一种多机器人全覆盖任务分配方法组成比例

本发明专利技术公开了一种多机器人全覆盖任务分配方法，技术方案是先对全覆盖环境进行分解建模，得到拓扑图G，基于G生成pop棵有向生成树即个体作为第0代种群；采用个体适应度计算方法根据G将要被分割而成的块数q对T1,T2,...,Tk...,Tpop分别计算适应度；找到适应度最小的个体best、适应度最大的个体worst；迭代maxgen代，每一代使用选择交叉和变异算子来选择有潜力的个体、生成新的更有潜力的个体，采用个体适应度计算方法计算第maxgen代的个体的适应度，并在计算过程中记录得到的切割方案。采用本发明专利技术仅需较小的种群、较少的进化代数即可获得与最优解很接近的近似解。

【技术实现步骤摘要】
一种多机器人全覆盖任务分配方法
本专利技术涉及多机器人执行全覆盖任务前的任务分配方法，尤其是一种基于遗传算法的任务分配方法。
技术介绍
全覆盖任务是指：利用移动机器人，在物理接触或传感器感知范围内遍历目标环境区域，并尽可能地满足时间短、重复路径少或未遍历区域小的目标。全覆盖技术是很多机器人应用的基础，例如地板清洁、油污清理、草地修剪、粮食收割、海底探索、扫雷排雷等。多机器人的全覆盖任务具有两个最重要的步骤——任务分配和路径规划。本专利技术涉及到的就是多机器人进行全覆盖任务分配的一种方法。在任务分配之前，需要对全覆盖环境进行建模。由于全覆盖环境一般都比较大，所以整个全覆盖环境将被分解成一个个的小区域。Morse分解方法(文献“AcarEU,ChosetH,RizziAA,etal.Morsedecompositionsforcoveragetasks[J].TheInternationalJournalofRoboticsResearch,2002,21(4):331-344.”译为：覆盖任务的Morse分解，《机器人研究国际期刊》)是一种环境的分解方法，它基于障碍物的形状与覆盖方向，本文档来自技高网...

【技术保护点】
一种多机器人全覆盖任务分配方法，其特征在于包括以下步骤：第一步，利用Morse分解方法对全覆盖环境进行分解，并将每个小区域视作一个拓扑图的顶点，两个区域之间的公共边界线视为拓扑图的边，将真实全覆盖环境建模成顶点带权的拓扑图G＝(V,E,w)，顶点带权指拓扑图的顶点被赋予不同的权值，代表机器人全覆盖此顶点所需要的时间；拓扑图G的顶点编号为0，1，...，j...，n‑1，权值分别是w0，w1，...，wj...，wn‑1，n为V中的顶点个数，0≤j≤n‑1，j是整数；第二步，基于拓扑图G，随机生成pop棵有向生成树作为第0代种群，每一棵有向生成树也称为一个遗传算法个体，pop是偶数，具体步骤如下...

【技术特征摘要】
1.一种多机器人全覆盖任务分配方法，其特征在于包括以下步骤：第一步，利用Morse分解方法对全覆盖环境进行分解，并将每个小区域视作一个拓扑图的顶点，两个区域之间的公共边界线视为拓扑图的边，将真实全覆盖环境建模成顶点带权的拓扑图G＝(V,E,w)，顶点带权指拓扑图的顶点被赋予不同的权值，代表机器人全覆盖此顶点所需要的时间；拓扑图G的顶点编号为0，1，...，j...，n-1，权值分别是w0，w1，...，wj...，wn-1，n为V中的顶点个数，0≤j≤n-1，j是整数；第二步，基于拓扑图G，随机生成pop棵有向生成树作为第0代种群，每一棵有向生成树也称为一个遗传算法个体，pop是偶数，具体步骤如下：2.1基于拓扑图G，随机生成pop棵生成树，表示为T1,T2,...,Tk...,Tpop，1≤k≤pop，每一棵生成树都包含G中所有顶点；2.2对T1,T2,...,Tk...,Tpop进行定根；2.3对有根树T1,T2,...,Tk...,Tpop的边进行定向；2.4使用结构体Indi表示遗传算法个体T1,T2,...,Tk...,Tpop，Indi包含个体的适应度fit、一个数组pre和一个邻接表adj；适应度指这棵树最优地切割成q块时，q块中最重块的权值最小为多少，q是一个大于等于2的整数，表示机器人的台数，等于拓扑图将要被分割而成的块数；pre[j]记录j号结点的直接前驱，adj[j]是一个链表数组，记录j号结点的所有直接后继；树根结点的直接前驱定义为-1；所有的遗传算法个体T1,T2,...,Tk...,Tpop组成第0代种群；第三步，采用个体适应度计算方法SYD(q，pop，T1,T2,...,Tk...,Tpop)根据拓扑图G将要被分割而成的块数q、种群中个体的总数pop对第0代种群中的个体T1,T2,...,Tk...,Tpop分别计算适应度，得到第0代种群T1,T2,...,Tk...,Tpop每个个体的适应度；方法是：迭代地采用二分法猜测与验证的方法，第t次迭代时，猜测一棵树最重块的权值不超过某值Mt时，看该树能否切割成不超过q数目的块；若能，则下一次二分地猜测一个比Mt更小的Mt+1；如不能，则下一次二分地猜测一个比Mt更大的一个Mt+1；第四步，找到第0代种群T1,T2,...,Tk...,Tpop中适应度最小的一个个体best、适应度最大的一个个体worst；第五步，迭代maxgen代，maxgen是一个整数，表示进化的代数，每一代使用选择交叉和变异算子，来选择有潜力的个体、生成新的更有潜力的个体，具体步骤如下：5.1初始化当前代数gen＝1；5.2如果gen<＝maxgen，则执行步骤5.3，否则执行第六步；5.3初始化已处理对数pair＝0；5.4若pair<pop/2，则执行步骤5.5；否则说明总共新生成了pop/2对个体，即得到了第gen代的pop个体，转5.8；5.5从第gen-1代中，选择两个有潜力的个体P1和P2；5.6对P1和P2进行交叉或变异操作，生成第gen代的两个新个体P1’和P2’，具体步骤如下：5.6.1随机生成[0,1)之间的一个小数，如果该小数小于等于交叉概率cr，cr是小于1大于0的常量小数，执行步骤5.6.2，对P1和P2两个个体进行交叉；否则执行步骤5.6.3，对P1和P2两个个体进行变异；5.6.2对步骤5.5选中的第gen-1代中两个个体P1和P2进行交叉，生成第gen代的两个新个体P1’和P2’，方法是：5.6.2.1随机选中顶点集合V中的两个顶点a和b，将P1中a和b之间的路径记为E1，将P2中a和b之间的路径记为E2，交叉的操作就是用E1来修饰更新P2，用E2来修饰更新P1；5.6.2.2采用修饰更新方法f(P2，E1)，用E1来修饰更新P2，得到P2’，然后执行5.6.2.3；f(P，EE)表示用边EE来修饰更新树P，得到P’；5.6.2.3采用修饰更新方法f(P1，E2)，用E2来修饰更新P1，得到P1’，转步骤5.7；5.6.3对步骤5.5选中的第gen-1代中两个个体P1和P2进行变异，生成第gen代的两个新个体P1”和P2”，方法是：5.6.3.1采用变异方法Va(P1)对P1进行变异，得到P1”，变异方法Va(P)表示对个体P进行变异，得到P”；5.6.3.2采用变异方法Va(P2)对P2进行变异，得到P2”；5.7pair＝pair+1，执行步骤5.4；5.8采用个体适应度计算方法SYD(q，pop，T1,T2,...,Tk...,Tpop)计算第gen代的所有pop个个体的适应度，使用Indi结构体，记录第gen代中适应度最大的一个个体worst’；5.9如果worst’的适应度大于best，则第gen代中的worst’个体被best个体替换掉；5.10在第gen代个体中，找到适应度最小的个体，记录为best；5.11gen＝gen+1，执行步骤5.2；第六步，采用个体适应度计算方法SYD(q，pop，T1,T2,...,Tk...,Tpop)计算第maxgen代的个体的适应度，并在计算的过程中记录采用快速树切割算法得到的切割方案；所有个体计算...

【专利技术属性】
技术研发人员：刘惠，王怀民，丁博，周星，史佩昌，胡奔，李艺颖，包慧，尚苏宁，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南,43