【技术实现步骤摘要】
本专利技术涉及智能控制领域，具体涉及一种基于人工智能的异构机器人系统任务行程时间预测方法。
技术介绍
1、机器人系统在智能制造领域的应用已经取得了巨大的成功，极大地提高了工作效率和资源利用率。随着制造业的发展和需求的多样化，异构机器人系统也越来越受欢迎去解决任务种类多、任务要求差异大等实际问题，它由不同类型机器人组成，每种类型的机器人都具有独特的性能和功能，可以满足不同的任务需求。因此，相对于单一类型机器人系统，异构机器人系统具有更好灵活性、稳定型和可扩展性。
2、虽然异构机器人可以提高系统的柔性和智能性，但任务行程时间因异构机器人系统任务的动态性和关联性而难以预测。但是准确的预测任务行程时间对异构机器人系统高效率的运行又是及其重要的。然而，查阅机器人系统调度相关的现有文献，对调度系统的任务行程时间预测问题的研究较少，且调度系统的任务行程时间预测是基于经验公式的，如公开号为cn114911198a的中国专利技术专利，而基于数据驱动以及人工智能方法的机器人任务行程时间预测方面，暂无相关研究文献。
技术实现思路
1、为解决现有技术中存在的技术缺陷，本专利技术提出了一种基于人工智能的异构机器人系统任务行程时间预测方法，结合改进的神经网络方法和智能优化方法预测机器人的任务行程时间，解决了现有技术中存在的任务行程时间预测方法可能造成预测精度低、适配性差等问题，提高了任务行程时间预测精度，填补了异构机器人系统任务行程时间预测技术的空白。
2、本专利技术通过以下技术方案实
3、基于人工智能的异构机器人系统任务行程时间预测方法，包括步骤：
4、步骤1：根据异构机器人系统的任务行程时间特性，确定神经网络的拓扑结构；
5、步骤2：根据动态输入/输出策略，确定神经网络的输入/输出维数；
6、步骤3：根据改进蜉蝣算法，确定神经网络初始参数；
7、步骤4：根据输入训练样本和神经网络参数，计算神经网络的输出值和实际值的偏差；
8、步骤5：采用选择性更新策略更新神经网络参数；
9、步骤6：判断是否达到神经网络终止条件，若是，进入步骤7，若否，进入步骤4；
10、步骤7：获得训练完的神经网络模型，并输入测试样本测试网络的性能，最后将系统的实时信息输入测试完的神经网络，预测系统的任务行程时间
11、进一步地，所述异构机器人系统，为由不同功能机器人和不同载量机器人组成的系统。
12、进一步地，所述不同功能机器人，包括但不限于移动方式不同或导航方式不同的机器人。
13、进一步地，所述不同载量机器人，包括单载量机器人和多载量机器人。
14、进一步地，所述任务行程时间特性，为异构机器人系统的任务行程时间不仅与任务信息、机器人状态有关，还与系统中的交通流有关。
15、进一步地，所述神经网络，包括但不限于bp神经网络、rbf神经网络。
16、进一步地，所述神经网络的拓扑结构，包括输入层x、隐含层z和输出层y，共3层结构，将行程影响因素作为输入，任务行程时间作为输出，输入层x表示了某时刻系统的任务情况、路径的交通负荷情况以及机器人的负载情况。输出层y表示了系统中各任务的行程时间，任务包括已调度未完成的任务和此轮待调度的任务。
17、进一步地，所述行程影响因素，包括任务的优先级、任务所分配的机器人编号、任务在该机器人上的执行排序、该机器人的路径信息、该机器人正在执行的任务信息以及任务层次。
18、进一步地，所述任务层次，为已调度未完成的任务或此轮待调度的任务。
19、进一步地，所述动态输入/输出策略，为x的元素总数n设置为系统中可能存在的最大任务数nn与行程影响因素数量l的乘积，在x中，从前往后的每l个元素共同表示了一个任务的行程影响因素，y的元素总数q设置为系统中现有任务数nn相等，隐含层的神经元的个数由经验公式确定。
20、进一步地，所述改进蜉蝣算法，包括以下步骤：
21、步骤1.1：根据神经网络参数维度确定蜉蝣种群的维度，并初始化蜉蝣种群；
22、步骤1.2：将蜉蝣种群中每个个体转化为神经网络参数构成一个神经网络，对每一个神经网络输入训练样本进行训练，并将神经网络训练得到的均方误差作为适应度值；
23、步骤1.3：评估各蜉蝣的适应度值，并更新蜉蝣个体历史最优位置和蜉蝣种群全局最优位置；
24、步骤1.4：根据蜉蝣算法的更新公式，更新雄性和雌性蜉蝣的速度和位置；
25、步骤1.5：利用改进的交叉操作和多级变异操作形成子代种群；
26、步骤1.6：利用精英保留策略形成下一代父代种群；
27、步骤1.7：判断是否达到蜉蝣算法终止条件，若是，则将全局最优解转化为神经网络初始参数，若否，进入步骤1.2。
28、进一步地，所述蜉蝣种群的维度，为神经网络参数的总数量与每个参数维度的乘积。
29、进一步地，所述均方误差计算方法为：
30、
31、式中，n为训练样本的总数量，a为训练样本索引，为第k个神经元的真实值，yk为第k个神经元的输出值，根据神经网络输出值的计算公式得到。
32、进一步地，所述改进的交叉操作，包括以下步骤：
33、步骤2.1：根据选择方式，从雄性种群和雌性种群中分别选择一个父代；
34、步骤2.2：根据传统蜉蝣算法的交配方式作为第一种交叉操作得到两个子代个体；
35、步骤2.3：从父代蜉蝣个体向量的所有维度d中随机选择一个维度rand作为交叉点；
36、步骤2.4：将雄性蜉蝣中第rand维度上的值赋值给第一个子代，剩余维度上的值赋值给第二个子代，同样地，再将雌性蜉蝣中第rand维度上的值赋值给第二个子代，剩余维度上的值赋值给第一个子代；
37、步骤2.5：判断选择交叉点的次数是否大于或等于交叉概率pc和蜉蝣个体维度d的乘积，若是，进入步骤2.6，若否，进入步骤2.3；
38、步骤2.6：得到了第二种交叉操作两个子代个体；
39、步骤2.7：判断子代个体数量是否足够，若是，进入步骤2.8，若否，进入步骤2.1；
40、步骤2.8：将两种交叉操作得到的子代种群个体的适应度值进行比较，从两种交叉操作中获得最优的子代种群。
41、进一步地，所述选择方式，包括但不限于随机选择方式、基于适应度值选择方式。
42、进一步地，所述蜉蝣个体向量，为其中r为蜉蝣个体索引，na为雄性种群或雌性种群的规模。
43、进一步地，所述多级变异操作，包括以下步骤：
44、步骤3.1：从改进交叉操作得到的子代种群中随机挑选一个个体作为变异操作的父代；
45、步骤3.2：引进遗传算法的变异操作进行单级变异操作，获得一个子代个体；
46、步骤3.2：判断蜉本文档来自技高网...
【技术保护点】
1.一种基于人工智能的异构机器人系统任务行程时间预测方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于人工智能的异构机器人系统任务行程时间预测方法，其特征在于，所述异构机器人系统，为由不同功能机器人和不同载量机器人组成的系统。
3.根据权利要求1所述的基于人工智能的异构机器人系统任务行程时间预测方法，其特征在于，所述任务行程时间特性，为异构机器人系统的任务行程时间不仅与任务信息、机器人状态有关，还与系统中的交通流有关。
4.根据权利要求1所述的基于人工智能的异构机器人系统任务行程时间预测方法，其特征在于，所述神经网络的拓扑结构，包括输入层X、隐含层Z和输出层Y，共3层结构，将行程影响因素作为输入，任务行程时间作为输出，输入层X表示了某时刻系统的任务情况、路径的交通负荷情况以及机器人的负载情况，输出层Y表示了系统中各任务的行程时间，任务包括已调度未完成的任务和此轮待调度的任务。
5.根据权利要求4所述的神经网络的拓扑结构，其特征在于，所述行程影响因素，包括任务的优先级、任务所分配的机器人编号、任务在该机器人上的执行排序、该机器
6.根据权利要求1所述的基于人工智能的异构机器人系统任务行程时间预测方法，其特征在于，所述动态输入/输出策略，为X的元素总数n设置为系统中可能存在的最大任务数Nn与行程影响因素数量l的乘积，在X中，从前往后的每l个元素共同表示了一个任务的行程影响因素，Y的元素总数q设置为系统中现有任务数Nn相等，隐含层的神经元的个数由经验公式确定。
7.根据权利要求1所述的基于人工智能的异构机器人系统任务行程时间预测方法，其特征在于，所述改进蜉蝣算法，包括以下步骤：
8.根据权利要求7所述的改进蜉蝣算法，其特征在于，所述改进的交叉操作，包括以下步骤：
9.根据权利要求7所述的改进蜉蝣算法，其特征在于，所述多级变异操作，包括以下步骤：
10.根据权利要求1所述的基于人工智能的异构机器人系统任务行程时间预测方法，其特征在于，所述选择性更新策略，为在网络训练过程中，忽略每个输入样本中的无效数据，只更新每个样本中具有有效数据的行的权值参数，因为神经网络模型的拓扑结构是固定的，其输入维数和输出维数由系统中可能存在的最大任务数决定，在不同的时刻，系统中的任务数量是不同的，因此，当系统的实际任务数小于系统中最大可能任务数时，对于某些样本，输入矩阵中某些行的数据可能全部为零。这些零数据不能描述任何系统特征，称为无效数据，反之，输入样本中输入矩阵中某些行的数据不全部为零，这些行的数据称为有效数据。
...【技术特征摘要】
1.一种基于人工智能的异构机器人系统任务行程时间预测方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于人工智能的异构机器人系统任务行程时间预测方法，其特征在于，所述异构机器人系统，为由不同功能机器人和不同载量机器人组成的系统。
3.根据权利要求1所述的基于人工智能的异构机器人系统任务行程时间预测方法，其特征在于，所述任务行程时间特性，为异构机器人系统的任务行程时间不仅与任务信息、机器人状态有关，还与系统中的交通流有关。
4.根据权利要求1所述的基于人工智能的异构机器人系统任务行程时间预测方法，其特征在于，所述神经网络的拓扑结构，包括输入层x、隐含层z和输出层y，共3层结构，将行程影响因素作为输入，任务行程时间作为输出，输入层x表示了某时刻系统的任务情况、路径的交通负荷情况以及机器人的负载情况，输出层y表示了系统中各任务的行程时间，任务包括已调度未完成的任务和此轮待调度的任务。
5.根据权利要求4所述的神经网络的拓扑结构，其特征在于，所述行程影响因素，包括任务的优先级、任务所分配的机器人编号、任务在该机器人上的执行排序、该机器人的路径信息、该机器人正在执行的任务信息以及任务层次。
6.根据权利要求1所述的基于人工智能的异构机器人系统任务行程时间预测方法，其特征在于...
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。