【技术实现步骤摘要】
一种基于协同聚集和分支偏差的路径优化方法
[0001]本专利技术涉及机器人路径规划方法，尤其涉及一种基于协同聚集和分支偏差的路径优化方法。
技术介绍
[0002]随着控制技术和人工智能的不断发展，机器人被广泛用于生产、军事及生活等各个领域。路径规划关键在路径搜索算法的选取上。随着各个领域对机器人自主性需求的增加，传统的路径规划算法在快速性、准确性、适应性等方面已不足以满足各领域的要求。作为机器人执行各种任务的必要条件，路径规划算法对于机器人的行进起着不可替代的作用。
[0003]提升算法性能的一种方法是针对算法本身存在的问题，设计相应的策略增强相应的算法能力；或者引入相关数学模型，解决缺陷问题。而另一种方法，则是和其他算法进行融合实现优势互补。
[0004]针对这两种方法，国内外的研究学者都进行了相关的研究。目前，对于算法本身的改进，更多的是对于算法收敛速度、种群多样性等自身特性的稍许加强，适用性较低。对于算法融合，融合后的算法能实现优势互补，能力得到大幅度加强；目前，现有路径规划方法主要注重搜索速度和个体更...
【技术保护点】
【技术特征摘要】
1.一种基于协同聚集和分支偏差的路径优化方法，其特征在于，包括如下步骤：(1)初始化种群及各变量，随机将种群分为两个子种群s1、s2，子种群s1、s2的个体总数分别为n1、n2；(2)基于分支偏差、路径转向惩罚、路径长度和归一化处理设计适应度函数；所述适应度函数的表达式如下：其中，n为种群的个体数；f1(n)为分支偏差，f2(n)为路径转向惩罚，f3(n)为路径长度；μ是f1(n)、f2(n)及f3(n)的均值，ξ为f1(n)、f2(n)及f3(n)的标准差；α、β、γ分别为f1(n)、f2(n)、f3(n)的权重系数；根据适应度函数计算子种群s1、s2中个体的适应度；根据适应度大小，对两个子种群个体进行由小到大排序，分别选出子种群s1、s2中最优个体gb1、gb1，所述最优个体gb1、gb1分别为子种群s1、s2中适应度值最小的个体；(3)分别保留子种群s1、s2适应度排序靠前的i1、i2个个体，把子种群s1、s2中剩下的n1‑
i1、n2‑
i2个个体作为聚集个体b1、b2；(4)利用协同聚集策略分别作用于聚集个体b1、b2；(5)根据适应度分别取s1、s2的前m1％、m2％合成新种群s3，m1％+m2％＝100％；(6)用置换策略随机更新s3个体，并更新全局最优个体；(7)判断是否达到终止条件，若未达到，利用交叉算子和变异算子增加种群多样性；(8)根据步骤(2)
‑
(7)进行迭代直到停止，输出最优路径。2.根据权利要求1所述的基于协同聚集和分支偏差的路径优化方法，其特征在于，所述分支偏差的计算过程如下：将起始点与一个可行路径中的各个路径节点连接，求出这些直线的斜率；定义每个斜率与起始点与终点连线的斜率对应的角度偏差为分支偏差角度σ，σ的计算公式如下：σ＝|arctan k
‑
45
°
|其中，k为起始点与路径中一个路径节点构成直线的斜率；根据每一个分支偏差角度施加一个偏离度惩罚L，则总的分支偏差为：其中，i表示路径中第i个节点，N表示路径总节点数量。3.根据权利要求2所述的基于协同聚集和分支偏差的路径优化方法，其特征在于，根据偏差角度施加的偏离度惩罚如下：4.根据权利要求1所述的基于协同聚集和分支偏差的路径优化方法，其特征在于，所述路径转向惩罚的计算过程如下：假设路径中的三个节点分别为P1(x1,y1)、P2(x2,y2)和P3(x3,y3)，这三个点构成的三角形的三边分别为a、b、c，则以P2为顶点的角即为对应的路径角θ，计算公式如下：
根据路径角的大小施加一个转向能耗惩罚P以约束机器人路径规划中的能耗；依次往下顺延一个路径节点，直到计算完所有转向能耗惩罚，则路径转向惩罚为：其中，i表示路径中第i个节点，P(i)表示第i个节点的转向能耗惩罚，N表示路径总节点数量。5.根据权利要求4所述的基于协同聚集和分支偏差的路径优化方法，其特征在于，施加的转向能耗惩罚为：6.根据权利要求1所述的基于协同聚集和分支偏差的路径优化方法，其特征在于，所述路径长度的计算公式如下：式中，N表示路径节点的数量，x
i...
【专利技术属性】
技术研发人员：杨瑞，徐晨晨，吴一非，吕其深，
申请(专利权)人：江苏海洋大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。