一种路径规划方法技术

本发明专利技术一种路径规划方法，所述规划方法包括：根据实际环境创建地图，预设蝴蝶种群大小为M和总迭代次数，在所述地图上初始化M条随机路径作为M只蝴蝶的初始值；根据每条路径的长度和转弯点数得到每只蝴蝶的适应度；对适应度和切换概率进行非线性调整得到选择概率；生成一个随机数，根据所述随机数和所述选择概率判断进行全局搜索或局部搜索，其解决了现有技术中存在的当判断进入全局搜索或局部搜索的准确性不佳时，将会导致进入全局搜索的收敛速度降低，进入局部搜索后难以跳出局部最优的问题。题。题。

【技术实现步骤摘要】
一种路径规划方法


[0001]本专利技术涉及人工智能
，尤其涉及一种路径规划方法。

技术介绍

[0002]路径规划的目的是在仓储环境下找到一条从起点到终点的无碰撞的最短搬运路径，蝴蝶优化算法是基于生物界中的蝴蝶觅食行为提出的搜索智能算法，被用来规划机器人的最短搬运路径。
[0003]在蝴蝶算法中，每只蝴蝶会因为香味朝着最优蝴蝶个体移动，在一定程度上优化了蝴蝶个体更新的位置，当进入全局搜索阶段，随机数和选择概率决定了下一代蝴蝶的移动位置，随机生成的r使得通过算法求得的蝴蝶较为分散，会导致下一代蝴蝶个体不能快速地移动到当前最优蝴蝶个体的位置，导致算法的收敛速度降低；当进入局部搜索阶段，蝴蝶不能感知周围环境的香味时，会在自身附近做随机搜索，但由于搜索范围有限，导致蝴蝶个体移动到最优蝴蝶个体的概率不高，同时，当搜索到自身附近的最优值时，难以跳出局部最优。因此，判断是进入全局搜索还是局部搜索的准确性变得尤为重要。
[0004]可见，现有技术中，当判断进入全局搜索或局部搜索的准确性不佳时，将会导致进入全局搜索的收敛速度降低，进入局部搜索后难以跳出局部最优。

技术实现思路

[0005]针对现有技术中所存在的不足，本专利技术提供了一种路径规划方法，其解决了现有技术中存在的当判断进入全局搜索或局部搜索的准确性不佳时，将会导致进入全局搜索的收敛速度降低，进入局部搜索后难以跳出局部最优的问题。
[0006]本专利技术提供一种路径规划方法，所述规划方法包括：根据实际环境创建地图，预设蝴蝶种群大小为M和总迭代次数，在所述地图上初始化M条随机路径作为M只蝴蝶的初始值；根据每条路径的长度和转弯点数得到每只蝴蝶的适应度；对适应度和切换概率进行非线性调整得到选择概率；生成一个随机数，根据所述随机数和所述选择概率判断进行全局搜索或局部搜索。
[0007]可选地，所述选择概率的计算公式为：
[0008][0009]其中，p
i
表示选择概率，p表示切换概率，fit
i
表示第i只蝴蝶的适应度。
[0010]可选地，所述根据所述随机数和所述选择概率判断进入全局搜索或局部搜索包括：当所述随机数小于所述选择概率时，进行全局搜索；当所述随机数大于所述选择概率时，进行局部搜索。
[0011]可选地，所述全局搜索的计算公式为：
[0012][0013]其中，表示第i只蝴蝶在第t+1次迭代中的解向量，表示第i只蝴蝶在第t次迭代中的解向量，g*表示第t次迭代中的最优解向量。
[0014]可选地，所述进行局部搜索包括：计算每只蝴蝶的动态变异概率因子；根据所述动态变异概率因子得到局部搜索结果。
[0015]可选地，所述动态变异概率因子的计算公式为：
[0016][0017]其中，p
c
动态变异概率因子，b表示变异因子的权重系数，t表示当前迭代次数，MaxIterate表示总迭代次数。
[0018]可选地，所述局部搜索的计算公式为：
[0019][0020]表示第i只蝴蝶在第t+1次迭代中的解向量，表示第i只蝴蝶在第t次迭代中的解向量，表示第j只蝴蝶在第t次迭代中的解向量，表示第k只蝴蝶在第t次迭代中的解向量。
[0021]可选地，所述适应度的计算公式为：
[0022][0023]其中，fit表示适应度，path
lenth
表示路径的长度，node
num
表示路径的转弯点数。
[0024]可选地，所述根据所述随机数和所述选择概率判断进行全局搜索或局部搜索之后，所述规划方法还包括：根据全局搜索的结果和局部搜索的结果更新蝴蝶位置；根据全局搜索次数和局部搜索次数更新当前迭代次数；判断当前迭代次数是否达到预设的总迭代次数。
[0025]可选地，所述判断当前迭代次数是否达到预设的总迭代次数包括：当所述当前迭代次数小于预设的总迭代次数时，重新根据每条路径的长度和转弯点数得到每只蝴蝶的适应度；当所述当前迭代次数等于预设的总迭代次数时，输出多个全局搜索的搜索结果或局部搜索的搜索结果；根据多个全局搜索的搜索结果或局部搜索的搜索结果输出最优路径。
[0026]相比于现有技术，本专利技术具有如下有益效果：
[0027]根据每条路径的长度和转弯点数得到每只蝴蝶的适应度；对适应度和切换概率进行非线性调整得到选择概率；生成一个随机数，根据所述随机数和所述选择概率判断进行全局搜索或局部搜索，通过进行非线性调整，可以动态调节选择概率，即能够动态选择香味最佳蝴蝶，适应值高的进行局部搜索，劣势的进行全局搜索，这样既能避免破坏最优解，也不会陷入局部最优无法出来。
附图说明
[0028]图1为本专利技术实施例提供的一种路径规划方法的流程图；
[0029]图2为本专利技术实施例提供的一种仓储环境的栅格地图；
[0030]图3为本专利技术实施例提供的另一种路径规划方法的流程图；
[0031]图4本专利技术实施例提供的障碍物覆盖率为10％的环境下不同算法进行路径规划结果图；
[0032]图5为本专利技术实施例提供的不同算法的收敛性对比图。
具体实施方式
[0033]下面结合附图及实施例对本专利技术中的技术方案进一步说明。
[0034]图1为本专利技术实施例提供的一种路径规划方法的流程图，如图1所示，所述规划方法包括以下步骤：
[0035]步骤S100：根据实际环境创建地图，预设蝴蝶种群大小为M和总迭代次数，在所述地图上初始化M条随机路径作为M只蝴蝶的初始值；
[0036]在步骤S100中，根据实际环境创建地图，图2为本专利技术实施例提供的一种仓储环境的栅格地图，如图2所示，例如在仓储式环境中，根据仓储环境、障碍区域位置信息建立20*20的栅格地图，黑色方块代表障碍物，白色方块代表可通行区域，在栅格地图上创建M条路径，通过插入法初始化M条随机路径作为M只蝴蝶的初始值。
[0037]步骤S200：根据每条路径的长度和转弯点数得到每只蝴蝶的适应度；
[0038]在步骤S200中，所述适应度的计算公式为：
[0039][0040]其中，fit表示适应度，path
lenth
表示路径的长度，node
num
表示路径的转弯点数。
[0041]步骤S300：对适应度和切换概率进行非线性调整得到选择概率；
[0042]在步骤S300中，所述选择概率的计算公式为：
[0043][0044]其中，p
i
表示选择概率，p表示切换概率，fit
i
表示第i只蝴蝶的适应度，即第i只蝴蝶的香味儿值。
[0045]步骤S400：生成一个随机数，根据所述随机数和所述选择概率判断进行全局搜索或局部搜索。
[0046]在步骤S400中，生成的随机数属于(0，1)，通过生成的随机数与选择概率进行比较判断进行全局搜索或局部搜索。
[0047]在本实施中，根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种路径规划方法，其特征在于，所述规划方法包括：根据实际环境创建地图，预设蝴蝶种群大小为M和总迭代次数，在所述地图上初始化M条随机路径作为M只蝴蝶的初始值；根据每条路径的长度和转弯点数得到每只蝴蝶的适应度；对适应度和切换概率进行非线性调整得到选择概率；生成一个随机数，根据所述随机数和所述选择概率判断进行全局搜索或局部搜索。2.如权利要求1所述的一种路径规划方法，其特征在于，所述选择概率的计算公式为：其中，p
i
表示选择概率，p表示切换概率，fit
i
表示第i只蝴蝶的适应度。3.如权利要求2所述的一种路径规划方法，其特征在于，所述根据所述随机数和所述选择概率判断进入全局搜索或局部搜索包括：当所述随机数小于所述选择概率时，进行全局搜索；当所述随机数大于所述选择概率时，进行局部搜索。4.如权利要求3所述的一种路径规划方法，其特征在于，所述全局搜索的计算公式为：其中，表示第i只蝴蝶在第t+1次迭代中的解向量，表示第i只蝴蝶在第t次迭代中的解向量，g*表示第t次迭代中的最优解向量。5.如权利要求3所述的一种路径规划方法，其特征在于，所述进行局部搜索包括：计算每只蝴蝶的动态变异概率因子；根据所述动态变异概率因子得到局部搜索结果。6.如权利要求5所述的一种路径规划方法，其特征在于，所述动态变异概率因子的计算公式为：其中，p
c
动态变异概率因子，b表示变异因子的权重...

【专利技术属性】
技术研发人员：张爱旎，
申请(专利权)人：重庆位图信息技术有限公司，
类型：发明
国别省市：