基于改进人工鱼群算法的机器人路径规划方法及装置制造方法及图纸

本申请提供一种基于改进人工鱼群算法的机器人路径规划方法及装置。该方法包括：获取机器人运动的起点位置和终点位置，并基于混沌初始化策略形成多个初始路径节点位置；基于多个初始路径节点位置构建人工鱼群模型，并初始化人工鱼群的相关参数，根据种群进化、视野自适应更新和步长自适应更新融合改进的人工鱼群算法对目标适应度函数进行优化求解得到最优路径节点位置；根据起点位置、终点位置，以及最优路径节点位置和对应的多个插值点位置生成最优路径。本申请能够平衡全局搜索和局部搜索之间的矛盾，提高机器人路径规划的准确性，进而提高机器人工作效率、降低损耗。降低损耗。降低损耗。

【技术实现步骤摘要】
基于改进人工鱼群算法的机器人路径规划方法及装置


[0001]本申请涉及路径规划
，具体涉及一种基于改进人工鱼群算法的机器人路径规划方法及装置。

技术介绍

[0002]机器人路径规划即在已知环境中为机器人规划一条从起点到终点满足所有约束条件的路线。可以应用于室内外清洁、家畜饲喂、农作物施肥等众多领域。
[0003]路径规划通常基于经典算法和智能仿生算法。经典算法包括快速随机搜索树算法、人工势场法等，然而上述经典算法在路径规划中还存在实时性差、效率低等缺陷。智能仿生算法包括蚁群算法、粒子群算法、人工鱼群算法和遗传算法等，具有较强的鲁棒性，在路径规划中有突出的优势，然而上述智能仿生算法在全局搜索和局部搜索之间存在矛盾，影响最后的寻优效果，进而影响机器人路径规划的准确性，导致机器人工作效率低、损耗大。

技术实现思路

[0004]有鉴于此，本申请实施例提供了一种基于改进人工鱼群算法的机器人路径规划方法及装置，以解决现有的机器人路径规划方法在全局搜索和局部搜索之间存在矛盾，影响最后的寻优效果，进而影响机器人路径规划的准确性，导致机器人工作效率低、损耗大的技术问题。
[0005]第一方面，本申请实施例提供了一种基于改进人工鱼群算法的机器人路径规划方法，包括：获取机器人运动的起点位置和终点位置，并基于混沌初始化策略形成多个初始路径节点位置；基于多个初始路径节点位置构建人工鱼群模型，并初始化人工鱼群的相关参数，根据种群进化、视野自适应更新和步长自适应更新融合改进的人工鱼群算法对目标适应度函数进行优化求解得到最优路径节点位置；其中，基于三次样条插值法，根据起点位置、终点位置和路径节点位置确定多个插值点位置，并基于多个插值点位置计算机器人运动的路径总长度，基于路径总长度构建目标适应度函数；根据起点位置、终点位置，以及最优路径节点位置和对应的多个插值点位置生成最优路径。
[0006]在第一方面的一种可能的实施方式中，基于多个初始路径节点位置构建人工鱼群模型，并初始化人工鱼群的相关参数，包括：以各初始路径节点位置作为各人工鱼的状态，并初始化人工鱼群的相关参数；基于目标适应度函数计算各人工鱼的适应度值，选取适应度值最小的前第一预设数量的人工鱼作为初始人工鱼群。
[0007]在第一方面的一种可能的实施方式中，相关参数包括人工鱼群的视野、步长、拥挤度因子和最大迭代次数；根据种群进化、视野自适应更新和步长自适应更新融合改进的人工鱼群算法对目标适应度函数进行优化求解得到最优路径节点位置，包括：步骤1、基于各人工鱼的当前状态和相关参数，对各人工鱼执行群聚行为、追尾行为和觅食行为中的至少一种，并基于执行至少一种行为后各人工鱼的适应度值中的最小值，确定各人工鱼的下一
状态；步骤2、选取各人工鱼的下一状态对应的适应度值最大的前第二预设数量的人工鱼作为淘汰人工鱼群；对淘汰人工鱼群进行种群进化，得到淘汰人工鱼群中各人工鱼的进化状态作为淘汰人工鱼群中各人工鱼的下一状态；步骤3、根据各人工鱼的下一状态与各人工鱼的当前状态确定各人工鱼的最优状态，将各人工鱼的最优状态作为下次迭代中各人工鱼的当前状态；步骤4、对人工鱼群的视野和步长进行自适应更新；步骤5、重复执行上述步骤1至步骤4，直至达到最大迭代次数，根据各人工鱼的最优状态确定最终全局最优状态，将最终全局最优状态作为最优路径节点位置。
[0008]在第一方面的一种可能的实施方式中，种群进化表示为：中，种群进化表示为：式中，X
qt+1
和X
q't+1
分别为淘汰人工鱼群中第q个人工鱼的下一状态和进化状态，q＝1, 2,
…
, Q，其中，Q为淘汰人工鱼群中人工鱼的个数；X
best
为人工鱼群中的全局最优状态，α和β为随机数，X
r1
、X
r2
、X
r3
和X
r4
分别为人工鱼群中四个不同的人工鱼的下一状态；ζ为反馈因子，表示为：式中，fitness
ideal
为理想适应度值，fitness
qt+1
为第q个人工鱼的下一状态对应的适应度值。
[0009]在第一方面的一种可能的实施方式中，视野自适应更新表示为：式中，Visual
t
和Visual
t+1
分别表示当前视野和下一视野，t为当前迭代次数，T为最大迭代次数；步长自适应更新表示为：式中，step
t
和step
t+1
分别表示当前步长和下一步长，p∈[1,10]为控制因子。
[0010]在第一方面的一种可能的实施方式中，目标适应度函数表示为：在第一方面的一种可能的实施方式中，目标适应度函数表示为：
式中，J
cost
为目标适应度函数，L为路径总长度，ω为碰撞系数，η为碰撞检测因子；(X
k
,Y
k
)为第k个插值点位置，即第k个插值点的坐标，(X
k+1
,Y
k+1
)为第k+1个插值点位置，其中，k＝1, 2,
…
, K，K为插值点位置的个数；η表示为：式中，XX为所有插值点位置的横坐标的集合，YY为所有插值点位置的纵坐标的集合；(X
on
,Y
on
)为第n个障碍物的圆心位置，即第n个障碍物的圆心坐标，r
n
为第n个障碍物的半径，n＝1, 2,
…
, N，其中，N为障碍物的个数；d
n
为所有插值点到第n个障碍物的圆心的距离；θ
n
为一个集合，mean(θ
n
)表示θ
n
中所有数的均值。
[0011]在第一方面的一种可能的实施方式中，基于各人工鱼的当前状态和相关参数，对各人工鱼执行群聚行为、追尾行为和觅食行为中的至少一种，并基于执行至少一种行为后各人工鱼的适应度值中的最小值，确定各人工鱼的下一状态，包括：基于各人工鱼的当前状态和相关参数，对各人工鱼执行群聚行为，并基于目标适应度函数确定各人工鱼的第一适应度值；若不满足群聚行为，则执行觅食行为，并基于目标适应度函数确定各人工鱼的第一适应度值；对各人工鱼执行追尾行为，并基于目标适应度函数确定各人工鱼的第二适应度值；若不满足追尾行为，则执行觅食行为，并基于目标适应度函数确定各人工鱼的第二适应度值；基于各人工鱼的第一适应度值和第二适应度值中的最小值，确定各人工鱼的下一状态。
[0012]第二方面，本申请实施例提供了一种基于改进人工鱼群算法的机器人路径规划装置，包括：获取模块，用于获取机器人运动的起点位置和终点位置，并基于混沌初始化策略形成多个初始路径节点位置；计算模块，用于基于多个初始路径节点位置构建人工鱼群模型，并初始化人工鱼群的相关参数，根据种群进化、视野自适应更新和步长自适应更新融合改进的人工鱼群算法对目标适应度函数进行优化求解得到最优路径节点位置；基于三次样条本文档来自技高网...

【技术保护点】

【技术特征摘要】
2,
…
, Q，其中，Q为淘汰人工鱼群中人工鱼的个数；X
best
为人工鱼群中的全局最优状态，α和β为随机数，X
r1
、X
r2
、X
r3
和X
r4
分别为人工鱼群中四个不同的人工鱼的下一状态；ζ为反馈因子，表示为：式中，fitness
ideal
为理想适应度值，fitness
qt+1
为第q个人工鱼的下一状态对应的适应度值。5.根据权利要求1所述的基于改进人工鱼群算法的机器人路径规划方法，其特征在于，视野自适应更新表示为：式中，Visual
t
和Visual
t+1
分别表示当前视野和下一视野，t为当前迭代次数， T为最大迭代次数；步长自适应更新表示为：式中，step
t
和step
t+1
分别表示当前步长和下一步长，p∈[1,10]为控制因子。6.根据权利要求1至5任一项所述的基于改进人工鱼群算法的机器人路径规划方法，其特征在于，所述目标适应度函数表示为：特征在于，所述目标适应度函数表示为：式中，J
cost
为目标适应度函数，L为路径总长度，ω为碰撞系数，η为碰撞检测因子；(X
k
,Y
k
)为第k个插值点位置，即第k个插值点的坐标，(X
k+1
,Y
k+1
)为第k+1个插值点位置，其中，k＝1, 2,
…
, K，K为插值点位置的个数；η表示为：
式中，XX为所有插值点位置的横坐标的集合，YY为所有插值点位置的纵坐标的集合；(X
on
,Y
on
)为第n个障碍物的圆心位置，即第n个障碍物的圆心坐标，r
n
为第n个障碍物的半径，n＝1, 2,
…
, N，其中，N为障碍物的个数；d
n
为所有...

【专利技术属性】
技术研发人员：贾科进，李飞飞，李旭阳，
申请(专利权)人：河北科技大学，
类型：发明
国别省市：