云模型在机器人路径规划算法中的研究

工程技术　Project technique　

云模型在机器人路径规划算法中的研究

马文辉　崔　莹

(齐齐哈尔医学院现代教育技术中心　161000　中国一重技师学院黑龙江省齐齐哈尔市　161000)

【摘　要】传统的遗传算法由于在进化过程中易出现早熟收敛、不能保证种群多样性的现象。本文提出了一种基于云模型的简单、有效的移动机器人避障路径规划算法,采用一维云算子进化变异,同时进化式变异和突变均利用了历史搜索结果,有效避免遗传算法的缺点。模拟数据也证明了该算法的可行性。

【关键词】云模型;进化算法;路径规划;机器人

1　引　言

机器人规划是在已有环境下绕过障碍物找到一个可行的或最优路径从源位置到目标位置,这个问题已得到广泛的研究,各种智能算法不断涌现,这些方法应用于路径规划会使移动机器人在动态环境中更灵活,更具智能化。如人工势场,随机路标规划,基于传感器的方法等。它们都有其优点和缺点。基于遗传算法的机器人路径规划是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法。由于其思想简单、易于实现以及表现出来的健壮性,但是因为遗传算法本身的缺陷(早熟、局部能力搜索差),还不能保证计算机效率和路径的可靠性,因此还存在很大的改进发展空间。云模型是对模糊理论隶属函数概念的创新与发展,已成功应用于智能控制、大系统评估、网络安全等。

2　云模型改进机器人路径规划方法

云模型所表达的概念的整体特性可以用期望Ex(Expected value),熵En(Entropy),超熵He(Hyper entropy)这3个数字特征来整体表征。Ex是云滴在论域空间分布的期望,是最能够代表定性概念的点,或者说是这个概念量化的最典型样本。En代表定性概念的可度量粒度,反映了能够代表这个定性概念的云滴的离散程度,亦是在论域空间可被概念接受的云滴的取值范围。He是熵的不确定性度量,即熵的熵,由熵的随机性和模糊性共同决定。用3个数字特征表示的定性概念的整体特征记做C(Ex,En,He)。

基于云模型的优良特性,结合遗传算法的基本原理,本文使用一种自适应、高精度、快速随机搜索机器人路径规划的算法,该算法不但比传统遗传算法精度高,而且能够很好地避免遗传算法易陷入局部最优解和选择压力过大造成的早熟收敛等问题。本文中Ex代表父代个体的优良特征即代表父代路径;En和He表示继承过程的不确定性和模糊性即可被接受的路径范围,利用正态云算子完成概念空间到数值空间的转换,产生种群下一代路径,实现遗传操作。在遗传算法中,当种群的多数个体适应值相差不大时交叉操作就显得无能为力,算法陷入局部解而不能由交换解决,突然变异能够使之摆脱局部收敛而跃出局部解,但是后期的变异可能破坏已产生最优解模块。基于云模型的改进算法可以有效避免遗传算法的这个缺点,因为进化式变异和突变均利用了历史搜索结果。

3　实验方法

3.1　实验的初始设置。P(Eχ,En,He),Eχ=20,En=0.618, He=0.05,k=10,λlocal=3,λglobal=9。

3.2　将优秀路径带入公式(1)产生下一代

Θ[j]=1/(sqrt(2×pi)×sqrt(He))×pow(e,-(j-En)^2/(2×En))

(2)

X[j]=(sqrt(2×pi)×sqrt(Θ[j]))×pow(e,-(j-qath[i] [j]))×(j-qath[i][j])/(qath[i][j])(3) path[i][j]=pow(e,-(X[j])-quani[j])×(X[j]-qath[i] [j])/(2×Θ[j])(4)

其中:i∈优秀路径群,j∈路径基因

3.3　计算适应函数fit()。ppercent[i]为第i条路径长度,

qpercent[i]为第i条路径惩罚算子

fit[i]=1/appercent[i]+βqpercent[i](5)

其中:α为路径长度因子,β惩罚因子。

3.4　进化过程。进化过程中,若出现跨代精英,En和He减小

为原来的1/k(k为大于1的实数)。当若干进化代没有发现新的跨代精英,即连续平凡代数达到一定的阈值λlocal时,路径可能陷入了一个局部最优邻域,此时需要跳出这个小局部,并在该局部附近尝试寻找新的局部最优,方法是提高En和He为原来的k倍。

3.5　变异过程。当经过若干代进化没有得到适应性更加优

异的路径,而且进化式变异没有效果时,路径可能陷入局部,需要进行一次突变操作。进行局部求变和突变的连续平凡代数阈值之间的关系为λglobal>λlocal。突变方法为取历史跨代精英个体的平均值,熵为相应历史精英个体的方差。

在本算法中进化和变异是统一的,进化式变异是进化和变异融合,可以用来进行局部求精或跳出小局部,而突变则用来在全局范围内寻找新的极值搜索区域.算法可以判断出当前的进化状况,进而可以自适应地进行调整

。

　图1　初始最优路径状态 图2　第12代精英路径状态4　结　论

本文采用云模型理论改遗传算法在机器人路径中的应用,不需要繁琐的交叉、变异,具有良好的可操作性。模拟数据验证了这种方法对全局优化性能改善的可行性,可以使该算法优化速度获得一定程度的提高,有效地克服了基本遗传算法收敛速度慢、易限于局部最优解的缺陷。

【参考文献】

[1]Rosell,J.,Iniguez,P.:Pat h planning using Harmonic Functions and

Probabilistic Cell Decomposition.Proc.of t he IEEE Int.Conf.on

Robotics and Automation(2005):1803-1808.

[2]Kazemi,M.,Mehrandezh,M.:RoboticNavigationUsing Harmon2

icFunction-basedProbabilisticRoadmaps.Proc.of t he IEEE Int.

Conf.on Robotics and Automation(2004):4765-4770.

[3]李德毅,杜益.不确定性人工智能[M].北京:国防工业出版社,2005.

[4]戴朝华,朱云芳,陈维荣,林建辉.云遗传算法及其应用[J].电子学

报,2007-7.

[5]段海滨,王道波等.基于云模型理论的蚁群算法改进研究[J].哈尔

滨工业大学学报,2005-1.

[6]周明,孙树栋.遗传算法原理及应用[J].北京:国防工业出版社,2002-5.

[7]陈国良.遗传算法及其应用[M].北京:人民邮电出版社,2001.

—

1

2

1

—