没有合适的资源?快使用搜索试试~ 我知道了~
基于改进遗传算法的AGV动态路径规划及其实现_刘二辉1
需积分: 0 1 下载量 118 浏览量
2022-08-04
17:19:44
上传
评论
收藏 1.72MB PDF 举报
温馨提示
试读
25页
摘要:提供一种改进遗传算法的AGV动态路径规划算法,其中,针对传统变异算子缺少启发式规则导致变异产生优质解的概率较低和算法早熟的缺陷,基于相连的路径片段组成的三
资源详情
资源评论
资源推荐
基于改进遗传算法的 AGV 动态路径规划及其实现
刘二辉
1
姚锡凡
1+
蓝宏宇
1
金 鸿
2
(1. 华南理工大学 机械与汽车工程学院,广东 广州 510640; 2. 华南农业大学 工程学院,广东
广州 510642)
摘要:提供一种改进遗传算法的 AGV 动态路径规划算法,其中,针对传统变异算子缺少启发式
规则导致变异产生优质解的概率较低和算法早熟的缺陷,基于相连的路径片段组成的三角形建立使
路径缩短的启发式变异规则提出路径微调算法;为了提高路径的光滑程度便于 AGV 行驶,提出路径
光滑处理算法;为了增加改进遗传算法的局部寻优能力,对每一代的最优解进行模拟退火操作;并
且基于 Matlab GUI 开发工具开发出 AGV 动态路径规划仿真平台,以证明所改进遗传算法求解 AGV
动态路径规划问题的有效性。
关键词:启发式规则;路径微调算法;路径光滑处理算法;动态路径规划
中图分类号:TH16;TP24 文献标识码:A
AGV Dynamic Path Planning Based on Improved Genetic Algorithm and
its Implementation
LIU Erhui, YAO Xifan, LAN Hongyu, JIN Hong
(1. School of Mechanical and Automobile Engineering, South China University of Technology,
Guangdong Guangzhou 510640, China; 2. College of Engineering, South China Agricultural
University,Guangzhou 510642, China)
Abstract: An improved genetic algorithm (IGA) for AGV dynamic path planning is proposed,
in which fine-tuning path algorithm is proposed based on the heuristic rule to shorten path
by the set up of a triangle consisting of connected path segments to aim at the drawbacks
such as low probability of producing high quality solutions and premature resulted from
the lack of heuristic rules in traditional mutation operators, path smoothing algorithm
is proposed to improve the smoothness of the path and facilitate the running of AGV, and
simulated annealing operation is performed for the optimal solution in each generation to
enhance the IGA exploitation performance. An AGV dynamic path planning platform developed
by MATLAB GUI tools so as to verify the proposed IGA for solving AGV dynamic path planning
problems.
Key Words: heuristic rules ; path fine-tuning algorithm; path smoothing algorithm ; dynamic
path planning
0 引言
AGV 作为智能物料运输的主要工具已经在现代生产系统中广泛使用,AGV 的采用带来诸如生
产率提高、节约劳动成本、提高能源利用率和增强安全性等优点
[1, 2]
。路径规划是 AGV 领域的关键
性问题,主要目标是为 AGV 在包含障碍物的空间中规划出一条从起点到目标点的路径,并且保证
收稿日期: 2017-06-16;修订日期:2017-08-17。Received 16 Jun. 2017,accepted 17 Agu. 2017.
基金项目:国家自然科学基金资助项目(51675186,51175187); 广东省科技计划项目(2017A030223002);广州市南沙
区 科 技 计 划 项 目 (2015CX005) 。 Foundation items: Project supported by the National Natural Science
Foundation ,China(No.51175187); the Science & Technology Program of Guangdong Province,China(No.2017A030223002);
and the Science & Technology Program of Nansha,Guangzhou,China (No.2015CX005).
网络出版时间:2017-10-30 09:25:42
网络出版地址:http://kns.cnki.net/kcms/detail/11.5946.TP.20171030.0925.004.html
AGV 在运动过程中不与障碍物碰撞且以尽可能快的速度到达目标点完成指定任务
[3]
。AGV 的工作空
间的环境地图可以是静态的也可以是动态的,静态环境的路径规划问题对算法性能要求比动态规划
低,对于动态环境的路径规划问题,由于 AGV 工作空间中的障碍物实时运动,AGV 要规划出可靠
地路径必须实时获取环境信息,并对规划好的路径进行快速修改
[4]
,因此本文着重研究 AGV 动态路
径规划算法设计问题。
AGV 路径规划问题可以建模成约束优化问题,已经有很多学者研究 AGV 路径规划算法的设计
问题,路径规划算法分为传统算法和智能算法,传统算法主要有 A*算法
[5]
、D*算法
[6]
、人工势场算
法
[7]
、单元分解法、RRT
*[8]
等,路径规划是 NP-Hard 型问题,随着环境地图的复杂性和动态性增加,
传统求解算法有求解代价高、容易陷入局部极值和求解效率低等缺陷,为了克服这些缺陷有很多学
者广泛研究各种智能优化算法在 AGV 路径规划领域的应用
[9]
。智能求解算法主要有遗传算法
(Genetic Alcorithm,GA)
[10]
、花授粉算法(Flower Pollination Algorithm,FPA)
[11]
、灰狼优化算法
(Grey Wolf Optimization,GWO)
[12]
、帝国主义竞争算法(Imperialist Competitive Algorithm,ICA)
[13]
、教-学优化算法(Teaching-Learning-Based Optimization,TLBO)
[14]
、粒子群算法(Particle Swarm
Optimization,PSO)
[15]
等。与传统求解算法相比智能算法求解路径规划问题有更好的鲁棒性
[16]
,GA
有很好的鲁棒性已经广泛应用于诸多组合优化领域,如云制造服务组合优化
[17]
、旅行商问题、AGV
与加工作业的集成调度问题
[18]
等。
已经有很多学者开展智能算法求解 AGV 动态路径规划问题的研究,文
[19]
基于细菌进化算法
(Bacterial Evolutionary Algorithm,BEA)和人工势场算法(Artificial Potential Field,APF)提出细
菌势场算法(Bacterial Potential Field,BPF),用于求解移动机器人静态和动态路径规划问题,该算
法利用 BEA 优化引力和斥力系数,有效避免了传统 APF 算法容易陷入局部极值的缺点,仿真实验
证明 BPF 算法求解移动机器人静态和动态路径规划问题的有效性,缺点是环境地图以及障碍物运动
形式简单。传统的 GA 求解优化问题时,变异算子是按一定的概率随机生成一个新的基因替换原来
的基因,会导致生成更好解的可能性较低,文
[20]
提出新的变异算子,具体做法是在要变异的基因邻
域确定自由空间中的候选点集,然后从候选点集中随机选择点替换原来的基因进行变异,有助于提
高变异生成优质解的可能性。基于改进变异算子提出改进 GA 并求解移动机器人动态路径规划问题,
证明改进策略的有效性,但变异点选择没有启发信息,导致变异效率低。文
[21]
基于爬山算法提出新
的变异算子,有效避免传统 GA 求解路径规划问题容易陷入局部极值的缺陷;改进可视图算法对环
境地图进行建模,有效提高了规划出的路径的安全性;为了提高 GA 的寻优效率,遗传操作之后采
用 PSO 算法更新种群,仿真实验验证了改进 GA 求解移动机器人动态路径规划问题的有效性;缺点
是环境地图简单,障碍物运动形式简单且动态障碍物较少。文
[22]
基于 PSO 提出改进重力搜索算法
(Gravitational Search Algorithm,GSA),基于改进的 GSA 求解多移动机器人的路径规划问题,仿真
实验和实际实验证明该算法的有效性,缺点是工作空间中的障碍物时静态的。文
[23]
基于可视空间法
提出改进的初始解生成算法,并提出新的变异算子以避免算法早熟,基于以上改进策略提出改进 GA,
应用改进 GA 求解移动机器人静态和动态规划问题,实验证明改进 GA 求解静态和动态路径规划问
题的有效性,缺点是动态环境中只有一个动态障碍物。文
[24]
基于 PSO 算法和勒让德谱方法(Legendre
pseudospectral method,LPM)提出粒子群勒让德谱混合算法(PSO-LPM),PSO-LPM 求解动态路径
规划问题分为以下两个阶段:第一个阶段依赖 PSO 算法全局搜索能力强的优点利用 PSO 进行全局搜
索,达到第一阶段的终止条件后进入依赖 LPM 算法搜索的第二阶段,仿真实验证明了 PSO-LPM 算
法求解动态路径规划问题的有效性。文
[25]
提出了改进的 GWO 和 GA 求解 AGV 静态路径规划问题,
进而设计路径光滑处理算法以及建立动态路径规划模型,并基于 Matlab GUI 开发工具开发出 AGV
静态和动态路径规划仿真平台,应用改进的 GA 求解多种环境地图 AGV 动态路径规划问题证明改进
算法的有效性。
基于以上文献智能算法求解 AGV 动态路径规划时,变异算子缺少启发式规则导致变异产生优质
解的概率较低,进而导致算法早熟。为此本文提出路径微调算法、路径光滑处理算法以及对每一代
的最优解进行退火操作,路径微调算法考虑相连的路径片段组成的三角形建立使路径缩短的启发式
变异规则,有助于提高变异算子产生较好解的可能性。对每一次迭代种群中的最优解进行路径光滑
处理,可以有效减少规划出的路径的尖角,进而提高 AGV 的运行速度。对每一代的最优解进行退火
操作,在最优解的邻域进行充分的搜索有效提高解的质量。为了验证改进遗传算法求解 AGV 动态路
径规划问题,本文设计了两种动态环境地图,并建立 AGV 沿规划的路径运动的模型,基于 Matlab GUI
开发工具开发出 AGV 动态路径规划仿真平台,仿真实验证明本文提出的改进策略的有效性。
1 AGV 工作空间建模和路径规划模型
AGV 工作空间,障碍物空间,自由空间定义如下:移动机器人工作空间 W 是由 R
2
表示的物理
空间,障碍物在工作空间 W 中的映射为障碍物空间 O
obs
,机器人与障碍物无碰撞移动的空间为自由
空间 C
free
,则
WCO
freeobs
。假设机器人工作空间为一个有限的区域,该区域内有一定数量的静
态和动态障碍物,为了研究方便把 AGV 假设成为一个质点,忽略其实际尺寸,同时把障碍物放大一
定的尺寸保证规划出的路径不会使 AGV 与障碍物碰撞
[16]
。环境地图的建模需要考虑三个重要的因
素:1)数据在计算机中的存储;2)用户方便使用环境地图数据;3)便于智能优化算法高效的求解。
考虑到上述因素本文采用二维的网格地图作为 AGV 工作空间的环境地图建模方法
[26, 27]
,黑色网格
表示障碍物空间,反之是自由空间,如图 1 所示。
0 10 20 30 40 50 60 70 80 90 100
0 10 20 30 40 50 60 70 80 90 100
x (dm)
y (dm)
S
G
图 1 AGV 工作空间网格地图
AGV 从出发点到目的地的一条完整路径表示一个染色体,如图 2 所示基于遗传算法路径规划建
模之后的路径染色体,
1
p
是 AGV 运动起始点,
n
p
是 AGV 根据调度系统指令要求到达的目的地,
在自由空间中随机产生
2n
个点满足
free21
Cp,...,p,p
n
,这 n 个点按顺序连接起来便构成一个从起
始点到目的地的染色体,一条染色体在网格地图中的表示如图 1 中连接“S”和“G”的实线所示。
x
i2
y
i2
x
in
y
in
起点(p
1
) 目标点(p
n
)
x
i1
y
i1
图 2 长度为 n 的染色体
2 基于改进遗传算法的 AGV 动态路径规划
2.1 适应度函数设计
适应度函数主要用于评价每个染色体的优劣,进而确定遗传操作时该染色体的基因遗传到下一
剩余24页未读,继续阅读
狼You
- 粉丝: 24
- 资源: 324
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0