[发明专利]基于组合反向粒子群优化的机器人巡检路径规划方法

摘要

本发明公开了一种基于组合反向粒子群优化的机器人巡检路径规划方法。本发明利用组合反向粒子群优化算法来规划机器人的巡检路径。在规划过程中，组合反向粒子群优化算法在其演化进程中执行基本粒子群优化算法的搜索算子，同时以一定的概率执行组合反向学习策略生成组合反向种群，并从当前种群和组合反向种群中选择出优秀个体进入新一代种群，从而减少陷入局部最优的概率。本发明能够提高机器人巡检路径规划的效率。

主权项

一种基于组合反向粒子群优化的机器人巡检路径规划方法，其特征在于，包括以下步骤：步骤1，输入机器人需要巡检点的坐标，并确定机器人巡检点的数量D；步骤2，用户初始化种群大小Popsize，最大评价次数MAX_FEs，加速因子C1和C2，最大速度绝对值VMax，反向学习率OP；步骤3，当前演化代数t＝0，当前评价次数FEs＝0；步骤4，随机产生初始种群其中粒子下标i＝1,2,...,Popsize，并且为种群Pt中的第i个粒子，其随机初始化公式为：Ai,1,jt=rand(0,1),]]>Ai,2,jt=2×rand(0,1)×VMax-VMax]]>其中维度下标j＝1,2,...,D；存储了种群Pt中第i个粒子的当前位置，表示D个巡检点的顺序权值；存储了种群Pt中第i个粒子在每一维上的速度大小，rand(0,1)为在[0,1]之间服从均匀分布的随机实数产生函数；步骤5，计算种群Pt中每个粒子的适应值，其中个体下标i＝1,2,...,Popsize，计算粒子的适应值的方法为：将粒子的当前位置作为D个巡检点的顺序权值，根据巡检点的顺序权值生成巡检路径，然后以巡检路径的长度作为适应值；步骤6，保存种群Pt中每个粒的自身历史最优位置，并令当前评价次数FEs＝FEs+Popsize；步骤7，保存种群Pt中的最优粒子位置gBestt；步骤8，在[0,1]之间随机产生一个实数pr1；步骤9，如果pr1大于反向学习率OP，则转到步骤10，否则转到步骤14；步骤10，令当前惯性权重因子步骤11，按以下公式更新种群Pt中每个粒子的速度和位置：Ai,2,jt+1=PW×Ai,2,jt+C1×TR1×(pBesti,jt-Ai,1,jt)+C2×TR2×(gBestjt-Ai,1,jt)]]>Ai,1,jt+1=Ai,1,jt+Ai,2,jt+1]]>其中i＝1,2,...,Popsize，j＝1,2,...,D，TR1和TR2分别为[0,1]之间的随机实数，为第i个粒子的自身历史最优位置；步骤12，计算种群Pt中每个粒子的适应值；步骤13，转到步骤15；步骤14，执行组合反向学习操作生成组合反向种群BPt，然后从种群Pt和组合反向种群BPt的并集中选择出新一代种群，具体步骤如下：步骤14.1，按以下公式计算种群Pt的搜索下界ALowt和上界AUpt：ALowjt=min(Ai,1,jt)]]>AUpjt=max(Ai,1,jt)]]>其中i＝1,2,...,Popsize，j＝1,2,...,D；min为取最小值函数，max为取最大值函数；步骤14.2，按以下公式生成种群Pt的组合反向种群BPt：BPt={B1t,B2t,...,Bbit,...,BPopsizet},]]>Bbi,1,bjt=RK×[(ALowbjt+AUpbjt)×CK-Abi,1,bjt]+(1-RK)×[(ARI1,1,bjt+gBestbjt)×CK-Abi,1,bjt],]]>Bbi,2,bjt=Abi,2,bjt]]>其中反向粒子下标bi＝1,2,...,Popsize，维度下标bj＝1,2,...,D，组合因子RK的值为[0,1]之间的一个随机实数，反向因子CK的值为[0,1]之间的一个随机实数，RI1为[1,Popsize]之间的一个随机整数；是组合反向种群BPt中第bi个反向粒子的当前位置；是组合反向种群BPt中第bi个反向粒子在每一维上的速度大小；步骤14.3，计算组合反向种群BPt中所有反向粒子的适应值；步骤14.4，从种群Pt和组合反向种群BPt的并集中选择出新一代种群；步骤14.5，转到步骤15；步骤15，更新种群Pt中每个粒子的自身历史最优位置；步骤16，令当前评价次数FEs＝FEs+Popsize；步骤17，令当前演化代数t＝t+1；步骤18，保存种群Pt中的最优粒子位置gBestt；步骤19，重复步骤8至步骤18直至当前评价次数FEs达到MAX_FEs后结束，将执行过程中得到的最优粒子位置gBestt解码成机器人巡检的路径，即可实现机器人的巡检路径规划。