CN109211244B - 基于utmd算法的路径规划方法 - Google Patents
基于utmd算法的路径规划方法 Download PDFInfo
- Publication number
- CN109211244B CN109211244B CN201811340653.9A CN201811340653A CN109211244B CN 109211244 B CN109211244 B CN 109211244B CN 201811340653 A CN201811340653 A CN 201811340653A CN 109211244 B CN109211244 B CN 109211244B
- Authority
- CN
- China
- Prior art keywords
- mirnas
- transfer
- path
- target mirnas
- path planning
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于UTMD算法的路径规划方法，包括S1：建立路径规划的优化数学模型；S21：圈定路径规划的最优解搜索范围；S2201：在最优解搜索范围释放若干微泡；S2202：初始化最大转移次数、最大分化次数为L、最大结合变异次数；S2203：微泡转移；S2204：重复步骤S2203，直到微泡转移次数等于M；S2205：释放靶向物MiRNAs；S2206：靶向物转移、分化和结合变异直到转移次数、分化次数和结合变异次数分别满足转移、分化和结合变异的收敛条件，获得路径规划的最优解集；本发明利用UTMD(靶向微泡破坏)算法考虑路面坡度，在三维空间里实时对路径进行寻优规划，有效减少路径规划过程中的迭代运算量和搜索时间，防止局部出现最优解，且提高了路径规划的寻优精度。
Description
技术领域
本发明涉及路径规划领域，具体涉及一种基于UTMD算法的路径规划方法。
背景技术
路径规划是现代社会中一个复杂的问题，其渗透到许多工程问题中，例如机器人、飞行器以及汽车的路径规划，航海的航迹规划，导弹轨迹预测和规划，定位与导航，交通规划，市政规划，物流规划等等，其精确度与效率直接与其对象的工作效率和经济效率所相关。一般来说，规划的最终期望是要求路径是最短路径，且保证车辆安全性能，这样可以使工作对象在具有良好的节能效果的同时缩短行程所花时间。
路径规划的主要目的是研究在各种环境下***的自主推理、规划和控制的能力。路径规划涉及了数学、统计学、生物仿生学等学科。路径规划分为全局路径规划和局部路径规划，两者的环境信息、计算量以及建模方法不同，所针对的算法也不相同。
全局路径规划属于静态的路径规划，是在GPS或者卫星定位了解环境状态的情况下，根据起始位置和目标位置，建立环境模型，利用合理的算法规划出合理的路径。全局路径规划算法发展较为成熟，但计算量大，实时性差。局部路径规划属于动态路径规划，是在未知环境中车辆根据自带的传感器、视频摄像头、雷达测距、超声波以及红外探测仪等设备探测环境中的部分关键信息，利用关键信息建立模型，利用算法规划出合理的路径。
随着路径规划的发展，各种求解算法越来越丰富，再加上根据不同物理场景所需要的路径规划算法也不一样。传统算法的核心思想全局或者局部搜索，已知起点和终点的前提下，将终点作为考察节点，不同的算法有不同的启发策略，启发策略引导朝最优解可能存在的方向搜索，这个方向可能是人为直观的加入的，也可能是不确定的全局方向或者局部方向。传统的算法中有枚举算法、深度优先搜索、广度优先搜索、A*算法、回溯算法、蒙特卡洛树搜索、散列函数、Floyd等算法，其中枚举算法、深度优先搜索、广度优先搜索三种算法属于盲目搜索算法，其本质上是人为的从主观上加上搜索方式从而达到搜索目的，这种方法对于简单的问题有效，一旦遇到复杂问题，或者主观上的搜索方向与客观搜索方向不一致时，这类算法就无法达到预期效果，且会浪费大量的时间和计算空间。
随着计算机科学的飞速发展，计算机优化科学、智能仿生科学等科学的不断发展和交叉协同，越来越多的生物仿生原理被应用到其他学科，智能仿生算法也不例外，以进化算法中遗传算法、粒子群算法等为代表的准启发式搜索算法，以神经网络算法、细菌觅食算法、萤火虫算法等为代表的智能仿生算法都相继出现。实践证明，智能仿生算法在大规模数据复杂方面具有效率高、寻优快的优势。
传统路径规划算法过重强调概率性导致路径规划过程中实时性差，而智能仿生路径规划算法则过重强调方向性或目的性导致路径规划过程中易陷入局部最优或早熟现象。
各种算法都有其自身的优缺点，也有相似之处。大量的学者根据相关算法进行了深入的研究，对各个算法进行优化，对其本身的缺陷改进，并将其运用到相关领域的优化计算、组合计算、路径规划等方面。此外，为了发挥各个算法的优点，根据两种算法的相似之处，许多研究者将两种算法融合，两者取长补短，对提升算法的收敛速度和搜索效率，降低陷阱风险率和错误率有很好的作用。但算法的改进和融合并不能从根本上解决算法实时性和可靠性之间的矛盾。
因此，需要提出一种新的路径规划方法。
发明内容
有鉴于此，本发明的目的是提供一种基于UTMD算法的路径规划方法，能够实时进行可靠的路径规划。
本发明提供一种基于UTMD算法的路径规划方法，包括步骤
S1：建立路径规划的优化数学模型；
S2：运用UTMD算法对路径进行规划和优化，具体如下：
S21：圈定路径规划的最优解搜索范围；
S22：在最优解搜索范围内，运用UTMD算法，获得路径规划的最优解集。
进一步，所述路径规划的优化数学模型包括：路径规划的目标函数；
所述路径规划的目标函数为：
min f(i) (1-1)
其中，f(i)为路径i的评价函数，f(i)的计算公式为：
其中，d(j)为组成路径i的第j-1个节点与第j个节点之间的曼哈顿距离；g(i)为路径i的起点和组成路径i的第j个节点的连线与路径i的起点和路径i的终点连线夹角的正弦值；k表示路径i由k个节点之间的连线组成，即由k个节点中互为相邻节点之间的连线首尾相连组成；
所述d(j)的计算公式为：
d(j)＝|xj-xj-1|+|yj-yj-1| (1-3)
其中，(xj，yj)为组成路径i的第j个节点的水平坐标位置，(xj-1，yj-1)为组成路径i的第j-1个节点的水平坐标位置，
所述g(j)的计算公式为：
其中，k1-k为路径i的起点和路径i的终点连线的斜率，k1-j为路径i的起点和组成路径i的第j个节点的连线的斜率；
所述k1-k的计算公式为：
其中，(x1，y1)为路径i起点的水平坐标位置，(xk，yk)为路径i终点的水平坐标位置；
所述k1-j的计算公式为：
其中，(x1，y1)为路径i起点的水平坐标位置，(xj，yj)为组成路径i的第j个节点的水平坐标位置。
进一步，所述路径规划的优化数学模型还包括：路径规划的约束条件；所述约束条件包括速度约束条件、车辆后轴中心所在路径曲率约束条件和车辆前轮转角约束条件；所述速度约束条件为：
其中，v表示车辆速度，μl表示横向附着系数，ip表示路面超高横向坡度，g为重力加速度，r表示车辆曲率半径，h表示路面超高高度，b表示车辆质心到后轴的距离；
所述车辆后轴中心所在路径曲率约束条件为：
其中，ρ表示车辆后轴中心所在路径曲率，l表示车辆前后轮距离；
所述车辆前轮转角约束条件为：
δ1∈(-33.5°，39.6°) (2-3)
其中，δ1表示车辆前轮转角。
进一步，所述步骤S21包括步骤：
确定路径规划的起点和终点；
在起点与终点之间的行车方向道路范围内，识别非解区域的节点坐标位置；所述非解区域由在起点与终点之间的行车方向道路范围内的所有不相连通的障碍物区域组成；
在起点与终点之间的行车方向道路范围内排除非解区域，得到路径规划的最优解搜索范围，即组成最优路径的节点搜索范围。
进一步，所述步骤S22包括：
S2201：将路径规划的最优解搜索范围作为微泡释放区域，在微泡释放区域释放若干微泡，所述若干微泡在初始释放时均匀分布在微泡释放区域；其中，所述每个微泡内携带均有一个靶向物MiRNAs；
S2202：初始化微泡最大转移次数和靶向物MiRNAs最大转移次数均为M，初始化靶向物MiRNAs最大分化次数为L，初始化靶向物MiRNAs最大结合变异次数为N；
初始化靶向物MiRNAs的起始转移速度为V0；
S2203：微泡在自身携带的靶向物MiRNAs的转移运动下从当前位置转移到下一位置；其中，微泡的转移速度和转移方向与其自身携带的靶向物MiRNAs的转移速度和转移方向相同；
S2204：重复步骤S2203，直到微泡转移次数等于M，进入步骤S2205；
S2205：微泡破裂释放其携带的靶向物MiRNAs；
S2206：靶向物MiRNAs在最优解搜索范围进行转移、分化和结合变异；靶向物MiRNAs在最优解搜索范围进行转移是指靶向物MiRNAs在最优解搜索范围从当前位置转移到下一位置；重复转移、分化和结合变异，直到转移次数、分化次数和结合变异次数分别满足转移、分化和结合变异的收敛条件，获得路径规划的最优解集；
所述转移收敛条件为：
靶向物MiRNAs每次发生分化后，判断靶向物MiRNAs已发生的分化次数是否等于L，若等于则停止靶向物MiRNAs的分化；
所述分化收敛条件为：
靶向物MiRNAs每次发生结合变异后，判断靶向物MiRNAs已发生的结合变异次数是否等于N，若等于则停止靶向物MiRNAs的结合变异；
所述结合变异收敛条件为：
靶向物MiRNAs每次发生转移后，判断靶向物MiRNAs已发生的转移次数是否等于M，如果等于，则停止靶向物MiRNAs转移、分化和结合变异，获得路径规划的最优解集。
进一步，所述微泡和靶向物MiRNAs在最优解搜索范围内从当前位置转移到下一位置的具体步骤为：
S221：设定MiRNAs-i的最大转移次数为2M，包括MiRNAs-i在微泡中未被释放带动微泡转移的次数M和MiRNAs-i从微泡中释放后转移次数M；
设定Φ(i)表示MiRNAs-i的转移方向，设定V(i)表示MiRNAs-i的转移方向；MiRNAs-i表示第i个释放的靶向物MiRNAs；
S222：计算在当前位置的MiRNAs-i转移到下一位置的转移方向Φ(i)和转移速度V(i)；以MiRNAs-i从当前位置f(i,m,l,n)以Φ(i)和V(i)转移到下一位置f(i,m+1,l,n)；其中，f(i,m,l,n)表示MiRNAs-i第m次转移第l次分化第n次结合后的个体的位置；f(i,m+1,l,n)表示MiRNAs-i第m+1次转移第l次分化第n次结合后的个体的位置；
S223：重复步骤S222，直到MiRNAs-i的转移次数等于2M。
进一步，所述f(i,m+1,l,n)的计算公式为：
f(i,m+1,l,n)＝f(i,m,l,n)+V(i)Φ(i) (3-1)
其中，V(i)的计算公式为：
V(i)＝ωVold(i)+Ψ[fbest-i-f(i,m-1,l,n)] (3-2)
其中，Vold(i)表示第i个释放的靶向物MiRNAs在前一位置的转移方向，ω表示排斥因子，Ψ表示吸引因子，fbest-i表示第i个释放的靶向物MiRNAs的当前最优位置函数值；f(i,m-1,l,n)表示第i个释放的靶向物MiRNAs第m-1次转移第l次分化第n次结合后的个体的位置；
所述Φ(i)的计算公式为：
其中，Δt表示单位方向向量，Δt∈(-1,1)，fbest(i)表示第i个释放的靶向物MiRNAs的最优位置函数，R表示单位化系数。
进一步，所述靶向物MiRNAs在最优搜索范围内分化具体为：
S22A：当前迭代过程的中的原靶向物MiRNAs在最优解搜索范围的转移过程中遇到抗体，就与抗体结合，并自我复制，得到新的靶向物MiRNAs；
S22B：当当前迭代过程的中所有原靶向物MiRNAs都完成自我复制以后，计算所有靶向物MiRNAs的位置函数值，并将靶向物MiRNAs以位置函数值从小到大排序；所述靶向物MiRNAs的位置函数值为靶向物MiRNAs与路径规划的终点的距离；
S22C：凋亡顺序排在后半部分的靶向物MiRNAs；
未凋亡的靶向物MiRNAs中新的靶向物MiRNAs继承复制出该新的靶向物MiRNAs的原靶向物MiRNAs的转移速度和转移向量，进入下一迭代过程；
S22D：重复步骤S22A至S22C，直到MiRNAs的分化次数等于L。
进一步，所述靶向物MiRNAs在最优搜索范围内结合变异具体为：
S22a：设定靶向物MiRNAs与RNA结合过程中变异出现新的新的靶向物MiRNAs的概率为P；
S22b：当前迭代过程的中的原靶向物MiRNAs与以概率P随机变异产生新的靶向物MiRNAs，发生变异原靶向物MiRNAs分解；
S22c：重复步骤S S22a至S22b，直到MiRNAs的结合变异次数等于N。
进一步，所述靶向物MiRNAs具有反复制能力；所述靶向物MiRNAs的反复制能力的计算公式如下：
Λ(i,m+1,l,n)＝Λ(i,m,l,n)+Γ(i) (4-1)
其中，Λ(i,m,l,n)是MiRNAs-i第m次转移第l次分化第n次结合的反复制能力，Λ(i,m+1,l,n)是MiRNAs-i第m+1次转移第l次分化第n次结合的反复制能力，Γ(i)表示MiRNAs-i受到种群中其他靶向物MiRNAs的引力和斥力总和；
所述Γ(i)的计算公式为：
其中，ζattract、ζreject、τattract和τreject分别为引力系数Ⅰ、斥力系数Ⅰ、引力系数Ⅱ和斥力系数Ⅱ，F(i,m,l,n)表示第m次转移第l次分化第n次结合的第i个靶向物MiRNAs的坐标位置，F(t,m,l,n)表示第m次转移第l次分化第n次结合的第t个靶向物MiRNAs的坐标位置，d[F(i,m,l,n),F(t,m,l,n)]表示第m次转移第l次分化第n次结合的第i个靶向物MiRNAs与第m次转移第l次分化第n次结合的第t个靶向物MiRNAs的距离。
本发明的有益效果：本发明利用UTMD(靶向微泡破坏)算法实时对路径进行寻优规划，有效减少路径规划过程中的迭代运算量和搜索时间，防止局部出现最优解，且提高了路径规划的寻优精度。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的方法流程图；
具体实施方式
如图1所示，本发明提供的一种基于UTMD算法的路径规划方法，包括步骤：
S1：建立路径规划的优化数学模型；
S2：运用UTMD算法对路径进行规划和优化，具体如下：
S21：圈定路径规划的最优解搜索范围；
S22：在最优解搜索范围内，运用UTMD算法，获得路径规划的最优解集。通过上述方法，利用UTMD(靶向微泡破坏)算法考虑路面坡度，在三维空间里实时对路径进行寻优规划，有效减少路径规划过程中的迭代运算量和搜索时间，防止局部出现最优解，且提高了路径规划的寻优精度。
所述路径规划的优化数学模型包括：路径规划的目标函数；
所述路径规划的目标函数为：
min f(i) (1-1)
其中，f(i)为路径i的评价函数，f(i)的计算公式为：
其中，d(j)为组成路径i的第j-1个节点与第j个节点之间的曼哈顿距离；g(i)为路径i的起点和组成路径i的第j个节点的连线与路径i的起点和路径i的终点连线夹角的正弦值；k表示路径i由k个节点之间的连线组成，即由k个节点中互为相邻节点之间的连线首尾相连组成；
所述d(j)的计算公式为：
d(j)＝|xj-xj-1|+|yj-yj-1| (1-3)
其中，(xj，yj)为组成路径i的第j个节点的水平坐标位置，(xj-1，yj-1)为组成路径i的第j-1个节点的水平坐标位置，本实施例中，所述水平坐标位置是指不含海拔高度的地面坐标位置。
所述g(j)的计算公式为：
其中，k1-k为路径i的起点和路径i的终点连线的斜率，k1-j为路径i的起点和组成路径i的第j个节点的连线的斜率；
所述k1-k的计算公式为：
其中，(x1，y1)为路径i起点的水平坐标位置，(xk，yk)为路径i终点的水平坐标位置；
所述k1-j的计算公式为：
其中，(x1，y1)为路径i起点的水平坐标位置，(xj，yj)为组成路径i的第j个节点的水平坐标位置。
所述路径规划的优化数学模型还包括：路径规划的约束条件；所述约束条件包括速度约束条件、车辆后轴中心所在路径曲率约束条件和车辆前轮转角约束条件；为了保证车辆不出现侧滑的条件是：
F+Fg≤Froll (2-1-1)
其中，F为车辆离心力，Fg为路面超高产生的侧倾力，Fg＝127mc(ip+μl)，mc为车辆质量，ip为路面超高横向坡度，μl表示横向附着系数，Froll为路面附着力，Froll＝mcgμl，g为重力加速度。
为了保证车辆不出现侧倾的条件是：
其中，v表示车辆速度，r表示车辆曲率半径，h表示路面超高高度，b表示车辆质心到后轴的距离；
由(2-1-1)式和(2-1-2)式得到所述速度约束条件为：
其中，v表示车辆速度，μl表示横向附着系数，ip表示路面超高横向坡度，g为重力加速度，r表示车辆曲率半径，h表示路面超高高度，b表示车辆质心到后轴的距离；
所述车辆后轴中心所在路径曲率约束条件为：
其中，ρ表示车辆后轴中心所在路径曲率，l表示车辆前后轮距离；
所述车辆前轮转角约束条件为：
δ1∈(-33.5°，39.6°) (2-3)
其中，δ1表示车辆前轮转角。
所述步骤S21包括步骤：
确定路径规划的起点和终点；
在起点与终点之间的行车方向道路范围内，识别非解区域的节点坐标位置；所述非解区域由在起点与终点之间的行车方向道路范围内的所有不相连通的障碍物区域组成；本实施例中，行车方向道路范围内不越过车道线和道路边沿。不相连通的障碍物区域包括出现在行车方向道路范围内车辆不能安全驶过区域，例如其他车辆、人、或石块等异物。
在起点与终点之间的行车方向道路范围内排除非解区域，得到路径规划的最优解搜索范围，即组成最优路径的节点搜索范围。
所述步骤S22包括：
S2201：将路径规划的最优解搜索范围作为微泡释放区域，在微泡释放区域释放若干微泡，所述若干微泡在初始释放时均匀分布在微泡释放区域，保证了初始条件的均衡；其中，所述每个微泡内携带均有一个靶向物MiRNAs；本实施例中，初始化释放微泡的个数为26。
S2202：初始化微泡最大转移次数和靶向物MiRNAs最大转移次数均为M，初始化靶向物MiRNAs最大分化次数为L，初始化靶向物MiRNAs最大结合变异次数为N；本实施例中，M为25次，L为4次，N为2次。
初始化靶向物MiRNAs的起始转移速度为V0；本实施例中，V0为4个单位长度/s。
S2203：微泡在自身携带的靶向物MiRNAs的转移运动下从当前位置转移到下一位置；其中，微泡的转移速度和转移方向与其自身携带的靶向物MiRNAs的转移速度和转移方向相同；
S2204：重复步骤S2203，直到微泡转移次数等于M，进入步骤S2205；
S2205：微泡破裂释放其携带的靶向物MiRNAs；
S2206：靶向物MiRNAs在最优解搜索范围进行转移、分化和结合变异；靶向物MiRNAs在最优解搜索范围进行转移是指靶向物MiRNAs在最优解搜索范围从当前位置转移到下一位置；重复转移、分化和结合变异，直到转移次数、分化次数和结合变异次数分别满足转移、分化和结合变异的收敛条件，获得路径规划的最优解集；
所述转移收敛条件为：
靶向物MiRNAs每次发生分化后，判断靶向物MiRNAs已发生的分化次数是否等于L，若等于则停止靶向物MiRNAs的分化；
所述分化收敛条件为：
靶向物MiRNAs每次发生结合变异后，判断靶向物MiRNAs已发生的结合变异次数是否等于N，若等于则停止靶向物MiRNAs的结合变异；
所述结合变异收敛条件为：
靶向物MiRNAs每次发生转移后，判断靶向物MiRNAs已发生的转移次数是否等于M，如果等于，则停止靶向物MiRNAs转移、分化和结合变异，获得路径规划的最优解集。
所述微泡和靶向物MiRNAs在最优解搜索范围内从当前位置转移到下一位置的具体步骤为：
S221：设定MiRNAs-i的最大转移次数为2M，包括MiRNAs-i在微泡中未被释放带动微泡转移的次数M和MiRNAs-i从微泡中释放后转移次数M；
设定Φ(i)表示MiRNAs-i的转移方向，设定V(i)表示MiRNAs-i的转移方向；MiRNAs-i表示第i个释放的靶向物MiRNAs；
S222：计算在当前位置的MiRNAs-i转移到下一位置的转移方向Φ(i)和转移速度V(i)；以MiRNAs-i从当前位置f(i,m,l,n)以Φ(i)和V(i)转移到下一位置f(i,m+1,l,n)；其中，f(i,m,l,n)表示MiRNAs-i第m次转移第l次分化第n次结合后的个体的位置；f(i,m+1,l,n)表示MiRNAs-i第m+1次转移第l次分化第n次结合后的个体的位置；
S223：重复步骤S222，直到MiRNAs-i的转移次数等于2M。
进一步，所述f(i,m+1,l,n)的计算公式为：
f(i,m+1,l,n)＝f(i,m,l,n)+V(i)Φ(i) (3-1)
其中，V(i)的计算公式为：
V(i)＝ωVold(i)+Ψ[fbest-i-f(i,m-1,l,n)] (3-2)
其中，Vold(i)表示第i个释放的靶向物MiRNAs在前一位置的转移方向，ω表示排斥因子，Ψ表示吸引因子，fbest-i表示第i个释放的靶向物MiRNAs的当前最优位置函数值；f(i,m-1,l,n)表示第i个释放的靶向物MiRNAs第m-1次转移第l次分化第n次结合后的个体的位置；本实施例中，排斥因子设置为0.05，吸引因子设置为0.05。
所述Φ(i)的计算公式为：
其中，Δt表示单位方向向量，Δt∈(-1,1)，fbest(i)表示第i个释放的靶向物MiRNAs的最优位置函数，R表示单位化系数。(3-3)式表示当MiRNAs-i本身不在最优位置函数值位置时，转移方向指向最优位置函数值位置；当MiRNAs-i本身就在最优位置函数值位置时，转移方向随机，防止出现局部最优和早熟。本实施例中，MiRNAs最初的目标是为了快速接近靶标的RNA，破坏靶标RNA的复制，显然不同的位置f(i,m,l,n)不同，对RNA具有不同的反复制能力。靶标为路径规划的终点。
所述靶向物MiRNAs在最优搜索范围内分化具体为：
S22A：当前迭代过程的中的原靶向物MiRNAs在最优解搜索范围的转移过程中遇到抗体，就与抗体结合，并自我复制，得到新的靶向物MiRNAs；
S22B：当当前迭代过程的中所有原靶向物MiRNAs都完成自我复制以后，计算所有靶向物MiRNAs的位置函数值，并将靶向物MiRNAs以位置函数值从小到大排序；所述靶向物MiRNAs的位置函数值为靶向物MiRNAs与路径规划的终点的距离；MiRNAs与抗体结合破坏抗体的过程中自身会不断分化(部分并非自身分化，而是免疫***不断被激活)，也就是自我复制的过程，但这个过程并非永无止境，当其到达生存的最长期限时，其本身分解。
MiRNAs的不断增殖会更新算法的运算速度和收敛速度，其原因在于群体数量的改变。为了保证数量群体不发生改变，对每次迭代过程都要进行步骤S22C。
S22C：凋亡顺序排在后半部分的靶向物MiRNAs；
未凋亡的靶向物MiRNAs中新的靶向物MiRNAs继承复制出该新的靶向物MiRNAs的原靶向物MiRNAs的转移速度和转移向量，进入下一迭代过程；
S22D：重复步骤S22A至S22C，直到MiRNAs的分化次数等于L。
所述靶向物MiRNAs在最优搜索范围内结合变异具体为：
S22a：设定靶向物MiRNAs与RNA结合过程中变异出现新的新的靶向物MiRNAs的概率为P；本实施例中，P设置为0.25。
S22b：当前迭代过程的中的原靶向物MiRNAs与以概率P随机变异产生新的靶向物MiRNAs，发生变异原靶向物MiRNAs分解；
S22c：重复步骤S S22a至S22b，直到MiRNAs的结合变异次数等于N。
所述靶向物MiRNAs具有反复制能力；所述靶向物MiRNAs的反复制能力的计算公式如下：
Λ(i,m+1,l,n)＝Λ(i,m,l,n)+Γ(i) (4-1)
其中，Λ(i,m,l,n)是MiRNAs-i第m次转移第l次分化第n次结合的反复制能力，Λ(i,m+1,l,n)是MiRNAs-i第m+1次转移第l次分化第n次结合的反复制能力，Γ(i)表示MiRNAs-i受到种群中其他靶向物MiRNAs的引力和斥力总和；
本实施例中，设定靶向物MiRNAs之间无差异，即靶向物MiRNAs基于其他等距的靶向物MiRNAs的引力和斥力(排斥力)大小一样，则所述Γ(i)的计算公式为：
其中，ζattract、ζreject、τattract和τreject分别为引力系数Ⅰ、斥力系数Ⅰ、引力系数Ⅱ和斥力系数Ⅱ，F(i,m,l,n)表示第m次转移第l次分化第n次结合的第i个靶向物MiRNAs的坐标位置，F(t,m,l,n)表示第m次转移第l次分化第n次结合的第t个靶向物MiRNAs的坐标位置，d[F(i,m,l,n),F(t,m,l,n)]表示第m次转移第l次分化第n次结合的第i个靶向物MiRNAs与第m次转移第l次分化第n次结合的第t个靶向物MiRNAs的距离。靶向物MiRNAs可以根据引力和斥力不断提醒其他MiRNAs保持距离。
为了保证初始条件的均衡，假定初始释放的微泡均布。由于MiRNAs之间存在吸引力，但同时为了防止MiRNAs相互抱团现象的出现，MiRNAs之间存在排斥力，这样就可以防止MiRNAs转移出现概率转移现象。该算法利用MiRNAs之间的趋向性模拟MiRNAs的非概率转移的同时，采用定向概率导向法，防止算法出现早熟现象和所得解局部最优现象，对MiRNAs转移后新位置的位置函数作规定。
由于MiRNAs之间存在吸引力，但同时为了防止MiRNAs相互抱团现象的出现，MiRNAs之间存在排斥力，这样就可以防止MiRNAs转移出现概率转移现象。现有算法证明，完全的概率转移会使算法的迭代次数和计算时间大大延长；完全的定向转移算法可能导致算法出现早熟现象甚至出现局部最优解。利用MiRNAs之间的趋向性模拟MiRNAs的非概率转移，能防止算法出现早熟现象和所得解局部最优现象，本文中添加概率性变异可以让部分MiRNAs不确定时间不确定位置随机分布，从而提高算法的搜索能力，保证算法寻优的解不出现局部最优。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于UTMD算法的路径规划方法，其特征在于：包括步骤
S1：建立路径规划的优化数学模型；
S2：运用UTMD算法对路径进行规划和优化，具体如下：
S21：圈定路径规划的最优解搜索范围；
S22：在最优解搜索范围内，运用UTMD算法，获得路径规划的最优解集；
所述步骤S22包括：
S2201：将路径规划的最优解搜索范围作为微泡释放区域，在微泡释放区域释放若干微泡，所述若干微泡在初始释放时均匀分布在微泡释放区域；其中，每个微泡内携带均有一个靶向物MiRNAs；
S2202：初始化微泡最大转移次数和靶向物MiRNAs最大转移次数均为M，初始化靶向物MiRNAs最大分化次数为L，初始化靶向物MiRNAs最大结合变异次数为N；
初始化靶向物MiRNAs的起始转移速度为V0；
S2203：微泡在自身携带的靶向物MiRNAs的转移运动下从当前位置转移到下一位置；其中，微泡的转移速度和转移方向与其自身携带的靶向物MiRNAs的转移速度和转移方向相同；
S2204：重复步骤S2203，直到微泡转移次数等于M，进入步骤S2205；
S2205：微泡破裂释放其携带的靶向物MiRNAs；
S2206：靶向物MiRNAs在最优解搜索范围进行转移、分化和结合变异；靶向物MiRNAs在最优解搜索范围进行转移是指靶向物MiRNAs在最优解搜索范围从当前位置转移到下一位置；重复转移、分化和结合变异，直到转移次数、分化次数和结合变异次数分别满足转移、分化和结合变异的收敛条件，获得路径规划的最优解集；
转移收敛条件为：
靶向物MiRNAs每次发生分化后，判断靶向物MiRNAs已发生的分化次数是否等于L，若等于则停止靶向物MiRNAs的分化；
所述分化收敛条件为：
靶向物MiRNAs每次发生结合变异后，判断靶向物MiRNAs已发生的结合变异次数是否等于N，若等于则停止靶向物MiRNAs的结合变异；
所述结合变异收敛条件为：
靶向物MiRNAs每次发生转移后，判断靶向物MiRNAs已发生的转移次数是否等于M，如果等于，则停止靶向物MiRNAs转移、分化和结合变异，获得路径规划的最优解集。
2.根据权利要求1所述基于UTMD算法的路径规划方法，其特征在于：所述路径规划的优化数学模型包括：路径规划的目标函数；
所述路径规划的目标函数为：
minf(i) (1-1)
其中，f(i)为路径i的评价函数，f(i)的计算公式为：
其中，d(j)为组成路径i的第j-1个节点与第j个节点之间的曼哈顿距离；g(i)为路径i的起点和组成路径i的第j个节点的连线与路径i的起点和路径i的终点连线夹角的正弦值；k表示路径i由k个节点之间的连线组成，即由k个节点中互为相邻节点之间的连线首尾相连组成；
所述d(j)的计算公式为：
d(j)＝|xj-xj-1|+|yj-yj-1| (1-3)
其中，(xj，yj)为组成路径i的第j个节点的水平坐标位置，(xj-1，yj-1)为组成路径i的第j-1个节点的水平坐标位置，
所述g(j)的计算公式为：
其中，k1-k为路径i的起点和路径i的终点连线的斜率，k1-j为路径i的起点和组成路径i的第j个节点的连线的斜率；
所述k1-k的计算公式为：
其中，(x1，y1)为路径i起点的水平坐标位置，(xk，yk)为路径i终点的水平坐标位置；
所述k1-j的计算公式为：
其中，(x1，y1)为路径i起点的水平坐标位置，(xj，yj)为组成路径i的第j个节点的水平坐标位置。
3.根据权利要求2所述基于UTMD算法的路径规划方法，其特征在于：所述路径规划的优化数学模型还包括：路径规划的约束条件；所述约束条件包括速度约束条件、车辆后轴中心所在路径曲率约束条件和车辆前轮转角约束条件；所述速度约束条件为：
其中，v表示车辆速度，μl表示横向附着系数，ip表示路面超高横向坡度，g为重力加速度，r表示车辆曲率半径，h表示路面超高高度，b表示车辆质心到后轴的距离；
所述车辆后轴中心所在路径曲率约束条件为：
其中，ρ表示车辆后轴中心所在路径曲率，l表示车辆前后轮距离；
所述车辆前轮转角约束条件为：
d1∈(-33.5°，39.6°) (2-3)
其中，d1表示车辆前轮转角。
4.根据权利要求1所述基于UTMD算法的路径规划方法，其特征在于：所述步骤S21包括步骤：
确定路径规划的起点和终点；
在起点与终点之间的行车方向道路范围内，识别非解区域的节点坐标位置；所述非解区域由在起点与终点之间的行车方向道路范围内的所有不相连通的障碍物区域组成；
在起点与终点之间的行车方向道路范围内排除非解区域，得到路径规划的最优解搜索范围，即组成最优路径的节点搜索范围。
5.根据权利要求1所述基于UTMD算法的路径规划方法，其特征在于：所述微泡和靶向物MiRNAs在最优解搜索范围内从当前位置转移到下一位置的具体步骤为：
S221：设定MiRNAs-i的最大转移次数为2M，包括MiRNAs-i在微泡中未被释放带动微泡转移的次数M和MiRNAs-i从微泡中释放后转移次数M；
设定Φ(i)表示MiRNAs-i的转移方向，设定V(i)表示MiRNAs-i的转移方向；MiRNAs-i表示第i个释放的靶向物MiRNAs；
S222：计算在当前位置的MiRNAs-i转移到下一位置的转移方向Φ(i)和转移速度V(i)；以MiRNAs-i从当前位置f(i,m,l,n)以Φ(i)和V(i)转移到下一位置f(i,m+1,l,n)；其中，f(i,m,l,n)表示MiRNAs-i第m次转移第l次分化第n次结合后的个体的位置；f(i,m+1,l,n)表示MiRNAs-i第m+1次转移第l次分化第n次结合后的个体的位置；
S223：重复步骤S222，直到MiRNAs-i的转移次数等于2M。
6.根据权利要求5所述基于UTMD算法的路径规划方法，其特征在于：所述f(i,m+1,l,n)的计算公式为：
f(i,m+1,l,n)＝f(i,m,l,n)+V(i)Φ(i) (3-1)
其中，V(i)的计算公式为：
V(i)＝ωVold(i)+Ψ[fbest-i-f(i,m-1,l,n)] (3-2)
其中，Vold(i)表示第i个释放的靶向物MiRNAs在前一位置的转移方向，ω表示排斥因子，Ψ表示吸引因子，fbest-i表示第i个释放的靶向物MiRNAs的当前最优位置函数值；f(i,m-1,l,n)表示第i个释放的靶向物MiRNAs第m-1次转移第l次分化第n次结合后的个体的位置；
所述Φ(i)的计算公式为：
其中，Δt表示单位方向向量，Δt∈(-1,1)，fbest(i)表示第i个释放的靶向物MiRNAs的最优位置函数，R表示单位化系数。
7.根据权利要求1所述基于UTMD算法的路径规划方法，其特征在于：所述靶向物MiRNAs在最优搜索范围内分化具体为：
S22A：当前迭代过程的中的原靶向物MiRNAs在最优解搜索范围的转移过程中遇到抗体，就与抗体结合，并自我复制，得到新的靶向物MiRNAs；
S22B：当前迭代过程的中所有原靶向物MiRNAs都完成自我复制以后，计算所有靶向物MiRNAs的位置函数值，并将靶向物MiRNAs以位置函数值从小到大排序；所述靶向物MiRNAs的位置函数值为靶向物MiRNAs与路径规划的终点的距离；
S22C：凋亡顺序排在后半部分的靶向物MiRNAs；
未凋亡的靶向物MiRNAs中新的靶向物MiRNAs继承复制出该新的靶向物MiRNAs的原靶向物MiRNAs的转移速度和转移向量，进入下一迭代过程；
S22D：重复步骤S22A至S22C，直到MiRNAs的分化次数等于L。
8.根据权利要求1所述基于UTMD算法的路径规划方法，其特征在于：所述靶向物MiRNAs在最优搜索范围内结合变异具体为：
S22a：设定靶向物MiRNAs与RNA结合过程中变异出现新的靶向物MiRNAs的概率为P；
S22b：当前迭代过程的中的原靶向物MiRNAs与以概率P随机变异产生新的靶向物MiRNAs，发生变异原靶向物MiRNAs分解；
S22c：重复步骤S S22a至S22b，直到MiRNAs的结合变异次数等于N。
9.根据权利要求5至8中任意一项所述基于UTMD算法的路径规划方法，其特征在于：所述靶向物MiRNAs具有反复制能力；所述靶向物MiRNAs的反复制能力的计算公式如下：
Λ(i,m+1,l,n)＝Λ(i,m,l,n)+Γ(i) (4-1)
其中，Λ(i,m,l,n)是MiRNAs-i第m次转移第l次分化第n次结合的反复制能力，Λ(i,m+1,l,n)是MiRNAs-i第m+1次转移第l次分化第n次结合的反复制能力，Γ(i)表示MiRNAs-i受到种群中其他靶向物MiRNAs的引力和斥力总和；
所述Γ(i)的计算公式为：
其中，ζattract、ζreject、τattract和τreject分别为引力系数Ⅰ、斥力系数Ⅰ、引力系数Ⅱ和斥力系数Ⅱ，F(i,m,l,n)表示第m次转移第l次分化第n次结合的第i个靶向物MiRNAs的坐标位置，F(t,m,l,n)表示第m次转移第l次分化第n次结合的第t个靶向物MiRNAs的坐标位置，d[F(i,m,l,n),F(t,m,l,n)]表示第m次转移第l次分化第n次结合的第i个靶向物MiRNAs与第m次转移第l次分化第n次结合的第t个靶向物MiRNAs的距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811340653.9A CN109211244B (zh) | 2018-11-12 | 2018-11-12 | 基于utmd算法的路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811340653.9A CN109211244B (zh) | 2018-11-12 | 2018-11-12 | 基于utmd算法的路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109211244A CN109211244A (zh) | 2019-01-15 |
| CN109211244B true CN109211244B (zh) | 2021-10-15 |
Family
ID=64995606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811340653.9A Active CN109211244B (zh) | 2018-11-12 | 2018-11-12 | 基于utmd算法的路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109211244B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112558119B (zh) * | 2020-11-30 | 2023-10-10 | 中航机载***共性技术有限公司 | 一种基于自适应bfo-pso的卫星选择方法 |
| CN113095283B (zh) * | 2021-04-30 | 2023-08-25 | 南京工程学院 | 一种基于动态roi和改进萤火虫算法的车道线提取方法 |
| CN113110520B (zh) * | 2021-05-26 | 2022-08-09 | 重庆邮智机器人研究院有限公司 | 一种多智能优化并行算法的机器人路径规划方法 |
| CN117236672A (zh) * | 2023-11-16 | 2023-12-15 | 山东理工大学 | 考虑应急时间可靠性的移动储能鲁棒选址与路径规划方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007080584A2 (en) * | 2006-01-11 | 2007-07-19 | Carmel-Haifa University Economic Corp. Ltd. | Uav decision and control system |
| CN104075717A (zh) * | 2014-01-21 | 2014-10-01 | 武汉吉嘉伟业科技发展有限公司 | 一种基于改进a*算法的无人机航线规划算法 |
| CN105184428A (zh) * | 2015-10-30 | 2015-12-23 | 哈尔滨工程大学 | 一种基于多层遗传算法的冰壶比赛对阵组合设计方法 |
| CN106705961B (zh) * | 2015-11-16 | 2020-09-08 | 华为终端有限公司 | 定位方法和设备 |
| CN106200650A (zh) * | 2016-09-22 | 2016-12-07 | 江苏理工学院 | 基于改进蚁群算法的移动机器人路径规划方法及*** |
| CN107229287A (zh) * | 2017-06-28 | 2017-10-03 | 中国人民解放军海军工程大学 | 一种基于遗传蚂蚁算法的无人机全局路径规划方法 |
| CN107753062B (zh) * | 2017-11-27 | 2021-03-16 | 西安交通大学 | 基于马尔科夫链蒙特卡洛多目标追踪的经颅超声脑血管造影超分辨率成像方法 |
-
2018
- 2018-11-12 CN CN201811340653.9A patent/CN109211244B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109211244A (zh) | 2019-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109211244B (zh) | 基于utmd算法的路径规划方法 | |
| Dai et al. | Modeling vehicle interactions via modified LSTM models for trajectory prediction | |
| Elallid et al. | A comprehensive survey on the application of deep and reinforcement learning approaches in autonomous driving | |
| CN111492202A (zh) | 车辆运行的位置确定 | |
| CN107813820A (zh) | 一种仿优秀驾驶员的无人车换道路径规划方法 | |
| Lin et al. | Traffic signal optimization based on fuzzy control and differential evolution algorithm | |
| Jeong et al. | Long-term prediction of vehicle trajectory based on a deep neural network | |
| CN110956851B (zh) | 一种智能网联汽车协同调度换道方法 | |
| Xu et al. | Two-layer distributed hybrid affine formation control of networked Euler–Lagrange systems | |
| CN111645673B (zh) | 一种基于深度强化学习的自动泊车方法 | |
| Chen et al. | ST-LSTM: Spatio-temporal graph based long short-term memory network for vehicle trajectory prediction | |
| CN114463997A (zh) | 一种无信号灯交叉路口车辆协同控制方法及*** | |
| Zhang et al. | Multi-vehicle interaction scenarios generation with interpretable traffic primitives and gaussian process regression | |
| Liu et al. | The bionics and its application in energy management strategy of plug-in hybrid electric vehicle formation | |
| Liu et al. | Mtd-gpt: A multi-task decision-making gpt model for autonomous driving at unsignalized intersections | |
| CN109948830A (zh) | 面向人自混杂环境的自行车轨迹预测方法、设备和介质 | |
| Kong et al. | An FM*-based comprehensive path planning system for robotic floating garbage cleaning | |
| Hu et al. | Learning dynamic graph for overtaking strategy in autonomous driving | |
| Zhang et al. | An improved particle swarm optimization based on age factor for multi-AUV cooperative planning | |
| CN113033902A (zh) | 一种基于改进深度学习的自动驾驶换道轨迹规划方法 | |
| Hou et al. | Hybrid residual multiexpert reinforcement learning for spatial scheduling of high-density parking lots | |
| Qazani et al. | Multi-objective NSGA-II for weight tuning of a nonlinear model predictive controller in autonomous vehicles | |
| Ma et al. | A two-level memetic path planning algorithm for unmanned air/ground vehicle cooperative detection systems | |
| Gürgöze et al. | A novel energy consumption model for autonomous mobile robot | |
| CN115202357A (zh) | 一种基于脉冲神经网络的自主建图方法 |
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 |