率低等不足。蛙跳算法的缺点在于易收敛 于局部最优解、求解精度较低。粒子群算法的优势在于简单且容易实现，但其本身存在易过 早收敛而陷入局部最优的缺点。
技术实现思路
本专利技术所解决的技术问题在于提供一种基于加权平均距离视觉鱼群算法的移动 机器人路径规划方法，以解决上述
技术介绍
中的问题。 本专利技术所解决的技术问题采用以下技术方案来实现：基于加权平均距离视觉鱼群 算法的移动机器人路径规划方法，包括以下步骤： Stepl :获取人工鱼的群体规模fishnum、最大迭代次数NC、视野范围visual、最大 移动步长step、拥挤度因子δ、尝试次数Try_nUmber等，可行性路径数目N，路径结点数η。 Step2:将机器人行走的环境根据栅格法进行环境建模，并随机生成Ν条可行性路 径。 Step3:将fishnum条人工鱼放到起点位置S处，且S为每条可行性路径的起始位 置。 Step4:计算每条人工鱼的食物浓度，把最小值放入公告板中。 Step5:执行人工鱼的追尾行为、聚群行为，并采用行为选择策略选择优的前进方 向，缺省行为是觅食行为。Step6:计算每条人工鱼的食物浓度，其最小值与公告板中的值进行比较，更新公 告板使得公告板中的值最小。 Step7 :判断是否满足终止条件，如果满足跳转Step8,否则跳转Step5. Step8 :程序结束，公告板中的值就是最优值，对应的路径则是最优路径。 与已公开技术相比，本专利技术存在以下优点：本专利技术针对基本人工鱼群算法由于视 野固定不变，而导致算法收敛速度变慢、运算量增大的问题，提出了一种加权平均距离视觉 鱼群算法（WAD-AFSA)，并将该算法应用于移动机器人的路径规划。通过采用栅格法进行环 境建模，利用提出的WAD-AFSA和行为选择策略进行路径优化，避免路径陷入局部最优。相 应的仿真实验表明，本专利技术中的WAD-AFSA在移动机器人路径规划中比传统的人工鱼群算 法优化效果更优。【具体实施方式】 为了使本专利技术的技术手段、创作特征、工作流程、使用方法达成目的与功效易于明 白了解，下面将结合本专利技术实施例，对本专利技术实施例中的技术方案进行清楚、完整地描述， 显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的 实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都 属于本专利技术保护的范围。 ，包括以下步骤： Stepl:获取人工鱼的群体规模fishnum、最大迭代次数NC、视野范围visual、最大 移动步长step、拥挤度因子δ、尝试次数Try_nUmber等，可行性路径数目N，路径结点数η。 Step2 :将机器人行走的环境根据栅格法进行环境建模，并随机生成Ν条可行性路 径。 Step3 :将fishnum条人工鱼放到起点位置S处，且S为每条可行性路径的起始位 置。 Step4 :计算每条人工鱼的食物浓度，把最小值放入公告板中。 Step5:执行人工鱼的追尾行为、聚群行为，并采用行为选择策略选择优的前进方 向，缺省行为是觅食行为。 Step6 :计算每条人工鱼的食物浓度，其最小值与公告板中的值进行比较，更新公 告板使得公告板中的值最小。 Step7 :判断是否满足终止条件，如果满足跳转Step8,否则跳转Step5. Step8 :程序结束，公告板中的值就是最优值，对应的路径则是最优路径。 人工鱼的总数为fishnum，人工鱼的最大移动步长为Step，视野范围为visual，尝 试次数为Try_number，拥挤度因子为δ。 人工鱼的当前位置为M(Xi, ，食物浓度为Y=f(M)，其中Υ为Μ与目标位置的欧 氏距离， 如式⑴所示：(1)式中，（XiJi)，（xe，ye)为Μ和目标点的坐标。 视野是通过加权平均距离得到为d，由于采用的是栅格法建立模型，因此视野范围 为以人工鱼所在位置为中心的d*d的矩形范围。 任意栅格间的距离指两栅格的连线长度，记为r(Pl，P])或r(M(Xl，yi)，M(X]，y,))， 如式⑵所示： 人工鱼群算法中人工鱼移动的步长是随机的，而栅格环境中存在障碍物，因此人 工鱼只能向相邻的栅格移动，且只能移动到白色的栅格，故将相邻栅格的距离作为人工鱼 移动的步长。当人工鱼在进行聚群或追尾行为时，也只能移动到与目标点最近的白色栅格。 任意栅格的边长为1，则任意栅格？1的可行性邻域栅格记为 人工鱼从Η中随机选择一个栅格记作rand(HPl)。 随机生成N个可行性解（KdI，…KN)作为初始路径，每条路径&中的每个元素可 表示为1 =(k&kl2，…kin)，其中&中的每个元素对应环境模型中的栅格序列号。 以上显示和描述了本专利技术的基本原理、主要特征及本专利技术的优点。本行业的技术 人员应该了解，本专利技术不受上述实施例的限制，上述实施例和说明书中描述的只是说明本 专利技术的原理，在不脱离本专利技术精神和范围的前提下，本专利技术还会有各种变化和改进，这些变 化和改进都落入要求保护的本专利技术范围内。本专利技术的要求保护范围由所附的权利要求书及 其等效物界定。【主权项】1. 一种，其特征在于：包 括以下步骤： Stepl :获取人工鱼的群体规模fishnum、最大迭代次数NC、视野范围visual、最大移动 步长step、拥挤度因子S、尝试次数Try_nUmber，可行性路径数目N，路径结点数n ; Step2 :将机器人行走的环境根据栅格法进行环境建模，并随机生成N条可行性路径； Step3 :将fishnum条人工鱼放到起点位置S处，且S为每条可行性路径的起始位置； Step4 :计算每条人工鱼的食物浓度，把最小值放入公告板中； Step5 :执行人工鱼的追尾行为、聚群行为，并采用行为选择策略选择优的前进方向，缺 省行为是觅食行为； Step6 :计算每条人工鱼的食物浓度，其最小值与公告板中的值进行比较，更新公告板 使得公告板中的值最小； Step7 :判断是否满足终止条件，如果满足跳转Step8,否则跳转Step5 ; StepS :程序结束，公告本文档来自技高网...

【技术保护点】
一种基于加权平均距离视觉鱼群算法的移动机器人路径规划方法，其特征在于：包括以下步骤：Step1：获取人工鱼的群体规模fishnum、最大迭代次数NC、视野范围visual、最大移动步长step、拥挤度因子δ、尝试次数Try_number，可行性路径数目N，路径结点数n；Step2：将机器人行走的环境根据栅格法进行环境建模，并随机生成N条可行性路径；Step3：将fishnum条人工鱼放到起点位置S处，且S为每条可行性路径的起始位置；Step4：计算每条人工鱼的食物浓度，把最小值放入公告板中；Step5：执行人工鱼的追尾行为、聚群行为，并采用行为选择策略选择优的前进方向，缺省行为是觅食行为；Step6：计算每条人工鱼的食物浓度，其最小值与公告板中的值进行比较，更新公告板使得公告板中的值最小；Step7：判断是否满足终止条件，如果满足跳转Step8，否则跳转Step5；Step8：程序结束，公告板中的值就是最优值，对应的路径则是最优路径。

【技术特征摘要】

【专利技术属性】
技术研发人员：黄宜庆，袁梦茹，李小凤，彭凯，邵受琛，
申请(专利权)人：安徽工程大学，
类型：发明
国别省市：安徽;34