[发明专利]基于改进遗传算法的巡检机器人路径规划方法及系统

说明书

本申请公开了基于改进遗传算法的巡检机器人路径规划方法及系统，包括：建立巡检机器人行走的栅格地图；获取巡检机器人在栅格地图中行走时的移动方向数据和位置数据；其中，移动方向数据和位置数据通过GPS获取；根据巡检机器人的移动方向数据和位置数据，基于改进的遗传算法，得到最优移动路径排序，将排序最靠前的路径作为巡检机器人下一步的移动路径。减少巡检机器人路径规划局部搜索的随机性；增强了巡检机器人路径规划结果的多样性；实现了对计算资源消耗的把控，增强了算法的适用性。

技术领域

本申请涉及路径规划技术领域，特别是涉及基于改进遗传算法的巡检机器人路径规划方法及系统。

背景技术

本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。

全局最优化问题(Global Optimization Problem)一直是优化领域的一个热点问题，而利用启发式算法进行求解目前是解决这类问题的主流方法。在历经了多年的探索之后，很多优秀的、具有针对性的启发式算法被提出，它们在搜索策略上可以被分为两大类：基于全局搜索策略的启发式算法和基于个体搜索策略的启发式算法。有学者尝试将两类算法结合起来使用，创造出了许多混合式算法，采用不同的搜索策略可以构成不同的混合式算法,如全局搜索策略可以采用遗传算法、进化策略、进化规划等，局部搜索策略可以采用爬山搜索、模拟退火、贪婪算法、禁忌搜索、导引式局部搜索等。传统的混合算法步骤如图1所示。

搜索算子：全局搜索能力是指找到全局最优解所在大致位置的能力，而局部搜索是指能够无穷接近最优解的能力。如图2中所示：假设我们正在解决一个求全局最大值问题，理论上，我们希望全局搜索可以将个体引导至ab，cd或ef区间，然后由局部搜索算子在a与b区间内，c与d区间内，e与f区间内分别搜索该区间内的最优值。

一般来说，启发式算法性能通常通过：鲁棒性、结果的优劣程度、执行算法所消耗计算资源即算法是否高效等来评定。虽然文化基因算法在很多优化问题上取得了一定的成功，但学界普遍认为该类算法目前这样一个问题——此类算法因步骤繁琐，在提升了结果精确度的同时不可避免地消耗了更多的计算资源。因为他们通常在原算法上面又增加了一个基于个体的随机搜索算法，这样的算法结构无疑会消耗较多的计算资源。

目前巡检机器人的路径规划计算步骤复杂，路径规划计算步骤繁琐，浪费机器人的功耗；路径规划计算速度慢，影响机器人的实时检测能力。现有的路径规划可以采用遗传算法来进行解决，但是现有的遗传算法大量消耗计算资源，大量消耗计算资源根本原因无外乎以下两点：a)局部搜索缺乏针对性,导致在计算资源有限的情况下，大量的计算资源被随机分配；b)局部搜索算法功能不够契合。

我们需求的路径搜索只需要在路径附近很小的区域探索，但很多局部搜索算法会有大幅对路径进行扰动的操作，这是它作为一个独立算法时为了全面地探索解空间的必要步骤，但作为局部搜索算子，大幅的扰动会得到大量无意义的规划路径。

发明内容

为了解决现有技术的不足，本申请提供了基于改进遗传算法的巡检机器人路径规划方法及系统；

第一方面，本申请提供了基于改进遗传算法的巡检机器人路径规划方法；

基于改进遗传算法的巡检机器人路径规划方法，包括：

建立巡检机器人行走的栅格地图；

获取巡检机器人在栅格地图中行走时的移动方向数据和位置数据；其中，移动方向数据和位置数据通过GPS获取；

根据巡检机器人的移动方向数据和位置数据，基于改进的遗传算法，得到最优移动路径排序，将排序最靠前的路径作为巡检机器人下一步的移动路径。

第二方面，本申请提供了基于改进遗传算法的巡检机器人路径规划系统；

基于改进遗传算法的巡检机器人路径规划系统，包括：