基于优化烟花算法的多智能体路径规划方法及装置制造方法及图纸

本申请公开了一种基于优化烟花算法的多智能体路径规划方法及装置。该方法包括：针对每一个智能体初始化N个烟花，计算每一个烟花的适应度，适应度与路径长度、路径碰撞风险度、智能体间碰撞风险度、路径平滑度相关；保存N个烟花中适应度最小的一个烟花作为最优烟花；计算每一个烟花的路径碰撞程度，选择路径碰撞程度为0且适应度最小的Na个烟花；生成爆炸火花、高斯变异火花以及差分进化火花，计算每个火花的适应度；从Na个烟花、爆炸火花、高斯变异火花、以及差分进化火花中选择N

【技术实现步骤摘要】
基于优化烟花算法的多智能体路径规划方法及装置


[0001]本申请涉及人工智能
，特别涉及一种基于优化烟花算法的多智能体路径规划方法及装置。

技术介绍

[0002]无人机、无人艇和水下UUV等多智能体无人平台通过协同方式完成既定任务是未来智能化作战的主要作战样式，可有效弥补单个智能体无法独立完成复杂任务的缺陷，同时缩短执行任务的时间，提高解决方案的有效性与鲁棒性。多智能体路径规划(Multi
‑
Agent Path Finding，MAPF)则是多智能体协同技术的一个主要研究方向，旨在为每个智能体规划出一条满足目标要求的有效路径。MAPF要求工作环境中的信息全部已知，而且在智能体移动的过程中环境信息保持不变，它是单智能体路径规划的发展与衍生，可定义为寻找多个智能体从起始点到目标点且无冲突的最优路径集合的问题。与单智能体全局路径规划不同的是，多智能体系统中的智能体间涉及到“协调”与“合作”，所以进行多智能体规划路径时，不仅要考虑路径平滑程度、智能体与障碍间的距离，还应该考虑智能体自身之间的碰撞问题。因此，对于MAPF任务而言，其中为每个智能体规划的路径未必是最优的，但是对于整个MAPF系统而言是较优的。
[0003]群智能优化算法通过模拟自然界中生物种群的生理机制，捕捉群体所呈现的智能涌现行为而获得强大的搜索能力，因此群智能优化算法在实现多智能体路径规划方面具有很强的适应性。

技术实现思路

[0004]本申请提供了一种基于优化烟花算法的多智能体路径规划方法及装置，以采用一种改进的烟花算法实现多智能体全局路径规划。
[0005]本申请的技术方案如下：
[0006]一方面，提供了一种基于优化烟花算法的多智能体路径规划方法，该方法包括：
[0007]步骤1：初始化迭代次数t＝1，针对每一个智能体初始化N个烟花，一个烟花为一条路径；计算N个烟花中每一个烟花的适应度；其中，适应度与路径长度、路径碰撞风险度、智能体间碰撞风险度、以及路径平滑度相关；
[0008]步骤2：保存N个烟花中适应度最小的一个烟花作为最优烟花；
[0009]步骤3：计算N个烟花中每一个烟花的路径碰撞程度，选择路径碰撞程度为0且适应度最小的Na个烟花，其中Na＜N，路径碰撞程度为0表示路径与所有障碍物均不存在碰撞情况；
[0010]步骤4：对Na个烟花进行爆炸生成爆炸火花，计算每个爆炸火花的适应度；对Na个烟花进行高斯变异生成高斯变异火花，计算每个高斯变异火花的适应度；
[0011]步骤5：生成随机数ξ，若ξ大于预设阈值，则从Na个烟花中任意选择两个烟花，若ξ不大于预设阈值，则从N个烟花中任意选择两个烟花，对选中的两个烟花进行差分进化运算
生成差分进化火花，计算差分进化火花的适应度，其中，ξ∈[0，1]，预设阈值属于(0，1)；
[0012]步骤6：从由Na个烟花、爆炸火花、高斯变异火花、以及差分进化火花组成的候选集合中选择N
‑
1个个体，将选中的N
‑
1个个体和保存的最优烟花作为下一次迭代的烟花；
[0013]步骤7：令t＝t+1，判断t是否大于最大迭代次数，若不大于，则返回步骤2执行下一次的迭代操作，若大于，则将最终的最优烟花作为对应智能体的全局最优路径。
[0014]另一方面，还提供了一种基于优化烟花算法的多智能体路径规划装置，该装置包括：
[0015]初始化模块，用于初始化迭代次数t＝1，针对每一个智能体初始化N个烟花，一个烟花为一条路径；
[0016]计算模块，用于计算N个烟花中每一个烟花的适应度；其中，适应度与路径长度、路径碰撞风险度、智能体间碰撞风险度、以及路径平滑度相关；还用于计算N个烟花中每一个烟花的路径碰撞程度，选择路径碰撞程度为0且适应度最小的Na个烟花，其中Na＜N，路径碰撞程度为0表示路径与所有障碍物均不存在碰撞情况；还用于计算每个爆炸火花的适应度，计算每个高斯变异火花的适应度，计算差分进化火花的适应度；
[0017]保存模块，用于保存N个烟花中适应度最小的一个烟花作为最优烟花；
[0018]生成模块，用于对Na个烟花进行爆炸生成爆炸火花，对Na个烟花进行高斯变异生成高斯变异火花；还用于生成随机数ξ，若ξ大于预设阈值，则从Na个烟花中任意选择两个烟花，若ξ不大于预设阈值，则从N个烟花中任意选择两个烟花，对选中的两个烟花进行差分进化运算生成差分进化火花，其中，ξ∈[0，1]，预设阈值属于(0，1)；
[0019]选择模块，用于从由Na个烟花、爆炸火花、高斯变异火花、以及差分进化火花组成的候选集合中选择N
‑
1个个体，将选中的N
‑
1个个体和保存的最优烟花作为下一次迭代的烟花；
[0020]判断模块，用于令t＝t+1，判断t是否大于最大迭代次数，若不大于，则指令计算模块、保存模块、生成模块、选择模块执行下一次的迭代操作，若大于，则将最终的最优烟花作为对应智能体的全局最优路径。
[0021]在本申请的技术方案中，对多智能体协同路径规划问题进行了深入分析，采用烟花算法对多智能体进行全局路径规划，并且对传统烟花算法进行了优化改进，建立了多智能体协同路径规划性能指标，在传统烟花算法的基础上增加了差分进化火花，对多智能体协同路径进行最优化求解，以解决基于演化算法的多智能体协同路径规划问题求解。该方法有效提高了多智能体路径规划的全局收敛鲁棒性和路径搜索能力，并且提高了每次迭代的种群多样性和算法多样性，防止算法陷入局部最优解，提高了多智能体路径规划的性能。
附图说明
[0022]图1是本专利技术实施例的基于优化烟花算法的多智能体路径规划方法的流程图；
[0023]图2是本专利技术实施例的多智能体路径规划结果实例图；
[0024]图3是本专利技术实施例的基于优化烟花算法的多智能体路径规划装置的结构示意图；
[0025]图4是本专利技术另一实施例的基于优化烟花算法的多智能体路径规划装置的结构示意图。
具体实施方式
[0026]为了解决现有技术存在的问题，本申请以下实施例中提供了一种基于优化烟花算法的多智能体路径规划方法及装置。
[0027]近年来，群体智能算法得到了长足的发展。群体智能指由大量简单个体组成的群体所呈现出的智能涌现行为，采用多个个体间相互协作与竞争的方式对解空间进行并行搜索，具有单个个体没有的搜索能力。烟花算法(Fireworks A1gorithm，FWA)是受到夜空中烟花爆炸的启发而提出的一种群体智能算法。本专利技术实施例采用一种改进的烟花算法实现多智能体全局路径规划，通过建立多智能体协同路径规划性能指标，并在传统烟花算法的基础上增加了差分进化爆炸火花，对多智能体协同路径进行最优化求解，提高了多智能体路径规划的全局收敛鲁棒性和路径搜索能力，并且提高了算法的多样性，防止算法陷入局部最优解。本专利技术实施例的方法能够充分发挥群体智能算法的强大寻优能力来实现多智能体全局路径规划。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于优化烟花算法的多智能体路径规划方法，其特征在于，所述方法包括：步骤1：初始化迭代次数t＝1，针对每一个智能体初始化N个烟花，一个烟花为一条路径；计算N个烟花中每一个烟花的适应度；其中，适应度与路径长度、路径碰撞风险度、智能体间碰撞风险度、以及路径平滑度相关；步骤2：保存N个烟花中适应度最小的一个烟花作为最优烟花；步骤3：计算N个烟花中每一个烟花的路径碰撞程度，选择路径碰撞程度为0且适应度最小的Na个烟花，其中Na＜N，路径碰撞程度为0表示路径与所有障碍物均不存在碰撞情况；步骤4：对Na个烟花进行爆炸生成爆炸火花，计算每个爆炸火花的适应度；对所述Na个烟花进行高斯变异生成高斯变异火花，计算每个高斯变异火花的适应度；步骤5：生成随机数ξ，若ξ大于预设阈值，则从所述Na个烟花中任意选择两个烟花，若ξ不大于所述预设阈值，则从N个烟花中任意选择两个烟花，对选中的两个烟花进行差分进化运算生成差分进化火花，计算所述差分进化火花的适应度，其中，ξ∈[0，1]，所述预设阈值属于(0，1)；步骤6：从由所述Na个烟花、所述爆炸火花、所述高斯变异火花、以及所述差分进化火花组成的候选集合中选择N
‑
1个个体，将选中的N
‑
1个个体和保存的最优烟花作为下一次迭代的烟花；步骤7：令t＝t+1，判断t是否大于最大迭代次数，若不大于，则返回步骤2执行下一次的迭代操作，若大于，则将最终的最优烟花作为对应智能体的全局最优路径。2.根据权利要求1所述的方法，其特征在于，路径P＝{p
S
，p1，p2，...，p
i
，...，p
D
，p
T
}，p
S
和p
T
分别表示路径P的起始点和目标点的坐标，p
i
表示路径P在维度i上的点坐标，i＝1，2，...，D，路径中相邻两个点组成一个路径段，路径P上包含D+1个路径段，则路径碰撞程度cv的计算公式如下：其中，cv
j，k
表示第j个路径段与第k个障碍物的碰撞程度，cv
j，k
的取值为0或1，cv
j，k
＝0表示未发生碰撞，cv
j，k
＝1表示发生了碰撞，H是障碍物总数。3.根据权利要求2所述的方法，其特征在于，按照以下公式计算适应度F：F＝w1×
F
length
+w2×
F
safe，ob
+w3×
F
safe，ro
+w4×
F
smooth
；其中，F
length
表示路径长度、F
safe，ob
表示路径碰撞风险度、F
safe，ro
表示智能体间碰撞风险度、F
smooth
表示路径平滑度，w1、w2、w3、w4为权重系数，w1∈[0，1]、w2∈[0，1]、w3∈[0，1]、w4∈[0，1]，且w1+w2+w3+w4＝1；路径长度F
length
为路径上所有路径段长度的总和；其中，p
obs，k
表示第k个障碍物
的坐标，R
k
表示第k个障碍物的最大影响范围，ρ、B为用于决定障碍物的影响范围的参数；其中，假设在同一时刻智能体a移动到第m
a
个路径段上的点智能体b移动到第n
b
个路径段上的点点与点重合；a≠b，d
po，a
和d
po，b
分别表示智能体a和智能体b从起始点到交点的路径长度，v为智能体的运行速度，G为智能体总数，G个智能体的运行速度相同；路径平滑度F
smooth
为路径的所有偏转角度的总和。4.根据权利要求1所述的方法，其特征在于，在所述计算每个爆炸火花的适应度之前，还包括：按照以下公式将超出边界的爆炸火花映射到新位置坐标；在所述计算每个高斯变异火花的适应度之前，还包括：按照以下公式将超出边界的高斯变异火花映射到新位置坐标；p
′
z
＝p
L，z
+|p
z
|％(p
U，z
‑
p
L，z
)，其中，p
z
表示火花在维度z上的点坐标，p
′
z
表示映射后的火花在维度z上的新坐标，p
L，z
和p
U，z
分别表示解空间在维度z上的下边界和上边界。5.根据权利要求1至4中任一项所述的方法，其特征在于，对Na个烟花进行爆炸生成爆炸火花，具体包括：针对Na个烟花中的每一个烟花P
i
，按照以下公式计算烟花P
i
的爆炸火花数目V
i
和爆炸半径A
i
；随机选择烟花P
i
中的多个维度，计算每个维度对应的偏移量h；在不同维度上按照对应的偏移量对烟花P
i
进行偏移，生成V
i
个爆炸火花；个爆炸火花；h＝A
i
×
U(
‑
1，1)，其中，F(P
i
)表示烟花P
i
的适应度，y<...

【专利技术属性】
技术研发人员：吴亚非，臧义华，梁佳，孟晓燕，马兴民，
申请(专利权)人：中国电子科技集团公司第十五研究所，
类型：发明
国别省市：