CN108983770B - 数据处理方法、装置、电子设备及存储介质 - Google Patents

数据处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN108983770B
CN108983770B CN201810708241.XA CN201810708241A CN108983770B CN 108983770 B CN108983770 B CN 108983770B CN 201810708241 A CN201810708241 A CN 201810708241A CN 108983770 B CN108983770 B CN 108983770B
Authority
CN
China
Prior art keywords
particle
optimal
population
particles
current generation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810708241.XA
Other languages
English (en)
Other versions
CN108983770A (zh
Inventor
赵涛
梁伟博
佃松宜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN201810708241.XA priority Critical patent/CN108983770B/zh
Publication of CN108983770A publication Critical patent/CN108983770A/zh
Application granted granted Critical
Publication of CN108983770B publication Critical patent/CN108983770B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提出一种数据处理方法、装置、电子设备及存储介质，涉及机器人控制领域，该方法包括：计算当前代粒子种群中所有问题解粒子各自的第一位置适应度值，和当代最优粒子种群的平均最优个体粒子及所有个体最优粒子各自的第二位置适应度值，且在当代最优粒子种群中确定出群体最优粒子后，分别计算获得当前代粒子种群中每个当前代问题解粒子各自对应的下一代问题解粒子；以使当前代粒子种群的迭代次数达到预设的最大迭代次数，或者是群体最优粒子的位置适应值小于预设的终止阈值时，输出群体最优粒子，进而使移动机器人依据群体最优粒子进行状态控制。本发明提供的一种数据处理方法、装置、电子设备及存储介质，能够提升移动机器人的控制效率。

Description

数据处理方法、装置、电子设备及存储介质
技术领域
本发明涉及机器人控制领域，具体而言，涉及一种数据处理方法、装置、电子设备及存储介质。
背景技术
两轮移动机器人拥有相对简易的机械结构以及自主平衡的能力，更容易操控，在各个领域中被广泛使用，可以作为勘探、救援、搜索任务中的移动平台。同时在提倡清洁能源的当下，也可以改造成广受使用者欢迎的两轮平衡小车。两轮移动机器人本质上是一个两轮倒立摆，两个同轴轮分别安装在机体两侧，整体的质心位于轮轴的上方，因此，小车必须通过自身的运动维持平衡。倒立摆是一种典型的非线性***，高度不稳定且易受干扰，被广泛的作为研究各种控制策略的展示平台。
发明内容
本发明的目的在于提供一种数据处理方法、装置、电子设备及存储介质，能够提升移动机器人的控制效率。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种数据处理方法，用于移动机器人的状态控制，所述方法包括：计算当前代粒子种群X(t)对应的当代最优粒子种群P(t)的平均最优个体粒子C(t)，其中，所述当前代粒子种群X(t)中包含多个当前代问题解粒子Xi(t)，每个所述问题解粒子Xi(t)包括预设数量的参数，所述当代最优粒子种群P(t)包含多个个体最优粒子Pi(t)，每个所述个体最优粒子Pi(t)为相应的所述问题解粒子Xi(t)在所有迭代生成的问题解粒子中适应度值最小的问题解粒子，t表征当前迭代次数；计算所述当前代粒子种群X(t)中所有问题解粒子Xi(t)各自的第一位置适应度值F1i(t)及所述当代最优粒子种群P(t)中所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)，且在所述当代最优粒子种群P(t)中确定出群体最优粒子G(t)，其中，所述群体最优粒子G(t)为所述当代最优粒子种群P(t)中第二位置适应值F2i(t)最小的个体最优粒子Pi(t)；依据所述所有问题解粒子Xi(t)各自的第一位置适应度值F1i(t)、所述所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)、所述当代最优粒子种群P(t)、预设的收缩-膨胀系数α、所述平均最优个体粒子C(t)、所述群体最优粒子G(t)、预设的粒子多样性函数gsi,j(t)及所述多个当前代问题解粒子Xi(t)，分别计算获得所述当前代粒子种群X(t)中每个当前代问题解粒子Xi(t)各自对应的下一代问题解粒子Xi(t+1)；判断所述当前代粒子种群X(t)的迭代次数t是否达到预设的最大迭代次数T，或者是所述群体最优粒子G(t)的位置适应度值是否小于预设的终止阈值；当所述当前代粒子种群X(t)的迭代次数t达到所述预设的最大迭代次数T，或者是所述群体最优粒子G(t)的位置适应值小于所述预设的终止阈值时，输出所述群体最优粒子G(t)，以使所述动机器人依据所述群体最优粒子G(t)进行状态控制。
第二方面，本发明实施例提供了一种数据处理装置，用于移动机器人的状态控制，所述装置包括：平均最优个体粒子计算模块，用于计算当前代粒子种群X(t)对应的当代最优粒子种群P(t)的平均最优个体粒子C(t)，其中，所述当前代粒子种群X(t)中包含多个当前代问题解粒子Xi(t)，每个所述问题解粒子Xi(t)包括预设数量的参数，所述当代最优粒子种群P(t)包含多个个体最优粒子Pi(t)，每个所述个体最优粒子Pi(t)为相应的所述问题解粒子Xi(t)在所有迭代生成的问题解粒子中适应度值最小的问题解粒子，t表征当前迭代次数；位置适应度值计算模块，用于计算所述当前代粒子种群X(t)中所有问题解粒子Xi(t)各自的第一位置适应度值F1i(t)及所述当代最优粒子种群P(t)中所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)；群体最优粒子确定模块，用于在所述当代最优粒子种群P(t)中确定出群体最优粒子G(t)，其中，所述群体最优粒子G(t)为所述当代最优粒子种群P(t)中第二位置适应值F2i(t)最小的个体最优粒子Pi(t)；种群粒子迭代模块，用于依据所述所有问题解粒子Xi(t)各自的第一位置适应度值F1i(t)、所述所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)、所述当代最优粒子种群P(t)、预设的收缩-膨胀系数α、所述平均最优个体粒子C(t)、所述群体最优粒子G(t)、预设的粒子多样性函数gsi,j(t)及所述多个当前代问题解粒子Xi(t)，分别计算获得所述当前代粒子种群X(t)中每个当前代问题解粒子Xi(t)各自对应的下一代问题解粒子Xi(t+1)；判断模块，用于判断所述当前代粒子种群X(t)的迭代次数t是否达到预设的最大迭代次数T，或者是所述群体最优粒子G(t)的位置适应度值是否小于预设的终止阈值；参数输出模块，用于当所述当前代粒子种群X(t)的迭代次数t达到所述预设的最大迭代次数T，或者是所述群体最优粒子G(t)的位置适应值小于所述预设的终止阈值时，输出所述群体最优粒子G(t)，以使所述动机器人依据所述群体最优粒子G(t)进行状态控制。
第三方面，本发明实施例提供了一种电子设备，所述电子设备包括存储器，用于存储一个或多个程序；处理器。当所述一个或多个程序被所述处理器执行时，实现上述的数据处理方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的数据处理方法。
相对于现有技术，本发明实施例所提供的一种数据处理方法、装置、电子设备及存储介质，通过计算当前代粒子种群X(t)对应的当代最优粒子种群P(t)的平均最优个体粒子C(t)，且计算当前代粒子种群X(t)中所有问题解粒子Xi(t)各自的第一位置适应度值F1i(t)及当代最优粒子种群P(t)中所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)，并在当代最优粒子种群P(t)中确定出群体最优粒子G(t)后分别计算获得当前代粒子种群X(t)中每个当前代问题解粒子Xi(t)各自对应的下一代问题解粒子Xi(t+1)，以完成当前代问题解粒子Xi(t)的迭代后，判断当前代粒子种群X(t)的迭代次数t是否达到预设的最大迭代次数T，或者是群体最优粒子G(t)的位置适应度值是否小于预设的终止阈值，以使当当前代粒子种群X(t)的迭代次数t达到预设的最大迭代次数T，或者是当群体最优粒子G(t)的位置适应值小于预设的终止阈值时，输出该群体最优粒子G(t)，进而使移动机器人依据该群体最优粒子G(t)进行状态控制，相比于现有技术，使移动机器人的状态控制不再依赖于平均分配或者是试错法等人为配置的方式，而是采用自动生成的方式来进行状态控制，能够提升移动机器人的控制效率。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。
图1示出了本发明实施例所提供的一种电子设备的一种示意性结构图；
图2示出了本发明实施例所提供的一种数据处理方法的一种示意性流程图；
图3为图2中步骤S200的子步骤的一种示意性流程图；
图4示出了本发明实施例所提供的一种数据处理装置的一种示意性结构图；
图5示出了本发明实施例所提供的数据处理装置的群体最优粒子确定模块的一种示意性结构图。
图中：10-电子设备；20-数据处理装置；110-存储器；120-处理器；130-存储控制器；140-外设接口；150-射频单元；160-通讯总线/信号线；200-平均最优个体粒子计算模块；300-位置适应度值计算模块；400-群体最优粒子确定模块；410-位置适应度值遍历单元；420-群体最优粒子确定单元；500-种群粒子迭代模块；600-判断模块；700-参数输出模块；800-迭代循环模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
模糊逻辑控制在处理不确定性以及干扰方面展现了卓越的性能，被广泛的应用在机器人控制当中。二型模糊集采用一型模糊集描述对象属于某个模糊集合的程度，从而有效地提高了***处理不确定性的能力。在二型模糊控制***中，通常采用传统的参数设置方法(平均分配或试错法)配置控制规则中的隶属函数参数，即是说人为配置相应的参数来进行机器人的控制。虽然在一般情况下可以满足控制需求，但需要耗费人力来配置相应的参数，且效率较低。
基于现有技术存在的缺陷，发明人于本发明实施例所提供的一种解决方式为：采用模糊控制器参数自动最优配置的方式来进行移动机器人的状态控制。
具体地，请参阅图1，图1示出了本发明实施例所提供的一种电子设备10的一种示意性结构图，所述电子设备10可以是，但不限于是智能手机、个人电脑(personalcomputer，PC)、平板电脑、个人数字助理(personal digital assistant，PDA)等等，所述电子设备10包括存储器110、存储控制器130，一个或多个(图中仅示出一个)处理器120、外设接口140、射频单元150等。这些组件通过一条或多条通讯总线/信号线160相互通讯。
存储器110可用于存储软件程序以及模组，如本发明实施例所提供的数据处理装置20对应的程序指令/模组，处理器120通过运行存储在存储器110内的软件程序以及模组，从而执行各种功能应用以及数据处理，如本发明实施例所提供的数据处理方法。
其中，所述存储器110可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。
处理器120可以是一种集成电路芯片，具有信号处理能力。上述的处理器120可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)、语音处理器以及视频处理器等；还可以是数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器120也可以是任何常规的处理器等。
外设接口140将各种输入/输入装置耦合至处理器120以及存储器110。在一些实施例中，外设接口140，处理器120以及存储控制器130可以在单个芯片中实现。在本发明其他的一些实施例中，他们还可以分别由独立的芯片实现。
射频单元150用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通讯网络或者其他设备进行通讯。
可以理解，图1所示的结构仅为示意，电子设备10包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
具体地，请参阅图2，图2示出了本发明实施例所提供的一种数据处理方法的一种示意性流程图，该数据处理方法可用于移动机器人的状态控制，比如两轮移动机器人，在本发明实施例中，该数据处理方法包括以下步骤：
步骤S100，计算当前代粒子种群对应的当代最优粒子种群的平均最优个体粒子。
在QPSQ算法(量子粒子群算法)中，由M个代表潜在问题解的问题解粒子Xi组成粒子种群X，即X＝{X1,X2,…,XM}，每个问题解粒子Xi存在一个N维的目标搜索空间中。在QPSQ算法中，通过不停迭代，最后使某一代粒子种群X(t)中的某个问题解粒子Xi(t)，能够使移动机器人的状态控制精度达到预设的范围。
具体地，粒子种群X在迭代的过程前，首先需要生成初始化的种群X(0)，即是迭代次数为0的粒子种群X。其中，该初始化的种群X(0)的中的每一个问题解粒子Xi(0)，均存在一个N维的目标搜索空间中，即是说，每一个问题解粒子Xi(0)均包含有预设数量的参数，即N个。而每一个参数均是在用户预先设定的范围内随机生成，且在同一个问题解粒子Xi(0)中的任意两个参数均各不相同。在生成初始化的种群X(0)后，即以该种群X(0)作为QPSQ算法的输入，经过不停的迭代，假定在迭代t次后，当前代粒子种群表示为X(t)，且当前代粒子种群X(t)包含的所有问题解粒子为X(t)＝{X1(t),X2(t),…,XM(t)}。
相应地，当粒子种群X迭代t次后，在一个迭代循环计算过程中，首先计算当前代粒子种群X(t)对应的当代最优粒子种群P(t)的平均最优个体粒子C(t)。其中，随着粒子种群X不断迭代，当迭代至某一代t时，每个问题解粒子Xi的所有迭代生成的值中，即Xi(0)、Xi(1)、···Xi(t)中，必然存在唯一确定的问题解粒子Xi(j)，使得问题解粒子Xi(j)对应的位置适应值小于或等于Xi(0)、Xi(1)、···Xi(t)中的其他问题解粒子的位置适应值，此时Xi(j)即称为迭代至t代时Xi的个体最优粒子Pi(t)，相应地，当前代粒子种群X(t)中所有问题解粒子Xi(t)各自所对应的个体最优粒子Pi(t)的集合即为当代最优粒子种群P(t)。
相应地，随着当前代粒子种群X(t)的不断迭代，当代最优粒子种群P(t)也在不停的迭代更新。其中，当迭代至t+1代时，当代最优粒子种群P(t)迭代更新的方式为：比较当代最优粒子种群P(t)中包含的每一个个体最优粒子Pi(t)与t+1代的粒子种群X(t+1)中相应位置的问题解粒子Xi(t+1)各自的位置适应值，当Pi(t)对应的位置适应值小于X(t+1)对应的位置适应值时，取Pi(t)的值作为Pi(t+1)的值；反之，当Pi(t)对应的位置适应值大于X(t+1)对应的位置适应值时，取X(t+1)的值作为Pi(t+1)的值。
具体地，当代最优粒子种群P(t)的平均最优个体粒子C(t)的计算公式为：
即是说：平均最优个体粒子C(t)的每个参数的值均为当代最优粒子种群P(t)包含的所有个体最优粒子Pi(t)在相应位置参数上的算术平均值。
步骤S200，计算当前代粒子种群中所有问题解粒子各自的第一位置适应度值及当代最优粒子种群中所有个体最优粒子各自的第二位置适应度值，且在当代最优粒子种群中确定出群体最优粒子。
相应地，当粒子种群X迭代t次后，在一个迭代循环计算过程中，需要计算当前代粒子种群X(t)中所有问题解粒子Xi(t)各自的第一位置适应度值F1i(t)及当代最优粒子种群P(t)中所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)。计算的过程以当前代粒子种群X(t)中某一个确定的问题解粒子Xk(t)举例说明。
移动机器人的状态控制包括平衡控制及位置控制，举例平衡控制说明。对于问题解粒子Xk(t)，根据预先设置的模糊控制规则：
其中，θ表示机器人的俯仰角度，且 表示俯仰角速度，且uθ表示模糊控制器的输出，且uθ∈[-60,60]，Rulei即表示为：当问题解粒子Xk(t)中参数与分别等于θ与时，模糊控制器的输出uθ等于问题解粒子Xk(t)中参数的也即为问题解粒子Xk(t)对于该机器人的控制输出。
并且，位置适应度值的计算公式为：其中，λ表示计算步长，ti表示i时刻，θ(i)表示i时刻机器人的俯仰角误差。将问题解粒子Xk(t)对应的参数带入到上式中，即可求得问题解粒子Xk(t)对应的位置适应度值。
可以理解，依据同样的计算过程，可计算获得当前代粒子种群X(t)中所有问题解粒子Xi(t)各自的第一位置适应度值F1i(t)及当代最优粒子种群P(t)中所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)，在此不一一赘述。
相应地，在获得当代最优粒子种群P(t)中所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)后，即在该当代最优粒子种群P(t)中确定出群体最优粒子G(t)。
具体地，请参阅图3，图3为图2中步骤S200的子步骤的一种示意性流程图，在本发明实施例中，步骤S200包括以下子步骤：
子步骤S210，遍历当代最优粒子种群中的所有个体最优粒子各自的第二位置适应度值。
在确定群体最优粒子G(t)时，首先遍历当代最优粒子种群P(t)中所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)，获得所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)。
子步骤S220，确定出当代最优粒子种群中第二位置适应度值最小的个体最优粒子，并以确定出的个体最优粒子作为群体最优粒子。
在遍历获得所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)后，再依据每个个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)，确定出第二位置适应度值F2i(t)最小的个体最优粒子Pi(t)，进而以该确定出的个体最优粒子Pi(t)作为群体最优粒子G(t)。
请继续参阅图2，步骤S300，依据所有问题解粒子各自的第一位置适应度值、所有个体最优粒子各自的第二位置适应度值、当代最优粒子种群、预设的收缩-膨胀系数、平均最优个体粒子、群体最优粒子、预设的粒子多样性函数及多个当前代问题解粒子，分别计算获得当前代粒子种群中每个当前代问题解粒子各自对应的下一代问题解粒子。
相应地，在根据步骤S200获得当前代粒子种群X(t)中所有问题解粒子Xi(t)各自的第一位置适应度值F1i(t)及当代最优粒子种群P(t)中所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)并在当代最优粒子种群P(t)中确定出群体最优粒子G(t)后，即依据所有问题解粒子Xi(t)各自的第一位置适应度值F1i(t)、所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)、当代最优粒子种群P(t)、预设的收缩-膨胀系数α、平均最优个体粒子C(t)、群体最优粒子G(t)、预设的粒子多样性函数gsi,j(t)及多个当前代问题解粒子Xi(t)，分别计算获得当前代粒子种群X(t)中每个当前代问题解粒子Xi(t)各自对应的下一代问题解粒子Xi(t+1)，也就是迭代出每个当前代问题解粒子Xi(t)各自的下一代问题解粒子Xi(t+1)，生成当前代粒子种群X(t)的下一代粒子种群X(t+1)。
具体地，当前代粒子种群X(t)中每个当前代问题解粒子Xi(t)各自对应的下一代问题解粒子Xi(t)的计算公式为：
Xi,j(t+1)＝pi,j(t)±α|C(t)-gsi,j(t)·Xi,j(t)·ln(1/u)|，
其中，j表示第j个参数，且
且
σP(t)＝(σ(Pi,1(t)),σ(Pi,2(t)),…,σ(Pi,D(t)))，σP(t)表征所述当代最优粒子种群P(t)的标准差，σX(t)＝(σ(Xi,1(t)),σ(Xi,2(t)),…,σ(Xi,D(t)))，σX(t)表征所述当前代粒子种群X(t)的标准差，μ表示0～1之间的随机数，且当μ为区间(0,0.5]内的值时，Xi,j(t+1)＝pi,j(t)+α|C(t)-gsi,j(t)·Xi,j(t)·ln(1/u)|；且当μ为区间(0.5,1)内的值时，Xi,j(t+1)＝pi,j(t)-α|C(t)-gsi,j(t)·Xi,j(t)·ln(1/u)|。
步骤S400，判断当前代粒子种群的迭代此处是否已达到预设的最大迭代次数？或是群里最优粒子的位置适应度值是否小于预设的终止阈值？当为是时，执行步骤S500；当为否时，以当前代粒子种群的下一代粒子种群作为新的当前代粒子种群，继续执行步骤S100。
相应地，在根据步骤S300迭代出当前代粒子种群X(t)中每个当前代问题解粒子Xi(t)各自对应的下一代问题解粒子Xi(t+1)后，即判断当前代粒子种群X(t)的迭代次数t是否达到预设的最大迭代次数T，或者是群体最优粒子G(t)的位置适应度值是否小于预设的终止阈值，该预设的终止阈值为预设的最大位置适应度值。其中，当当前代粒子种群X(t)的迭代次数t达到预设的最大迭代次数T时，表征粒子种群X已完成迭代进化，此时应当结束迭代进化的过程，避免陷入死循环，此时执行步骤S500；或者是，当群体最优粒子G(t)的位置适应度值小于预设的终止阈值时，表征群体最优粒子G(t)的位置适应度值已经小于预设的最大位置适应度值，此时利用该群体最优粒子G(t)进行移动机器人的状态控制可以满足用户的精度要求，此时执行步骤S500；否则，当当前代粒子种群X(t)的迭代次数t未达到预设的最大迭代次数T，且群体最优粒子G(t)的位置适应值大于或等于预设的终止阈值时，此时即以当前代粒子种群X(t)的下一代粒子种群X(t+1)作为新的当前代粒子种群，继续执行步骤S100，继续迭代循环。
步骤S500，输出群体最优粒子。
当根据步骤S400判定当前代粒子种群X(t)的迭代次数t达到预设的最大迭代次数T，或者是群体最优粒子G(t)的位置适应度值小于预设的终止阈值时，表征此时粒子种群X已完成迭代，此时即输出群体最优粒子G(t)，以使移动机器人依据该群体最优粒子G(t)进行状态控制。
基于上述设计，本发明实施例所提供的一种数据处理方法，通过计算当前代粒子种群X(t)对应的当代最优粒子种群P(t)的平均最优个体粒子C(t)，且计算当前代粒子种群X(t)中所有问题解粒子Xi(t)各自的第一位置适应度值F1i(t)及当代最优粒子种群P(t)中所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)，并在当代最优粒子种群P(t)中确定出群体最优粒子G(t)后分别计算获得当前代粒子种群X(t)中每个当前代问题解粒子Xi(t)各自对应的下一代问题解粒子Xi(t+1)，以完成当前代问题解粒子Xi(t)的迭代后，判断当前代粒子种群X(t)的迭代次数t是否达到预设的最大迭代次数T，或者是群体最优粒子G(t)的位置适应度值是否小于预设的终止阈值，以使当当前代粒子种群X(t)的迭代次数t达到预设的最大迭代次数T，或者是当群体最优粒子G(t)的位置适应值小于预设的终止阈值时，输出该群体最优粒子G(t)，进而使移动机器人依据该群体最优粒子G(t)进行状态控制，相比于现有技术，使移动机器人的状态控制不再依赖于平均分配或者是试错法等人为配置的方式，而是采用自动生成的方式来进行状态控制，能够提升移动机器人的控制效率。
请参阅图4，图4示出了本发明实施例所提供的一种数据处理装置20的一种示意性结构图，该数据处理装置20用于移动机器人的状态控制，在本发明实施例中，该数据处理装置20包括平均最优个体粒子计算模块200、位置适应度值计算模块300、群体最优粒子确定模块400、种群粒子迭代模块500、判断模块600、及参数输出模块700。
平均最优个体粒子计算模块200用于计算当前代粒子种群X(t)对应的当代最优粒子种群P(t)的平均最优个体粒子C(t)，其中，所述当前代粒子种群X(t)中包含多个当前代问题解粒子Xi(t)，每个所述问题解粒子Xi(t)包括预设数量的参数，所述当代最优粒子种群P(t)包含多个个体最优粒子Pi(t)，每个所述个体最优粒子Pi(t)为相应的所述问题解粒子Xi(t)在所有迭代生成的问题解粒子中适应度值最小的问题解粒子，t表征当前迭代次数。
位置适应度值计算模块300用于计算所述当前代粒子种群X(t)中所有问题解粒子Xi(t)各自的第一位置适应度值F1i(t)及所述当代最优粒子种群P(t)中所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)。
群体最优粒子确定模块400用于在所述当代最优粒子种群P(t)中确定出群体最优粒子G(t)，其中，所述群体最优粒子G(t)为所述当代最优粒子种群P(t)中第二位置适应值F2i(t)最小的个体最优粒子Pi(t)。
具体地，请参阅图5，图5示出了本发明实施例所提供的数据处理装置20的群体最优粒子确定模块400的一种示意性结构图，在本发明实施例中，最优粒子确定模块包括位置适应度值遍历单元410及群体最优粒子确定单元420。
位置适应度值遍历单元410用于遍历所述当代最优粒子种群P(t)中的所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)。
群体最优粒子确定单元420用于确定出所述当代最优粒子种群P(t)中第二位置适应度值最小的个体最优粒子Pi(t)，并以所述确定出的个体最优粒子作为群体最优粒子G(t)。
请继续参阅图4，种群粒子迭代模块500用于依据所述所有问题解粒子Xi(t)各自的第一位置适应度值F1i(t)、所述所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)、所述当代最优粒子种群P(t)、预设的收缩-膨胀系数α、所述平均最优个体粒子C(t)、所述群体最优粒子G(t)、预设的粒子多样性函数gsi,j(t)及所述多个当前代问题解粒子Xi(t)，分别计算获得所述当前代粒子种群X(t)中每个当前代问题解粒子Xi(t)各自对应的下一代问题解粒子Xi(t+1)。
判断模块600用于判断所述当前代粒子种群X(t)的迭代次数t是否达到预设的最大迭代次数T，或者是所述群体最优粒子G(t)的位置适应度值是否小于预设的终止阈值。
参数输出模块700用于当所述当前代粒子种群X(t)的迭代次数t达到所述预设的最大迭代次数T，或者是所述群体最优粒子G(t)的位置适应值小于所述预设的终止阈值时，输出所述群体最优粒子G(t)，以使所述动机器人依据所述群体最优粒子G(t)进行状态控制。
请继续参阅图4，作为一种实施方式，该数据处理装置20还包括：
迭代循环模块800用于当所述当前代粒子种群X(t)的迭代次数t未达到所述预设的最大迭代次数T，且所述群体最优粒子G(t)的位置适应值大于或等于所述预设的终止阈值时，以所述当前代粒子种群X(t)的下一代粒子种群Xi(t+1)作为新的当前代粒子种群，继续所述平均最优个体粒子计算模块200执行计算当前代粒子种群X(t)对应的当代最优粒子种群P(t)的平均最优个体粒子C(t)。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本发明实施例所提供的一种数据处理方法、装置、电子设备及存储介质，通过计算当前代粒子种群X(t)对应的当代最优粒子种群P(t)的平均最优个体粒子C(t)，且计算当前代粒子种群X(t)中所有问题解粒子Xi(t)各自的第一位置适应度值F1i(t)及当代最优粒子种群P(t)中所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)，并在当代最优粒子种群P(t)中确定出群体最优粒子G(t)后分别计算获得当前代粒子种群X(t)中每个当前代问题解粒子Xi(t)各自对应的下一代问题解粒子Xi(t+1)，以完成当前代问题解粒子Xi(t)的迭代后，判断当前代粒子种群X(t)的迭代次数t是否达到预设的最大迭代次数T，或者是群体最优粒子G(t)的位置适应度值是否小于预设的终止阈值，以使当当前代粒子种群X(t)的迭代次数t达到预设的最大迭代次数T，或者是当群体最优粒子G(t)的位置适应值小于预设的终止阈值时，输出该群体最优粒子G(t)，进而使移动机器人依据该群体最优粒子G(t)进行状态控制，相比于现有技术，使移动机器人的状态控制不再依赖于平均分配或者是试错法等人为配置的方式，而是采用自动生成的方式来进行状态控制，能够提升移动机器人的控制效率。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种数据处理方法，其特征在于，用于移动机器人的状态控制，所述方法包括：
计算当前代粒子种群X(t)对应的当代最优粒子种群P(t)的平均最优个体粒子C(t)，其中，所述当前代粒子种群X(t)中包含多个当前代问题解粒子Xi(t)，每个所述问题解粒子Xi(t)包括预设数量的参数，所述当代最优粒子种群P(t)包含多个个体最优粒子Pi(t)，每个所述个体最优粒子Pi(t)为相应的所述问题解粒子Xi(t)在所有迭代生成的问题解粒子中适应度值最小的问题解粒子，t表征当前迭代次数；
计算所述当前代粒子种群X(t)中所有问题解粒子Xi(t)各自的第一位置适应度值F1i(t)及所述当代最优粒子种群P(t)中所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)，且在所述当代最优粒子种群P(t)中确定出群体最优粒子G(t)，其中，所述群体最优粒子G(t)为所述当代最优粒子种群P(t)中第二位置适应值F2i(t)最小的个体最优粒子Pi(t)；
依据所述所有问题解粒子Xi(t)各自的第一位置适应度值F1i(t)、所述所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)、所述当代最优粒子种群P(t)、预设的收缩-膨胀系数α、所述平均最优个体粒子C(t)、所述群体最优粒子G(t)、预设的粒子多样性函数gsi,j(t)及所述多个当前代问题解粒子Xi(t)，分别计算获得所述当前代粒子种群X(t)中每个当前代问题解粒子Xi(t)各自对应的下一代问题解粒子Xi(t+1)；
判断所述当前代粒子种群X(t)的迭代次数t是否达到预设的最大迭代次数T，或者是所述群体最优粒子G(t)的位置适应度值是否小于预设的终止阈值；
当所述当前代粒子种群X(t)的迭代次数t达到所述预设的最大迭代次数T，或者是所述群体最优粒子G(t)的位置适应值小于所述预设的终止阈值时，输出所述群体最优粒子G(t)，以使所述移动机器人依据所述群体最优粒子G(t)进行状态控制；
其中，所述当前代粒子种群X(t)中的问题解粒子Xk(t)的模糊控制规则如下：
θ表示机器人的俯仰角度，且 表示俯仰角速度，且uθ表示模糊控制器的输出，且uθ∈[-60,60]。
2.如权利要求1所述的方法，其特征在于，所述当代最优粒子种群P(t)的平均最优个体粒子C(t)的计算公式为：
3.如权利要求1所述的方法，其特征在于，所述在所述当代最优粒子种群P(t)中确定出群体最优粒子G(t)的步骤，包括：
遍历所述当代最优粒子种群P(t)中的所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)；
确定出所述当代最优粒子种群P(t)中第二位置适应度值最小的个体最优粒子Pi(t)，并以所述确定出的个体最优粒子作为群体最优粒子G(t)。
4.如权利要求1所述的方法，其特征在于，所述计算获得所述当前代粒子种群X(t)中每个当前代问题解粒子Xi(t)各自对应的下一代问题解粒子Xi(t+1)的计算公式为：
Xi,j(t+1)＝pi,j(t)±α|C(t)-gsi,j(t)·Xi,j(t)·ln(1/u)|；
其中，且
且
σP(t)＝(σ(Pi,1(t)),σ(Pi,2(t)),…,σ(Pi,D(t)))，σP(t)表征所述当代最优粒子种群P(t)的标准差，σX(t)＝(σ(Xi,1(t)),σ(Xi,2(t)),…,σ(Xi,D(t)))，σX(t)表征所述当前代粒子种群X(t)的标准差，μ表示0～1之间的随机数，当μ为区间(0,0.5]内的值时，Xi,j(t+1)＝pi,j(t)+α|C(t)-gsi,j(t)·Xi,j(t)·ln(1/u)|；且当μ为区间(0.5,1)内的值时，Xi,j(t+1)＝pi,j(t)-α|C(t)-gsi,j(t)·Xi,j(t)·ln(1/u)|。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
当所述当前代粒子种群X(t)的迭代次数t未达到所述预设的最大迭代次数T，且所述群体最优粒子G(t)的位置适应值大于或等于所述预设的终止阈值时，以所述当前代粒子种群X(t)的下一代粒子种群Xi(t+1)作为新的当前代粒子种群，继续执行所述计算当前代粒子种群X(t)对应的当代最优粒子种群P(t)的平均最优个体粒子C(t)的步骤。
6.一种数据处理装置，其特征在于，用于移动机器人的状态控制，所述装置包括：
平均最优个体粒子计算模块，用于计算当前代粒子种群X(t)对应的当代最优粒子种群P(t)的平均最优个体粒子C(t)，其中，所述当前代粒子种群X(t)中包含多个当前代问题解粒子Xi(t)，每个所述问题解粒子Xi(t)包括预设数量的参数，所述当代最优粒子种群P(t)包含多个个体最优粒子Pi(t)，每个所述个体最优粒子Pi(t)为相应的所述问题解粒子Xi(t)在所有迭代生成的问题解粒子中适应度值最小的问题解粒子，t表征当前迭代次数；
位置适应度值计算模块，用于计算所述当前代粒子种群X(t)中所有问题解粒子Xi(t)各自的第一位置适应度值F1i(t)及所述当代最优粒子种群P(t)中所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)；
群体最优粒子确定模块，用于在所述当代最优粒子种群P(t)中确定出群体最优粒子G(t)，其中，所述群体最优粒子G(t)为所述当代最优粒子种群P(t)中第二位置适应值F2i(t)最小的个体最优粒子Pi(t)；
种群粒子迭代模块，用于依据所述所有问题解粒子Xi(t)各自的第一位置适应度值F1i(t)、所述所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)、所述当代最优粒子种群P(t)、预设的收缩-膨胀系数α、所述平均最优个体粒子C(t)、所述群体最优粒子G(t)、预设的粒子多样性函数gsi,j(t)及所述多个当前代问题解粒子Xi(t)，分别计算获得所述当前代粒子种群X(t)中每个当前代问题解粒子Xi(t)各自对应的下一代问题解粒子Xi(t+1)；
判断模块，用于判断所述当前代粒子种群X(t)的迭代次数t是否达到预设的最大迭代次数T，或者是所述群体最优粒子G(t)的位置适应度值是否小于预设的终止阈值；
参数输出模块，用于当所述当前代粒子种群X(t)的迭代次数t达到所述预设的最大迭代次数T，或者是所述群体最优粒子G(t)的位置适应值小于所述预设的终止阈值时，输出所述群体最优粒子G(t)，以使所述动机器人依据所述群体最优粒子G(t)进行状态控制；
其中，所述当前代粒子种群X(t)中的问题解粒子Xk(t)的模糊控制规则如下：
θ表示机器人的俯仰角度，且 表示俯仰角速度，且uθ表示模糊控制器的输出，且uθ∈[-60,60]。
7.如权利要求6所述的装置，其特征在于，所述群体最优粒子确定模块包括：
位置适应度值遍历单元，用于遍历所述当代最优粒子种群P(t)中的所有个体最优粒子Pi(t)各自的第二位置适应度值F2i(t)；
群体最优粒子确定单元，用于确定出所述当代最优粒子种群P(t)中第二位置适应度值最小的个体最优粒子Pi(t)，并以所述确定出的个体最优粒子作为群体最优粒子G(t)。
8.如权利要求6所述的装置，其特征在于，所述装置还包括：
迭代循环模块，用于当所述当前代粒子种群X(t)的迭代次数t未达到所述预设的最大迭代次数T，且所述群体最优粒子G(t)的位置适应值大于或等于所述预设的终止阈值时，以所述当前代粒子种群X(t)的下一代粒子种群Xi(t+1)作为新的当前代粒子种群，继续所述平均最优个体粒子计算模块执行计算当前代粒子种群X(t)对应的当代最优粒子种群P(t)的平均最优个体粒子C(t)。
9.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-5中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
CN201810708241.XA 2018-07-02 2018-07-02 数据处理方法、装置、电子设备及存储介质 Active CN108983770B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810708241.XA CN108983770B (zh) 2018-07-02 2018-07-02 数据处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810708241.XA CN108983770B (zh) 2018-07-02 2018-07-02 数据处理方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN108983770A CN108983770A (zh) 2018-12-11
CN108983770B true CN108983770B (zh) 2019-07-05

Family

ID=64539515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810708241.XA Active CN108983770B (zh) 2018-07-02 2018-07-02 数据处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN108983770B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101387888A (zh) * 2008-09-27 2009-03-18 江南大学 基于二进制量子粒子群算法的移动机器人路径规划方法
CN101436073A (zh) * 2008-12-03 2009-05-20 江南大学 基于量子行为粒子群算法的轮式移动机器人轨迹跟踪方法
CN101645169A (zh) * 2009-09-09 2010-02-10 北京航空航天大学 基于量子以及量子微粒群算法的机器人视觉匹配方法
CN101833670A (zh) * 2010-04-30 2010-09-15 北京航空航天大学 一种基于侧抑制和混沌量子微粒群优化的图像匹配方法
CN102999661A (zh) * 2012-11-16 2013-03-27 上海电机学院 基于粒子群优化的并行碰撞检测***及方法
CN103336526A (zh) * 2013-06-20 2013-10-02 苏州经贸职业技术学院 基于协同进化粒子群滚动优化的机器人路径规划方法
CN105138000A (zh) * 2015-08-06 2015-12-09 大连大学 最优化基座位姿扰动的七自由度空间机械臂轨迹规划方法
CN107992040A (zh) * 2017-12-04 2018-05-04 重庆邮电大学 基于地图栅格与qpso算法结合的机器人路径规划方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101387888A (zh) * 2008-09-27 2009-03-18 江南大学 基于二进制量子粒子群算法的移动机器人路径规划方法
CN101436073A (zh) * 2008-12-03 2009-05-20 江南大学 基于量子行为粒子群算法的轮式移动机器人轨迹跟踪方法
CN101645169A (zh) * 2009-09-09 2010-02-10 北京航空航天大学 基于量子以及量子微粒群算法的机器人视觉匹配方法
CN101833670A (zh) * 2010-04-30 2010-09-15 北京航空航天大学 一种基于侧抑制和混沌量子微粒群优化的图像匹配方法
CN102999661A (zh) * 2012-11-16 2013-03-27 上海电机学院 基于粒子群优化的并行碰撞检测***及方法
CN103336526A (zh) * 2013-06-20 2013-10-02 苏州经贸职业技术学院 基于协同进化粒子群滚动优化的机器人路径规划方法
CN105138000A (zh) * 2015-08-06 2015-12-09 大连大学 最优化基座位姿扰动的七自由度空间机械臂轨迹规划方法
CN107992040A (zh) * 2017-12-04 2018-05-04 重庆邮电大学 基于地图栅格与qpso算法结合的机器人路径规划方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
《一种改进量子行为粒子群优化算法的移动机器人路径规划》;刘洁等;《计算机科学》;20171130;第44卷(第11A期);第123-128页
《基于权重QPSO算法的PID控制器参数优化》;周阳花等;《计算机工程与应用》;20101231;第46卷(第5期);第224-228页
《基于量子粒子群优化算法的机器人运动学标定方法》;房立金等;《机械工程学报》;20160430;第52卷(第7期);第23-30页
《基于量子行为粒子群优化算法的路径规划》;高晓巍;《科技通报》;20130731;第29卷(第7期);第143-146页
《改进QPSO算法的移动机器人轨迹跟踪控制方法》;黄麟等;《计算机工程与应用》;20121231;第48卷(第34期);第230-236页

Also Published As

Publication number Publication date
CN108983770A (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
US20220067527A1 (en) Neural network compression
CN106933106B (zh) 一种基于模糊控制多模型算法的目标跟踪方法
KR20200031163A (ko) 신경 네트워크 구조의 생성 방법 및 장치, 전자 기기, 저장 매체
CN112668128A (zh) 联邦学习***中终端设备节点的选择方法及装置
CN102982373B (zh) 一种混合svm回归算法的oin神经网络训练方法
CN110132282B (zh) 无人机路径规划方法及装置
Cichella et al. Optimal multivehicle motion planning using bernstein approximants
CN114065863B (zh) 联邦学习的方法、装置、***、电子设备及存储介质
CN113705793B (zh) 决策变量确定方法及装置、电子设备和介质
CN112513886A (zh) 信息处理方法、信息处理装置和信息处理程序
CN114037882A (zh) 边缘人工智能装置、电子装置及其方法
US11119507B2 (en) Hardware accelerator for online estimation
CN109510610A (zh) 一种基于软投影加权核递归最小二乘的核自适应滤波方法
Ma et al. A novel APSO-aided weighted LSSVM method for nonlinear hammerstein system identification
WO2020168448A1 (zh) 睡眠预测方法、装置、存储介质及电子设备
CN112348079A (zh) 数据降维处理方法、装置、计算机设备及存储介质
CN110222734B (zh) 贝叶斯网络学习方法、智能设备及存储装置
CN105760549B (zh) 基于属性图模型的近邻查询方法
CN108983770B (zh) 数据处理方法、装置、电子设备及存储介质
CN117351299A (zh) 图像生成及模型训练方法、装置、设备和存储介质
CN116596750A (zh) 一种点云处理方法、装置、电子设备及存储介质
CN113985887A (zh) 差速移动机器人运动轨迹生成方法和运动控制装置
CN114415157A (zh) 一种基于水声传感器网络的水下目标多模型跟踪方法
CN114065913A (zh) 模型量化方法、装置及终端设备
CN113705801A (zh) 一种神经网络模型的训练装置、方法及相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant