【技术实现步骤摘要】
本专利技术涉及清洁机器人，尤其涉及基于混合遗传算法的移动机器人平滑全局路径规划方法。
技术介绍
1、随着现代工业的快速发展，移动机器人已被广泛应用于诸如制造、组装、物流和运输等多个领域。路径规划是移动机器人学中最重要的主题之一，其目的是找到一个从起始位置到目标位置的可行和最优路径。如果移动机器人沿着它移动可以避免与障碍物碰撞并满足某些最优标准，那么该路径被认为是“可行的”和“最优的”。换句话说，路径规划可以被视为在某些约束(例如无碰撞路线)下对某些指标(例如最短距离)的优化问题。移动机器人的路径规划问题是一个np-hard的优化问题，只能通过启发式算法如进化计算技术来解决。在能够处理np-hard问题的各种算法中，遗传算法已被证明是简单而有效的一种，在工业中特别是在移动机器人学中被频繁使用。近年来，已经开发了各种基于遗传算法的方法来解决移动机器人路径规划问题。
2、基于遗传算法的路径规划方法都关注于规划一个具有某种简单最优准则(例如路径的最小长度)的可行路径问题。实际上，无碰撞的最短路径对于移动机器人的计划移动往往是不够的。例如，传统的路径规划算法常常产生一条包含一些多边形线或甚至尖锐转弯的路径。当沿着这些多边形线移动时，移动机器人经常需要在不同的模式(例如停止、旋转和重新启动)之间切换，这样的切换过程既耗时又耗能。当运动的平滑性是某些服务任务的要求时，这种不希望的切换甚至是不允许的。因此，除了距离外，还应该包括一些其他的优化准则，如路径的平滑性、能量评估、时间消耗和机器人的速度，请注意，除了路径的长度外，路径的平滑
3、近年来，贝塞尔曲线在平滑路径规划问题中的应用越来越多。目前，在文献中基于贝塞尔曲线的方法已得到广泛应用，例如，相关文献多智能体机器人足球系统中的移动机器人路径规划提出了一种基于贝塞尔曲线的方法，该方法与速度和加速度限制相兼容。还有文献中提出了一种无碰撞的、受曲率限制的平滑路径规划技术，其思路是将分段线性路径上的节点划分为控制点子序列，从而在曲率约束下生成无碰撞的复合贝塞尔曲线。到目前为止，已经在文献中提供了一些关于移动机器人或多智能体系统的平滑路径规划问题的零散结果，这些结果通过结合启发式智能优化算法(例如遗传算法)和路径平滑方法(例如贝塞尔曲线)得到。
4、现有文献中的种群初始化、染色体编码和遗传算子，传统遗传算法过早收敛，用于解决基于遗传算法和贝塞尔曲线的移动机器人的平滑路径规划过程相对复杂。
技术实现思路
1、本专利技术提出的基于混合遗传算法的移动机器人平滑全局路径规划方法，针对上述解决基于遗传算法和贝塞尔曲线的移动机器人的平滑路径规划问题。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、基于混合遗传算法的移动机器人平滑全局路径规划方法，包含以下步骤：
4、步骤一、工作空间的表示：工作空间是移动机器人和障碍物都存在的环境，在移动机器人路径规划中，使用基于网格的模型来表示工作空间，用于方便计算距离并表示障碍物；
5、步骤二、初始化种群：在开始时，使用预定义的种群大小m初始化种群，其中每个个体的染色体随机分配在可行集上，在随机创建锚点集后，根据方程(6-9)形成分段三次贝塞尔曲线；让表示包含m个个体的种群，表示路径xi的自由锚点集；在此之前，需要考虑以下特殊情况：
6、情况1：如果路径的两个端点不在可行集中，遗传算法将立即终止；
7、情况2：在没有任何自由锚点(n＝0)；
8、存在的情况下形成的分段三次贝塞尔曲线，本方法将不会被使用，因为染色体的长度取决于自由锚点集的大小；这是分段三次贝塞尔曲线仅包含一个曲线段且路径完全独立于染色体的最简单情况；由于这种情况不太多样化，只需要检查是否有障碍物违反了路径；
9、情况3：当n＝1时，本方法将忽略交叉操作符，表现为一种随机方法；
10、步骤三、计算适应度函数：
11、适应度函数是帮助种群中的个体在多代中能够收敛到理想路径的因素之一，根据安全性和距离优化路径，因此，适应度函数的结果取决于路径的长度和安全级别，基于每个个体的适应度值，算法可以决定好的配对，以便将其基因传递给下一代；出于这个原因，建立适应度函数，其中期望值是最高的，让l(xi)表示由方程(10)和(11)计算得到的曲线路径xi的长度；让f(xi)表示xi的适应度值，适应度函数可以表示为(12)；
12、
13、在上述公式中，p是惩罚值，q是路径遇到障碍物的次数，惩罚策略是处理遗传算法中不可行解的常见技术，由于选择安全路径的优先级较高，通常将p设置为较大的值，以排除短但不可行的路径；
14、步骤四、计算交叉算子：
15、根据分段三次贝塞尔曲线首次遇到障碍物的曲线段索引来确定此值，假设如果某个路径在第j个曲线段的某处穿过了障碍物，那么算法将该路径的前j-1个自由锚点传递给后代，其余自由锚点将从另一个路径接收；因此，后代在继承的曲线段中很少会遇到障碍物，因为路径中的任何自由锚点的更改只会影响与该点相邻的几个贝塞尔段；通过这种方式，可以忽略不可行的路径，并重新传递几乎不与障碍物碰撞的贝塞尔曲线段；
16、步骤五、计算变异算子：
17、与选择操作符相反，变异操作符保持了种群的多样性，变异操作符还弥补了交叉操作符的不足之处，因为它是进程中的最后一个操作符；在这项工作中，变异操作简单地是在经过交叉过程形成的某个后代后随机再生，设w为确定每个个体变异概率的变异率，评估和选择w会影响算法的收敛性，因此，提出了动态变异率方法，以适应种群的每个进化阶段；
18、步骤六、染色体长度自适应
19、上述过程将一直重复，直到h>ht；返回结果是当前的历史优势个体，如果xbestofbest仍然遇到障碍物，那么当前种群中构成个体的锚点数量很可能不能找到可行的解决方案；因此，算法将删除这个种群并用一个新的种群替换它，新种群具有更多的锚点，即在当前染色体中添加一个以上的基因；这个过程将一直重复，直到不止一个xbestofbest没有与地图中的障碍物发生碰撞。
20、优选的，所述步骤一中障碍物的边界是由它们的实际边界加上考虑到移动机器人大小的最小安全距离形成的，以便将移动机器人视为工作空间中的一个点，整个工作空间由有序编号的网格表示，网格的大小决定了有多少个编号，对于每个网格，它被定义为为空即工作空间中的白色方格网格或占用即工作空间中的黑色方格网格，这取决于障碍物的边界是否在网格内；使用二进制编码来表示染色体，需要一个7位的二进制数来表示一个网格。
21、优选的，所述步骤二中将路径视为一个个体x，具有表示路径“表现型”的分段三次贝塞尔曲线，预期表现型是针对给定地图、初始姿态和目标姿态，为移动机器人创建的最优长度和无障碍分段三次贝塞尔曲线；否则，只需要锚点来形成分段三次贝塞尔曲线；因此本文档来自技高网...
【技术保护点】
1.基于混合遗传算法的移动机器人平滑全局路径规划方法，其特征在于，包含以下步骤：
2.根据权利要求1所述的基于混合遗传算法的移动机器人平滑全局路径规划方法，其特征在于，所述步骤一中障碍物的边界是由它们的实际边界加上考虑到移动机器人大小的最小安全距离形成的，以便将移动机器人视为工作空间中的一个点，整个工作空间由有序编号的网格表示，网格的大小决定了有多少个编号，对于每个网格，它被定义为为空即工作空间中的白色方格网格或占用即工作空间中的黑色方格网格，这取决于障碍物的边界是否在网格内；使用二进制编码来表示染色体，需要一个7位的二进制数来表示一个网格。
3.根据权利要求1所述的基于混合遗传算法的移动机器人平滑全局路径规划方法，其特征在于，所述步骤二中将路径视为一个个体x，具有表示路径“表现型”的分段三次贝塞尔曲线，预期表现型是针对给定地图、初始姿态和目标姿态，为移动机器人创建的最优长度和无障碍分段三次贝塞尔曲线；否则，只需要锚点来形成分段三次贝塞尔曲线；因此，锚点集可以表示路径的基因型，在锚点集中，给定的起点和目标点被从染色体中移除，因为其不可变；染色体中剩余的锚点
4.根据权利要求1所述的基于混合遗传算法的移动机器人平滑全局路径规划方法，其特征在于，所述步骤三中另一方面，在找到可行解的情况下，获得的路径将更有可能在可行解集中具有其潜在的相邻解，为了能够找到这些潜在路径，在传统变异操作符部分引入局部搜索方法。
5.根据权利要求1所述的基于混合遗传算法的移动机器人平滑全局路径规划方法，其特征在于，所述步骤四中将交配池中的任何繁殖对，例如和视为下一代的父母，每对只繁殖一个孩子y：设和分别是和的分段三次贝塞尔曲线首次违反障碍物的贝塞尔曲线段；如果j1>j2，将选择j1作为共同的交叉点，将前j1-1个自由锚点传递给后代，其余自由锚点将由传递，反之亦然；如果j1＝j2，则前j1-1个自由锚点将由或随机传递，然而，使用预定的交叉点进行交叉过程会使种群迅速失去多样性，有时意外丢弃一代中的最佳组合；因此通过多代使用高突变率来处理这些问题。
6.根据权利要求1所述的基于混合遗传算法的移动机器人平滑全局路径规划方法，其特征在于，所述步骤五中使用的两种不同类型的变异：
7.根据权利要求6所述的基于混合遗传算法的移动机器人平滑全局路径规划方法，其特征在于，设xbest是当前一代中具有最高适应度值的路径，称为优势个体，此实例将在下一代中保留，不受变异操作符的影响，设xbestOfBest是在连续的几代中具有最高适应度值的路径，称为历史性优势个体；这个特殊实例不会受到变异的影响，并将保留多代，直到被具有更高适应度值的其他优势个体替换；当种群的多样性不能通过多个连续的世代来改善xbest时，这意味着全局变异不再有意义；设h为连续的连续世代数量，其中f(xbestOfBest)≥f(xbest)；设hs是具有相同历史优势个体的最大连续世代数量；设ht是具有相同历史优势个体的最大连续世代数量，在提出的算法中，hs用于切换变异模式，ht用于终止演化过程；基于ht，可以通过(14)形成变异率；
8.根据权利要求1所述的基于混合遗传算法的移动机器人平滑全局路径规划方法，其特征在于，步骤六中有很多原因可以在这种情况下终止算法，锚点集的大小越大，路径长度优化的时间就越长；然而，算法的最优水平会降低，处理时间会随着锚点集的大小增加而增加；因此，合理的做法是在连续出现两个具有可行解的种群时停止算法并返回结果，算法的结果是在两个种群的xbestOfBest中选择的最短路径。
...【技术特征摘要】
1.基于混合遗传算法的移动机器人平滑全局路径规划方法，其特征在于，包含以下步骤：
2.根据权利要求1所述的基于混合遗传算法的移动机器人平滑全局路径规划方法，其特征在于，所述步骤一中障碍物的边界是由它们的实际边界加上考虑到移动机器人大小的最小安全距离形成的，以便将移动机器人视为工作空间中的一个点，整个工作空间由有序编号的网格表示，网格的大小决定了有多少个编号，对于每个网格，它被定义为为空即工作空间中的白色方格网格或占用即工作空间中的黑色方格网格，这取决于障碍物的边界是否在网格内；使用二进制编码来表示染色体，需要一个7位的二进制数来表示一个网格。
3.根据权利要求1所述的基于混合遗传算法的移动机器人平滑全局路径规划方法，其特征在于，所述步骤二中将路径视为一个个体x，具有表示路径“表现型”的分段三次贝塞尔曲线，预期表现型是针对给定地图、初始姿态和目标姿态，为移动机器人创建的最优长度和无障碍分段三次贝塞尔曲线；否则，只需要锚点来形成分段三次贝塞尔曲线；因此，锚点集可以表示路径的基因型，在锚点集中，给定的起点和目标点被从染色体中移除，因为其不可变；染色体中剩余的锚点称为自由锚点集，每个自由锚点充当染色体中的一个基因，染色体的结构可以表示为锚点数组。
4.根据权利要求1所述的基于混合遗传算法的移动机器人平滑全局路径规划方法，其特征在于，所述步骤三中另一方面，在找到可行解的情况下，获得的路径将更有可能在可行解集中具有其潜在的相邻解，为了能够找到这些潜在路径，在传统变异操作符部分引入局部搜索方法。
5.根据权利要求1所述的基于混合遗传算法的移动机器人平滑全局路径规划方法，其特征在于，所述步骤四中将交配池中的任何繁殖对，例如和视为下一代的父母，每对只繁殖一个孩子y：设和分别是和的分段三次贝塞尔曲线首次违反障碍物的贝塞...
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。