【技术实现步骤摘要】
本专利技术涉及路径规划，更具体地，涉及一种运输机器人路径规划方法及系统。
技术介绍
1、当今，随着信息技术和工业技术的飞速发展，运输机器人正变得越来越普遍，它们在现代仓储管理领域扮演着关键的角色。
2、在运输机器人的应用中，一个常见的任务是将货物从仓库的存储位置运送到订购位置或装卸区。这通常涉及到在仓库内寻找一条最短路径并同时避开货架、其他机器人、员工等潜在的障碍物。传统算法如人工势场法、a*算法、dijkstra算法等，虽然对解决理想环境下的路径规划问题具有一定优势，但同时这些传统算法的局限性容易导致移动机器人在路径规划中出现局部最优、算法实时性差等问题。
3、哈里斯鹰算法是2019年提出的一种群智能优化算法，哈里斯鹰算法是基于哈里斯鹰捕食猎物的过程而提出的智能优化算法，通过对哈里斯鹰不同捕食策略的数学建模，实现种群的进化。算法设计相对复杂，计算公式较多，但大部分公式是相似的。
4、为此，结合以上需求和现有技术缺陷，本申请提出了一种运输机器人路径规划方法及系统。
技术实现思路
1、本专利技术提供了一种运输机器人路径规划方法及系统，根据改进的哈里斯鹰优化算法能够提高算法局部寻优能力，具有运行速度快、收敛能力强、寻优效率高等特点。
2、本专利技术的首要目的是为解决上述技术问题，本专利技术的技术方案如下：
3、本专利技术第一方面提供了一种运输机器人路径规划方法，本方法包括以下步骤：
4、s1、根据环境信息，采用栅格
5、s2、根据改进的哈里斯鹰优化算法初始化种群，得到初始种群数列。
6、s3、根据改进的哈里斯鹰优化算法选取规划路径中的个体最优值、群体最优值，构建当前最优路径。
7、s4、根据改进的哈里斯鹰优化算法更新种群的个体位置和种群位置，更新全局最优路径，更新当前迭代次数。
8、s5、判断当前迭代次数是否达到预设的最大迭代次数，若是，输出全局最优路径，完成运输机器人路径规划，否则，返回步骤s3。
9、进一步地，所述步骤s1采用栅格法将地图划分为1×1的方格的具体过程为：将地图划分为n×n的栅格，每个栅格代表一个单元，将运输机器人能通过的区域标记为自由栅格1，将运输机器人不能通过的区域标记为障碍物栅格0，将运输机器人的活动范围设置为[(xmin,xmax),(ymin,ymax)]。
10、进一步地，所述步骤s2具体为：根据改进的哈里斯鹰优化算法包括的混沌映射函数得到混沌映射因子，并计算得到哈里斯鹰个体的位置，具体数学表达形式为：
11、
12、yki＝yki,min+zki(yki,max-yki,min)
13、其中，k为种群的个体，u为预设的混沌系数，为哈里斯鹰第k个个体初始纵坐标位置；分别为序列的最大值和最小值。
14、进一步地，所述步骤s3具体为：根据改进的哈里斯鹰优化算法包括的适应度函数选取规划路径中的个体最优值、群体最优值，构建当前最优路径并初始化控制参数；所述控制参数包括有：初始位置s、目标位置f，当前迭代次数t，最大迭代次数t，种群数量n，搜索维度n和混沌系数u。
15、进一步地，所述适应度函数具体为：
16、
17、
18、
19、其中，flength为路径长度函数，fpunish表示为碰撞惩罚函数，npath为一条路径中总的路径节点数，(xi,yi)与(xi+1,yi+1)分别表示一条路径里路径节点si和路径节点si+1的坐标，i＝1,2,...,n；e为惩罚系数，(aj,bj)为障碍物坐标，m为障碍物数量。
20、进一步地，在步骤s4更新种群的个体位置和种群位置前，还需要对逃逸能量e的取值进行判断，计算所述逃逸能量e的过程为：
21、e0＝2*rand(0,1)-1
22、
23、其中，e0是猎物初始逃跑能量为[-1,1]上均匀分布的随机数，t为当前迭代次数，t为最大迭代次数，e为猎物逃逸能量。
24、进一步地，当所述逃逸能量e满足|e|≥1时，执行搜索阶段对个体位置进行更新，具体为：
25、
26、
27、其中，就代表第t次迭代中第i个体的位置，代表第t次迭代时从种群中随机选择的一个个体的位置，q和ri(i＝1,2,3,4)均为[0,1]范围内的一个随机数。代表第t次迭代时种群中最优个体的位置；是第t次迭代时种群的平均位置。
28、当所述逃逸能量e满足|e|<0.5且ri≥0.5时，执行硬包围阶段对个体位置进行更新，具体为：
29、
30、当所述逃逸能量e满足|e|≥0.5时，执行渐进式快速俯冲阶段对个体位置进行更新，并根据适应度函数选取相对更优的个体位置，具体为：
31、
32、
33、z＝y+s*levy(dim)
34、
35、
36、
37、γ(y)＝(y-1)！
38、其中，j是[0,2]上均匀分布的随机数；s为2维随机向量；levy是莱维飞行的数学表达式，μ和ν均为(0,1)之间均匀分布的随机数，β是一个常数。
39、进一步地，所述步骤s4中，更新种群位置和更新全局最优路径的具体过程为：执行自适应权重策略更新个体位置，执行变异与优胜劣汰策略更新种群位置，更新全局最优个体并令当前迭代次数t＝t+1。
40、进一步地，所述变异与优胜劣汰策略具体为：计算的适应度值，若该值大于最优适应度值，则采用替换具体公式如下：
41、
42、
43、其中，为变异后的位置，μ为预设值；r和σ为[0,1]均匀分布的随机数。
44、本专利技术第二方面提供了一种运输机器人路径规划系统，该系统用于所述的一种运输机器人路径规划方法，包括有：预处理模块、优化模块和路径规划模块。
45、所述预处理模块根据环境信息，采用栅格法将地图划分为1×1的方格，确定运输机器人的初始位置与目标位置，所述优化模块根据改进的哈里斯鹰优化算法初始化种群，得到初始种群数列，选取规划路径中的个体最优值、群体最优值，构建当前最优路径，所述路径规划模块更新种群的个体位置和种群位置，更新全局最优路径，更新当前迭代次数，达到预设的最大迭代次数后输出全局最优路径。
46、与现有技术相比，本专利技术技术方案的有益效果是：
47、本专利技术提供了一种运输机器人路径规划方法及系统，根据改进的哈里斯鹰优化算法能够提高算法局部寻优能力，结合变异和优胜劣汰策略对所述种群更新，具有运行速度快、收敛能力强、寻优效率高等特点。
本文档来自技高网...【技术保护点】
1.一种运输机器人路径规划方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种运输机器人路径规划方法，其特征在于，所述步骤S1采用栅格法将地图划分为1×1的方格的具体过程为：将地图划分为n×n的栅格，每个栅格代表一个单元，将运输机器人能通过的区域标记为自由栅格1，将运输机器人不能通过的区域标记为障碍物栅格0，将运输机器人的活动范围设置为[(xmin,xmax),(ymin,ymax)]。
3.根据权利要求2所述的一种运输机器人路径规划方法，其特征在于，所述步骤S2具体为：根据改进的哈里斯鹰优化算法包括的混沌映射函数得到混沌映射因子，并计算得到哈里斯鹰个体的位置，具体数学表达形式为：
4.根据权利要求1所述的一种运输机器人路径规划方法，其特征在于，所述步骤S3具体为：根据改进的哈里斯鹰优化算法包括的适应度函数选取规划路径中的个体最优值、群体最优值，构建当前最优路径并初始化控制参数；所述控制参数包括有：初始位置S、目标位置F，当前迭代次数t，最大迭代次数T，种群数量N，搜索维度n和混沌系数u。
5.根据权利要求4所述的一种运输
6.根据权利要求1所述的一种运输机器人路径规划方法，其特征在于，在步骤S4更新种群的个体位置和种群位置前，还需要对逃逸能量E的取值进行判断，计算所述逃逸能量E的过程为：
7.根据权利要求6所述的一种运输机器人路径规划方法，其特征在于，当所述逃逸能量E满足|E|≥1时，执行搜索阶段对个体位置进行更新，具体为：
8.根据权利要求1所述的一种运输机器人路径规划方法，其特征在于，所述步骤S4中，更新种群位置和更新全局最优路径的具体过程为：执行自适应权重策略更新个体位置，执行变异与优胜劣汰策略更新种群位置，更新全局最优个体并令当前迭代次数t＝t+1。
9.根据权利要求8所述的一种运输机器人路径规划，其特征在于，所述变异与优胜劣汰策略具体为：计算的适应度值，若该值大于最优适应度值，则采用替换具体公式如下：
10.一种运输机器人路径规划系统，该系统用于权利要求1-9任一项所述的一种运输机器人路径规划方法，其特征在于，包括有：预处理模块、优化模块和路径规划模块；
...【技术特征摘要】
1.一种运输机器人路径规划方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种运输机器人路径规划方法，其特征在于，所述步骤s1采用栅格法将地图划分为1×1的方格的具体过程为：将地图划分为n×n的栅格，每个栅格代表一个单元，将运输机器人能通过的区域标记为自由栅格1，将运输机器人不能通过的区域标记为障碍物栅格0，将运输机器人的活动范围设置为[(xmin,xmax),(ymin,ymax)]。
3.根据权利要求2所述的一种运输机器人路径规划方法，其特征在于，所述步骤s2具体为：根据改进的哈里斯鹰优化算法包括的混沌映射函数得到混沌映射因子，并计算得到哈里斯鹰个体的位置，具体数学表达形式为：
4.根据权利要求1所述的一种运输机器人路径规划方法，其特征在于，所述步骤s3具体为：根据改进的哈里斯鹰优化算法包括的适应度函数选取规划路径中的个体最优值、群体最优值，构建当前最优路径并初始化控制参数；所述控制参数包括有：初始位置s、目标位置f，当前迭代次数t，最大迭代次数t，种群数量n，搜索维度n和混沌系数u。
5.根据权利要求4所述...
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。