[发明专利]一种结合堆叠降噪稀疏自动编码器的遗传算法

说明书

本发明设计了一种结合堆叠降噪稀疏自动编码器的遗传算法，主要包括堆叠降噪稀疏自动编码器部分、SOM神经网络部分和遗传算法。通过堆叠降噪稀疏自动编码器提取实时环境图像特征,同时消除环境噪声影响，经过SOM神经网络的映射拟合作为遗传算法中的适应度值，解决了传统遗传算法应用于复杂现实环境时，其固定适应度计算函数欠缺灵活性与准确性的问题，避免算法出现欺骗问题，提高了算法解的质量，同时SOM神经网络映射拟合能够有效避免其他神经网络的长时间迭代运算与输出误差问题。

技术领域

本发明涉及移动机器人领域，具体涉及一种结合堆叠降噪稀疏自动编码器的遗传算法。

背景技术

随着机器人技术的发展，机器人已开始应用到未知环境，与已知环境下的移动机器人任务分配研究相比，在未知环境中机器人不具有环境的先验知识，需要处理来自真实环境的感知信息、环境的不确定及不完全信息，在进行多任务分配过程中不可避免的会遇到各种情况。因此，如何提高移动机器人对环境的自适应能力与改良传统的理想化任务分配算法具有非常重要的实际意义。

传统的遗传算法应用于机器人多任务分配，由于适应度函数选择不当或固定函数不符合实际应用场景，容易出现以下欺骗问题:1.在遗传算法初期，通常会产生一些超常个体，这些超常个体会因竞争力突出，而控制选择过程，影响到算法的全局优化性能；2.遗传算法后期，当算法趋于收敛时，由于种群中个体适应度差异较小，继续优化的潜能降低，可能获得某个局部最优解。遗传算法中适应度函数的选取直接影响到遗传算法的收敛情况以及能否找到最优解，因为遗传算法在进化搜索中基本不利用外部信息，仅以适应度函数为依据，利用种群个体的适应度来进行搜索。

深度学习算法以其适应性强、准确率高、结构复杂等特性在数据挖掘算法中异军突起。深度学习模型模拟人脑的信息处理机制。自动编码器作为一种高效的深度学习模型，已经被证明能够学习数据中的固有特征和相关性，并提取有用的更高级别表示，减少了人工特征提取的工作量，极大提高了特征提取的效率。堆叠降噪稀疏自动编码器在提取更准确特征的同时还具有清理噪声数据的能力。

发明内容

本发明要解决的技术问题是克服传统遗传算法应用于机器人多任务分配中的缺点与不足，提出将堆叠降噪稀疏自动编码器与遗传算法相结合的理论方法，使得算法充分利用了环境信息，极大提高了解的质量，在进行机器人多任务分配时更加准确。

一种结合堆叠降噪稀疏自动编码器的遗传算法，具体包括如下步骤：

(1)使用堆叠降噪稀疏自动编码器对环境图像进行特征提取；

(2)经过SOM神经网络将堆叠降噪稀疏自动编码器网络所提取的特征映射拟合作为个体的适应度评价结果；

(3)遗传算法根据得到的个体适应度值对机器人进行任务分配。

所述步骤(1)具体包括：

(1.1)对原始输入进行预处理，根据特定环境选择在输入时加入特定类型的噪声，原始输入x处理后的随机映射表达为

(1.2)将经处理后的环境图像x⁽ⁱ⁾输入编码器，由编码器对其进行编码操作，编码器函数为y⁽ⁱ⁾＝f_θ(x⁽ⁱ⁾)＝s(Wx⁽ⁱ⁾+b),其中θ＝{W,b}为网络参数,W代表权重矩阵,b代表偏置向量，s(x)＝1/(1+e^-x)为激活函数；输入数据经编码器处理后得到隐藏特征表达y⁽ⁱ⁾。