基于改进蚁群算法的多农机协同作业远程管理调度方法技术

本发明专利技术涉及一种基于改进蚁群算法的多机协同作业远程管理调度方法，包括任务规划和路径规划，任务规划分为任务分配和任务序列优化。首先，根据农田作业环境中的初始任务信息和农机信息，根据农机与任务的供需匹配原则，通过改进蚁群算法获得最优任务分配方案；其次，根据最优任务分配方案，通过改进蚁群算法对各农机分配的多个任务进行任务序列优化，获得最优任务序列方案；最后，根据初始环境信息建立环境地图模型，根据最优任务分配方案、最优任务序列方案以及动静态障碍物、任务地块之间的路径代价、路径平滑因素，通过改进蚁群算法进行路径规划，获得最优路径规划方案，寻求一条无碰撞的最优路径。

【技术实现步骤摘要】
基于改进蚁群算法的多农机协同作业远程管理调度方法
本专利技术涉及人工智能领域及农机自动导航
，尤其涉及一种基于蚁群算法的多农机协同作业远程管理调度方法。
技术介绍
随着中国农业集约化、规模化、产业化的发展，以及自动导航作业需求的提高，多台同种或异种农机在田间协同作业的多机协同导航作业模式成为农机导航研究的重点。目前区域农田中的作业管理缺乏高效的农机调度与多机协同作业信息获取手段及科学决策方法。农机作业过程中调度供需信息不对称，农机管理部门缺乏科学合理的调度管理方案，调度成本高且效率低，无法指导农机进行及时有效的调度。多机协同作业远程管理调度可以帮助农机作业管理人员更快、更精确、更有效率地完成工作，减少昂贵的复查和补救遗漏作业，大大减轻劳动强度、提高作业精度、提高农业资源利用率和投入产出比，而且有利于实现农田规模化生产。近年来，将智能优化算法用于多机协同导航系统已成为协同控制领域的一个热点问题，其中，蚁群算法是重点研究对象之一，蚁群算法是一种用来寻找优化路径的概率型算法，可以在合理的时间范围内找到可接受的最优解。...

【技术保护点】
1.一种基于改进蚁群算法的多农机协同作业远程管理调度方法，其特征在于：包括如下步骤：/nS1、任务规划；/nS1.1、任务分配；/n利用远程管理平台发布的初始任务信息和农机信息，初始任务信息包括初始任务数量和任务坐标；农机信息包括农机数量和农机坐标；根据农机与任务的供需匹配原则，通过改进蚁群算法获得最优任务分配方案；/nS1.1.1、参数初始化；/n设置改进蚁群算法的相关参数，包括蚂蚁数量m、信息素挥发因子ρ、信息素常系数Q以及最大迭代次数n；/nS1.1.2、通过公式1计算每个农机任务组合的路径代价，即农机与相应任务地块的距离：/nD(i,j)＝sqrt(sum((worker(i,:)-t...

【技术特征摘要】
1.一种基于改进蚁群算法的多农机协同作业远程管理调度方法，其特征在于：包括如下步骤：
S1、任务规划；
S1.1、任务分配；
利用远程管理平台发布的初始任务信息和农机信息，初始任务信息包括初始任务数量和任务坐标；农机信息包括农机数量和农机坐标；根据农机与任务的供需匹配原则，通过改进蚁群算法获得最优任务分配方案；
S1.1.1、参数初始化；
设置改进蚁群算法的相关参数，包括蚂蚁数量m、信息素挥发因子ρ、信息素常系数Q以及最大迭代次数n；
S1.1.2、通过公式1计算每个农机任务组合的路径代价，即农机与相应任务地块的距离：
D(i,j)＝sqrt(sum((worker(i,:)-task(j,:)).^2))(公式1)
式中，worker(i,:)代表农机i的坐标，task(j,:)代表任务j的坐标，D(i,j)代表农机i和任务j之间的路径代价，单位为米；
S1.1.3、设置每个农机的最大任务执行能力，即每个农机最多能完成的任务数量，初始化任务执行能力函数，如公式2所示：
worker_quality＝maxT(公式2)
式中，maxT代表每个农机最多能完成的任务数量，worker_quality代表当前任务执行能力；
S1.1.4、每只蚂蚁按照农机和任务编号顺序选择下一个农机任务组合，通过公式3更新每个农机的任务执行能力函数；
worker_quality(i)＝worker_quality(i)-1(公式3)
式中，worker_quality(i)代表农机i的当前任务执行能力；若一个农机的任务执行能力函数worker_quality(i)等于0时，则代表农机i当前任务执行能力为0，此时需要选择下一个农机；
S1.1.5、判断是否遍历所有任务，如果已遍历所有任务，则通过公式4至公式7计算每个蚂蚁相应规划方案的路径总长度，记录路径代价最小的任务分配方案；否则，返回步骤S1.1.4；
oneant_path(i,j)＝1(公式4)
all_ant_path＝[all_ant_path；oneant_path](公式5)
each_ant_path＝all_ant_path(((k-1)*task_number+1):(task_number*k),:)(公式6)
cost＝sum(each_ant_path.*DT)(公式7)
在公式4至公式7中，oneant_path(i,j)代表蚂蚁生成的一组农机任务组合，当任务j分配给农机i时，oneant_path(i,j)赋值为1；all_ant_path存储所有蚂蚁生成的农机任务组合；each_ant_path代表第k只蚂蚁生成的农机任务组合；task_number代表任务数量，DT表示农机和任务之间的路径代价D的转置矩阵；cost代表每只蚂蚁相应任务分配方案的路径总长度，单位为米，进而求得路径代价最小的任务分配方案；
S1.1.6、根据信息素更新规则更新信息素；
利用信息素挥发因子ρ和信息素常系数Q，通过公式8和公式9分别更新所有任务分配方案以及路径代价最小的任务分配方案的信息素；
pheromoneMatrix(task_number,worker_number)
＝pheromoneMatrix(task_number,worker_number)*ρ(公式8)
pheromoneMatrix(best_ant_path(,2),best_ant_path(,1))
＝pheromoneMatrix(best_ant_path(,2),best_ant_path(,1))*Q(公式9)
在公式8和公式9中，pheromoneMatrix代表每个农机任务组合的信息素矩阵；best_ant_path代表路径代价最小的农机任务组合；task_number代表任务数量；worker_number代表农机数量；
S1.1.7、判断是否达到最大迭代次数，如果当前迭代次数小于最大迭代次数n，则重复执行步骤S1.1.4至步骤S1.1.7，直到当前迭代次数等于最大迭代次数n，则输出最优任务分配方案；
S1.2、任务序列优化；
S1.2.1、参数初始化；
设置改进蚁群算法相关参数，包括蚂蚁数量m、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素常系数Q以及最大迭代次数n；
S1.2.2、根据步骤S1.1获得的最优任务分配方案，通过公式8计算每个农机分配的任务地块之间的路径代价，即根据指定的任务坐标计算任务地块之间的距离，单位为米；
D(ji,jj)＝sqrt(sum((task(ji,:)-task(jj,:)).^2))(公式10)
在公式10中，task(ji,:)代表任务ji的坐标，task(jj,:)代表任务jj的坐标，D(ji,jj)代表任务ji和任务jj之间的路径代价，单位为米；
S1.2.3、迭代寻找最佳路径；
S1.2.3.1、随机产生各蚂蚁的起点地块；
S1.2.3.2、根据状态转移概率公式11和公式12进行路径选择，选择下一个地块；






在公式11和公式12中，Eta代表启发函数；Tau代表任务ji和任务jj连接路径上的信息素浓度；P代表状态转移概率；
S1.2.3.3、计算各个蚂蚁的路径长度；
Length(k)＝Length(k)+D(j,j+1)(公式13)
在公式13中，D(j,j+1)代表任务j和任务j+1之间的路径代价，单位为米；Length(k)代表蚂蚁k的路径长度，单位为米；
S1.2.3.4、记录路径代价最小的任务序列方案；
min_Length＝min(Length)(公式14)
Length_best(t)＝min(Length_best(t-1),min_Length)(公式15)
在公式14和公式15中，min_Length代表每次迭代中m只蚂蚁中路径代价最小的任务序列方案；Length_best(t)...

【专利技术属性】
技术研发人员：张漫，曹如月，李世超，季宇寒，徐弘祯，李寒，李民赞，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京;11