本發(fā)明屬于機器人技術領域，涉及移動機器人路徑規(guī)劃方向，適用于路徑規(guī)劃的優(yōu)化并可進一步推廣引用到作業(yè)車間調(diào)度等領域，具體涉及一種基于改進遺傳算法的多移動機器人路徑規(guī)劃方法。

背景技術：

路徑規(guī)劃技術作為機器人研究領域的重要組成部分，其發(fā)展在一定程度上標志著機器人智能水平的高低，而路徑規(guī)劃方法的優(yōu)劣直接影響路徑規(guī)劃效果。目前，國內(nèi)外許多專家學者都在致力于路徑規(guī)劃算法的研究，常用的優(yōu)化算法主要有人工勢場法、免疫算法、蟻群優(yōu)化算法、神經(jīng)網(wǎng)絡、粒子群優(yōu)化算法和遺傳算法等。其中，由于遺傳算法具有并行性、全局搜索能力等優(yōu)點，被國內(nèi)外學者廣泛應用到求解路徑規(guī)劃問題中。但隨著研究的不斷深入，應用遺傳算法進行機器人路徑規(guī)劃的不足逐漸被發(fā)現(xiàn)，例如，局部最優(yōu)、較慢的收斂速度、優(yōu)化結果穩(wěn)定性差等。因此，為了解決基本遺傳算法存在的問題，本發(fā)明專利對基本遺傳算法進行改進。

技術實現(xiàn)要素：

根據(jù)以上現(xiàn)有技術的不足，本發(fā)明所要解決的技術問題是提出一種基于改進遺傳算法的多移動機器人路徑規(guī)劃方法，解決基本遺傳算法求解機器人路徑規(guī)劃問題在技術上存在的不足，針對移動機器人路徑規(guī)劃問題，本發(fā)明以路徑最短為優(yōu)化目標，提出了人工勢場法的種群初始化方法和種群多樣性程度的自適應選擇方法來改進遺傳算法中的種群初始化步驟和自適應選擇步驟。

為了解決上述技術問題，本發(fā)明采用的技術方案為：一種基于改進遺傳算法的多移動機器人路徑規(guī)劃方法，該方法具體步驟包括如下：

step1：初始化算法的相關參數(shù)，包括種群規(guī)模m，終止進化代數(shù)t與調(diào)節(jié)參數(shù)k；

step2：初始化種群p(t)，并設置迭代進化計數(shù)器t＝1；

step3：計算出每個個體的適應度值；

step4：判斷計數(shù)器t是否滿足終止條件，若滿足，算法結束，將當代種群中最優(yōu)個體作為問題最優(yōu)解輸出；否則，轉至step5；

step5：利用自適應選擇方法和預選擇機制方法在種群p(t)中選出繼續(xù)進行進化的個體；

step6：生成一個在(0,1)之間的隨機數(shù)r1，判斷r1是否滿足交叉概率pc，若滿足，轉至step7；否則，轉至step8；

step7：根據(jù)設計的交叉操作方法對個體進行交叉操作，生成新的個體。

step8：生成一個在(0,1)之間的隨機數(shù)r2，判斷r2是否滿足變異概率pm，若滿足，轉至(9)；否則，轉至step10；

step9：根據(jù)設計的變異操作方法對個體進行變異操作，生成新的個體；

step10：生成新一代的種群p(t+1)，t＝t+1，轉至step4。

上述方法中，在所述step2中，初始化種群過程中利用人工勢場法對種群進行初始化，具體過程為：

step①：初始化相關參數(shù)，機器人置于起始位置；

step②：機器人放置在柵格環(huán)境下，確定機器人下一步與當前柵格相鄰的可選柵格集合v；

step③：利用勢場法，計算出機器人在虛擬勢場中受到的合力ftot，然后求出ftot與v中各柵格方向的夾角θ(0≤θ≤180)，若ftot為0，則規(guī)定θ也為0；

step④：依次求出可選柵格集合v中各柵格被選作為下一柵格的概率pij，并根據(jù)輪盤賭法進行選擇柵格；

step⑤：已選擇的柵格標記為障礙物柵格，同時更改為當前柵格；

step⑥：如果可選柵格集合v＝φ，則取消生成該個體，直接轉至step①，重新選擇生成下一個體，否則，判斷是否到達目標點，如果未到達，則轉至step②；如果到達目標點，則保存當前個體；

step⑦：當個體數(shù)目達到種群規(guī)模m時結束。

在所述step5中的自適應選擇方法是利用種群多樣性程度改進后的自適應選擇方法。所述step7中的交叉操作中設有自適應調(diào)節(jié)的交叉概率計算公式，其計算方法為：

式中pc(t)表示交叉概率，pc_max、pc_min分別表示交叉概率的上限和下限，k為調(diào)節(jié)參數(shù)，ω(t)表示當前種群的多樣性程度。所述step9中的變異操作中設有自適應調(diào)節(jié)的變異概率計算公式，其計算方法為：

式中pm_max、pm_min分別表示變異概率的上限和下限，k為調(diào)節(jié)參數(shù)，ω(t)表示當前種群的多樣性程度。

本發(fā)明有益效果是:

1)改善了獲得較高質(zhì)量的初始種群；

2)有利于增加種群多樣性，避免算法過早收斂于局部最優(yōu)；

3)提高了路徑規(guī)劃求解的質(zhì)量和效率。

附圖說明

下面對本說明書附圖所表達的內(nèi)容及圖中的標記作簡要說明：

圖1是本發(fā)明的具體實施方式的改進遺傳算法的多移動機器人路徑規(guī)劃方法的流程示意圖。

圖2是基本遺傳算法的尋優(yōu)路線。

圖3是基本遺傳算法收斂曲線。

圖4是本發(fā)明的具體實施方式的改進遺傳算法尋優(yōu)路線。

圖5是本發(fā)明的具體實施方式的改進遺傳算法收斂曲線。

具體實施方式

下面對照附圖，通過對實施例的描述，本發(fā)明的具體實施方式如所涉及的各構件的形狀、構造、各部分之間的相互位置及連接關系、各部分的作用及工作原理、制造工藝及操作使用方法等，作進一步詳細的說明，以幫助本領域技術人員對本發(fā)明的發(fā)明構思、技術方案有更完整、準確和深入的理解。

一種基于改進遺傳算法的多移動機器人路徑規(guī)劃方法，用于獲得最優(yōu)或近優(yōu)的路徑規(guī)劃，實現(xiàn)移動機器人的全局優(yōu)化，該方法具體步驟包括如下：

step1：初始化算法的相關參數(shù)，如種群規(guī)模m，終止進化代數(shù)t與調(diào)節(jié)參數(shù)k等。

step2：初始化種群p(t)，并設置迭代進化計數(shù)器t＝1。

step3：根據(jù)適應度公式計算出每個個體的適應度值。

step4：判斷計數(shù)器t是否滿足終止條件t＝gmax(gmax為最大進化代數(shù))，若滿足，算法結束，將當代種群中最優(yōu)個體作為問題最優(yōu)解輸出；否則，轉至step5。

step5：利用自適應選擇方法和預選擇機制方法在種群p(t)中選出繼續(xù)進行進化的個體。在step5中，本申請使用的自適應選擇方法是利用種群多樣性程度改進后的自適應選擇方法，有效解決早熟收斂和算法后期趨于隨機搜索的問題，其具體方法如下：設p(t)＝(xt,1,xt,2,xt,3,…,xt,m)為第t代種群，其中xt，m為第t代種群第m個個體，種群規(guī)模為m，根據(jù)個體的不同類型將種群劃分為n類，ni(t)為第i類中所含的個體數(shù)量，則第t代種群熵e(t)定義為：

種群熵反映了種群中不同類型個體的分布情況，通過種群熵e(t)與種群最大熵e(max)的比較，可以衡量出當前種群的多樣性程度ω(t)，令ω(t)＝e(t)/emax，ω越大，種群中不同個體的數(shù)目越多，種群的多樣性越好，反之，多樣性越差。對于種群中任意個體xt,k，其適應度f(xt,k)，在自適應選擇方法下其被選擇的概率p(xt,k)為：其中ω(t)∈(0,1)。所以當ω(t)→0時，λ→+∞，如果f(xt,k)＜fmax，其中fmax為第t代個體的最大適應度值，p(xt,k)＝0；如果f(xt,k)＝fmax，p(xt,k)＝1/m(m為第t代種群中最佳個體的數(shù)目)。當ω→1時，λ→0，此時p(xt,k)＝1/m，選擇方式為按均勻分布的隨機選擇。由此可知，在進化初期，選擇壓力較小，從而使得較差個體也有一定的生存機會，避免出現(xiàn)早熟收斂；在進化中期，隨著種群性狀的變化，種群中任意個體xt,k的選擇概率能根據(jù)種群多樣性程度的變化自適應改變，從而根據(jù)種群性狀動態(tài)調(diào)整選擇壓力，這樣能夠平衡算法的全局搜索能力和局部搜索能力；在進化后期，種群平均適應度與最優(yōu)適應度趨于相等，選擇壓力很大，算法會快速收斂到全局最優(yōu)解。

step6：生成一個在(0,1)之間的隨機數(shù)r1，判斷r1是否滿足交叉概率pc，若滿足，轉至step7；否則，轉至step8。

step7：根據(jù)設計的交叉操作方法對個體進行交叉操作，生成新的個體。

step8：生成一個在(0,1)之間的隨機數(shù)r2，判斷r2是否滿足變異概率pm，若滿足，轉至(9)；否則，轉至step10。

step9：根據(jù)設計的變異操作方法對個體進行變異操作，生成新的個體。提出了自適應交叉概率、變異概率計算公式。在基本的遺傳算法中，交叉概率pc(t)和變異概率pm(t)在整個進化過程中是固定不變的。然而研究表明，pc和pm對算法的收斂性有著直接的影響，采用固定的pc和pm很容易導致算法的過早收斂。為進一步考慮種群多樣性程度對于交叉、變異概率取值的影響，提出一種基于種群多樣性程度的自適應調(diào)節(jié)的交叉和變異概率計算公式，其計算方法分別為：

其中，pc_max、pc_min分別表示交叉概率的上限和下限，pm_max、pm_min分別表示變異概率的上限和下限；k為調(diào)節(jié)參數(shù)。由交叉概率和變異概率的計算公式可知，在進化過程，pc、pm能夠根據(jù)多樣性程度取值的不同動態(tài)的自適應調(diào)整：在進化前期，種群多樣性較好，pc、pm取值較小，能夠使種群朝著較優(yōu)個體方向進行收斂；隨著種群不斷的進化，其多樣性逐漸減弱，pc、pm取值則逐漸增大，有利于增加種群多樣性，避免算法過早收斂于局部最優(yōu)。

step10：生成新一代的種群p(t+1)，t＝t+1，轉至step4。

step2中，在遺傳算法中，提高初始種群的質(zhì)量可以提高算法的起點，進而對提高算法的求解效率和求解質(zhì)量具有十分重要的意義，然而目前多數(shù)文獻中初始種群都是隨機生成的，這種雖然方法簡單，但是產(chǎn)生的路徑質(zhì)量不高，影響收斂速度，因此，高效地獲得較高質(zhì)量的初始種群，對提高算法的性能具有重要意義。針對隨機初始化種群所帶來的問題，本文提出一種基于人工勢場法的種群初始化方法，利用人工勢場法對本文中的種群進行初始化，人工勢場法的種群初始化過程為：

step①：初始化相關參數(shù)，機器人置于起始位置。

step②：確定機器人下一步與當前柵格相鄰的可選柵格集合v。

step③：利用勢場法，計算出機器人在虛擬勢場中受到的合力ftot，然后求出ftot與v中各柵格方向的夾角θ(0≤θ≤180)，若ftot為0，則規(guī)定θ也為0。

step④：依次求出v中各柵格被選作為下一柵格的概率pij，并根據(jù)輪盤賭法進行選擇柵格。

為了提高路徑搜索效率，結合蟻群算法的相關機理，概率pij定義為：

其中，θij表示合力ftot與柵格j方向的夾角；dij表示柵格i與柵格j之間的距離；djg表示柵格j和終點之間的距離；θiv表示合力ftot與柵格v方向的夾角；div表示柵格i與柵格v之間的距離；dvg表示柵格v和終點之間的距離。

step⑤：已選擇的柵格標記為障礙物柵格，同時更改為當前柵格。

step⑥：如果v＝φ，則取消生成該個體，直接轉至step①，重新選擇生成下一個體，否則，判斷是否到達目標點，如果未到達，則轉至step②；如果到達目標點，則保存當前個體。

step⑦：當個體數(shù)目達到種群規(guī)模m時結束。

為驗證本方法的正確性和合理性，運用matlab軟件在10×10的柵格環(huán)境模型下對該算法進行仿真，并與基本遺傳算法進行比較。在基本遺傳算法中，初始種群隨機生成，選擇算子采用輪盤賭法，算法的主要參數(shù)：種群規(guī)模m為80，交叉概率pc為0.6，變異概率pm為0.1，最大進化代數(shù)t為50；在改進的算法中的主要控制參數(shù)設置如表下：種群規(guī)模m為80，交叉概率pc_max為0.9，交叉概率pc_min為0.4，變異概率pm_max為0.1，變異概率pm_min為0.01，調(diào)節(jié)參數(shù)k為5，最大進化代數(shù)t為50。實驗結果如圖2-圖5所示，其中s和g分別表示起點和終點，從中可以看出，該算法相比于基本遺傳算法能夠搜索到更短的路徑。

遺傳算法和改進遺傳算法的最優(yōu)解收斂曲線分別如圖3和圖5所示。從兩圖對比中可以看出，基本遺傳算法在進化17代便陷入了局部最優(yōu)解，最終搜索結果為13.899，沒有達到理想的搜索結果。改進遺傳算法收斂速度很快，進化了7代后就趨于穩(wěn)定，搜索到全局最優(yōu)解為13.313，該解即為機器人的最優(yōu)路徑值。

以上僅為獨立運行一次仿真結果的對比，為消除隨機性等各種偶然因素對算法的影響，對兩種算法均獨立運行20次，其統(tǒng)計結果記錄于表1(兩種算法獨立運行20次的結果比較)。通過對比可以得出結論：使用改進遺傳算法的路徑規(guī)劃效率明顯優(yōu)于基本遺傳算法，從路徑長度的變化上來看，改進遺傳算法所獲得的路徑長度基本上是固定的，變化幅度很小，這說明了改進算法在路徑優(yōu)化方面的魯棒性強、可重復性高。

表1兩種算法獨立運行20次的結果比較

上面結合附圖對本發(fā)明進行了示例性描述，顯然本發(fā)明具體實現(xiàn)并不受上述方式的限制，只要采用了本發(fā)明的方法構思和技術方案進行的各種非實質(zhì)性的改進，或未經(jīng)改進將本發(fā)明的構思和技術方案直接應用于其它場合的，均在本發(fā)明的保護范圍之內(nèi)。本發(fā)明的保護范圍應該以權利要求書所限定的保護范圍為準。