一種K-Means蟻群算法多機器人路徑規劃方法技術

本發明專利技術涉及一種K

【技術實現步驟摘要】
一種K
?
Means蟻群算法多機器人路徑規劃方法


[0001]本專利技術涉及機器人路徑規劃
，具體是一種融合改進K
?
Means和蟻群算法(Improved K
?
Means Ant Colony Optimization，IKMACO)的多機器人路徑規劃方法。

技術介紹

[0002]傳統蟻群算法(Ant Colony Optimization，ACO)算法雖然在解決單一機器人路徑規劃問題時能取得較好的效果，但在多機器人路徑規劃中，由于一些節點可能同時是多條最優路徑的構造節點，但出于節點單次使用原則，節點的信息素濃度對于螞蟻來說，將難以反應節點的優劣，因為此時的信息素濃度將是螞蟻試圖構造不同最優路徑時產生的，因此，傳統蟻群算法通常難以直接應用于多機器人路徑規劃。
[0003]多機器人路徑規劃是指多個機器人根據多個任務的空間分布，從不同的起始任務位置出發，不重復遍歷所有任務，最終回到起始位置，根據一定的準則(如路徑最短，安全性最好，用時最短等)，尋求一條從各起始任務節點開始并最終連接所有任務節點的最優或次優路徑。
[0004]多機器人路徑規劃技術的發展在一定程度上標志著機器人智能水平的高低，而路徑規劃方法的優劣直接影響路徑規劃效果。目前，國內外許多專家學者都在致力于路徑規劃算法的研究，常用的優化算法主要有遺傳算法、免疫算法、蟻群優化算法、神經網絡算法等。
[0005]其中，蟻群算法作為一種基于種群的概率選擇算法，由于該算法與其它啟發式算法相比，在求解性能上，具有很強的魯棒性和較好解的搜索能力，且容易與多種啟發式算法結合，以改善算法性能，所以蟻群算法在路徑規劃領域中得到了廣泛的應用。但蟻群算法在具備了種種優點的同時，也包含了一些缺點，諸如蟻群算法一般是用來求解一條滿足一定約束條件的最優路徑。這一特征使得蟻群算法難以去處理多機器人的路徑規劃問題，因為在該問題中，某一任務節點的優劣性在構建不同的最優路徑中可能并不統一，這使得不同螞蟻留在該節點上的信息素濃度無法成為衡量該節點是否優劣的標準。傳統蟻群算法應用于多機器人路徑規劃問題時可能會產生規劃的路徑較長，機器人能耗不均衡等問題的缺陷。

技術實現思路

[0006]本專利技術的目的就是為了能夠克服傳統蟻群算法應用于多機器人路徑規劃問題時可能會產生規劃的路徑較長，機器人能耗不均衡等問題的缺陷，提供的一種K
?
Means蟻群算法多機器人路徑規劃方法。
[0007]由于現有技術中多機器人路徑規劃是指多個機器人根據多個任務的空間分布，從不同的起始任務位置出發，不重復遍歷所有任務，最終回到起始位置，根據一定的準則(如路徑最短，安全性最好，用時最短等)，尋求一條從各起始任務節點開始并最終連接所有任務節點的最優或次優路徑。如圖1所示，在一個工作空間內分布著若干個任務節點和若干個
移動機器人，每個機器人需要遍歷其中若干個任務節點，并且最后會回到其起點處，在這個過程中，每個任務節點僅會被遍歷一次，且所有任務節點都會被遍歷到，在當前約束條件作用下，求解所有機器人所產生的滿足評價準則的最優路徑即為多機器人路徑規劃，如圖2所示為圖一規劃任務的一個解。
[0008]在蟻群算法的迭代過程中，螞蟻選擇節點是通過距離啟發函數以及信息素濃度兩個標準來確定的，其中，螞蟻在迭代前期主要依賴距離啟發函數來探索較優路徑，此時，螞蟻選擇節點的主要影響因素為當前節點與下一節點的歐式距離，隨著迭代的進行，節點上存在的信息素濃度漸漸對螞蟻的決策產生影響，而信息素濃度與其所構成的路徑的長短成反比，信息素濃度越高的節點，往往能構建出較優的路徑，這也是形成蟻群算法優化能力的根本因素。但信息素濃度形成的優化能力僅能針對優化路徑僅為一條時才有很好的效果，因為某個節點上的信息素濃度雖然較高，但其濃度可能來自不同起止點的路徑產生的，因此難以通過濃度來衡量該節點在構造某條路徑時的優劣。
[0009]本專利技術總體思路是擬采用聚類算法將任務空間中的若干任務節點分為若干類，將多機器人路徑規劃問題轉換為單機器人問題，然后只需對每類的節點單獨使用蟻群算法即可解決多機器人路徑規劃。K
?
Means聚類算法是最著名的劃分聚類算法，由于簡潔和效率使得它成為所有聚類算法中最廣泛使用的，但由于K
?
Means聚類算法的分類是基于質心位置的，可能導致同一聚類所包含的節點中存在多個機器人起點的問題，因此本專利技術提出一種改進的K
?
Means算法(Improved K
?
Means,IKM)用于聚類，以免出現這種問題。
[0010]如圖3所示，將聚類中心的坐標初始為各機器人起點位置，在迭代更新的過程中，聚類中心會發生移動，那我們在每一輪迭代產生新的分類結果時，先判斷是否存在多個機器人起點被分為同一類中，若存在，則直接退出，否則繼續執行，直到達到最大迭代次數。
[0011]本專利技術解決其技術問題所采用的技術方案是：
[0012]一種K
?
Means蟻群算法多機器人路徑規劃方法，包括以下步驟：
[0013]1、采用一種融合改進K
?
Means聚類算法，包括以下步驟：
[0014]1)設所有節點以及機器人起點的坐標為式(1)的矩陣P，每一個行向量為一組節點的坐標，共有m+n組節點坐標，假定前m行為機器人坐標，后n行為任務節點坐標，聚類中心矩陣C包含了m個質心的坐標，初始為各機器人初始位置，如式(2)；
[0015][0016]C＝P[0:m]????????????????????????????
(2)
[0017]2)計算所有任務節點到各機器人起點的歐式距離，結果存入式(3)的矩陣D，D的第j個行向量D
j
(1≤j≤m)為所有節點到第j個機器人起點的距離，由式(4)計算，Dis函數能按行計算參數矩陣的行向量的模，元素d
i,j
為第i個任務節點到第j個機器人起點的歐氏距離；
[0018]根據式(5)計算每個節點所屬質心的序號行向量，Sort函數能按行找到最小元素的位置序號，當且僅當S列表中的前m項元素含有所有的1,2,3
…
m時，即S列表對應的分類合
法，否則為不合法，見式(6)；
[0019][0020]D
j
＝Dis(P
?
C[j])
??????????????????????????
(4)
[0021]S＝Sort(D)＝[s1,s2,s3,...s
j
],s
1≤j≤m+n
∈[0,m]??????????????
(5)
[0022][0023]3)當且僅當由式(6)的condition＝True時，根據式(7)更新質心坐標，其中Average函數能按列計算每列元素的平均值，否則退出聚類過程。
[本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種K
?
Means蟻群算法多機器人路徑規劃方法，包括以下步驟：一、采用一種融合改進的K
?
Means聚類算法，包括以下子步驟：(1)設所有節點以及機器人起點的坐標為式(1)的矩陣P，每一個行向量為一組節點的坐標，共有m+n組節點坐標，假定前m行為機器人坐標，后n行為任務節點坐標，聚類中心矩陣C包含了m個質心的坐標，初始為各機器人初始位置，如式(2)；C＝P[0:m]
????????????????????????????
(2)(2)計算所有任務節點到各機器人起點的歐式距離，結果存入式(3)的矩陣D，D的第j個行向量D
j
(1≤j≤m)為所有節點到第j個機器人起點的距離，由式(4)計算，Dis函數能按行計算參數矩陣的行向量的模，元素d
i,j
為第i個任務節點到第j個機器人起點的歐氏距離；根據式(5)計算每個節點所屬質心的序號行向量，Sort函數能按行找到最小元素的位置序號，當且僅當S列表中的前m項元素含有所有的1,2,3
…
m時，即S列表對應的分類合法，否則為不合法，見式(6)；D
j
＝Dis(P
?
C[j])
??????????????????????????
(4)S＝Sort(D)＝[s1,s2,s3,...s
j
],s
1≤j≤m+n
∈[0,m]
??????????????
(5)(3)當且僅當由式(6)的condition＝True時，根據式(7)更新質心坐標，其中Average函數能按列計算每列元素的平均值，否則退出聚類過程；c[i]＝Average(P[S＝＝i])
?????????????
(7)二、在聚類過程結束后，對每一類中的節點采用蟻群算法以解決一個類的路徑規劃問題，包括以下子步驟：(1)設某一類結果中包括機器人起點以及若干個任務節點，則在調用蟻群算法解決時，首先將螞蟻放置在機器人起點上，然后根據式(8)計算各任務節點的選擇概率，使用輪盤賭法選擇并將螞蟻移動到下一個節點，將上一個節點添加進禁忌表中，然后重復計算選擇概率和移動的過程，直到所有的任務節點都遍歷完；
其中，是由迭代次數t時的第k只螞蟻由節點i轉移至節點j的選擇概率，τ
i...

【專利技術屬性】
技術研發人員：李東東，王雷，蔡勁草，王安恒，王天成，王藝璇，程龍，胡孔夫，
申請(專利權)人：安徽工程大學，
類型：發明
國別省市：