CN113819919A - 一种基于布尔约束的机器人最优路径规划方法 - Google Patents
一种基于布尔约束的机器人最优路径规划方法 Download PDFInfo
- Publication number
- CN113819919A CN113819919A CN202111128776.8A CN202111128776A CN113819919A CN 113819919 A CN113819919 A CN 113819919A CN 202111128776 A CN202111128776 A CN 202111128776A CN 113819919 A CN113819919 A CN 113819919A
- Authority
- CN
- China
- Prior art keywords
- task
- tasks
- sequence
- robot
- boolean
- 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.)
- Granted
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
- G01C21/26—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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Numerical Control (AREA)
- Manipulator (AREA)
Abstract
一种基于布尔约束的机器人最优路径规划方法,首先对机器人全局环境进行划分,并写出空间集合及其邻接矩阵;然后输入机器人的布尔约束任务要求,根据任务要求更新邻接矩阵;再计算任务间的最短距离和对应的路径并储存;随机产生一个满足布尔约束任务要求的初始任务序列,并计算它的最短移动距离及其对应的路径;再对初始任务序列进行模拟退火算法优化;最后输出最优任务序列、最短移动距离及其对应的路径;本发明使机器人在满足任务要求的前提下移动距离最短,较大程度的降低机器人移动成本和时间成本,提高效率,具有良好的应用前景。
Description
技术领域
本发明涉及机器人技术领域,具体涉及一种基于布尔约束的机器人最优路径规划方法。
技术背景
随着科技的进步和社会的发展,移动机器人的应用越来越广泛,涉及军事、工业、农业、家庭等领域。在机器人路径规划研究领域中的三大核心问题是机器人的定位、任务的分配和路径规划技术,其中,路径规划是移动机器人避开障碍物到达任务目标、完成任务内容的首要条件。例如:家庭服务型清洁机器人需要对室内环境进行合理的路径规划以完成清洁任务;农业采摘机器人需要路径规划才能在农作物间穿行以完成采摘任务;工业机器人也需要进行路径规划才能在共享工作空间中完成给定的任务。
机器人在家庭服务、农业助力、工业环境、军事救助等方面都得到广泛的应用。在这些应用中,机器人路径规划尤为重要,机器人路径最优规划是指:在其工作环境中找到一条从起始状态到目标状态的能完成任务要求并避开所有障碍物的路径,且移动路径最短。
经过多年的研究,对于一般任务要求的最优路径规划方法已经比较成熟,然而,随着任务的复杂度越来越高,如具有布尔约束的任务要求(布尔约束主要包括与、或、非三种描述,具有布尔约束的任务要求是指机器人从起始状态到目标状态的路径满足必须经过某些点完成任务、从某些点中选择部分完成任务、必须避开某些点)的机器人最优路径规划,一般任务要求的最优路径规划方法已经无法满足实际需求。
发明内容
为了克服上述现有技术的缺点,本发明的目的是提出一种基于布尔约束的机器人最优路径规划方法,使机器人在满足任务要求的前提下移动距离最短,较大程度的降低机器人移动成本和时间成本,提高效率,具有良好的应用前景。
为了达到上述目的,本发明采用如下技术方案:
一种基于布尔约束的机器人最优路径规划方法,包括以下步骤:
步骤一:对机器人全局环境进行划分,并写出空间集合及其邻接矩阵;
步骤二:输入机器人的布尔约束任务要求;
步骤三:根据任务要求更新邻接矩阵;
步骤四:计算任务间的最短距离和对应的路径并储存;
步骤五:随机产生一个满足布尔约束任务要求的初始任务序列,并计算它的最短移动距离及其对应的路径;
步骤六:对初始任务序列进行模拟退火算法优化;
步骤七:输出最优任务序列、最短移动距离及其对应的路径。
所述的步骤一具体为:
将全局环境划分为m个空间,分别用集合R={R1,R2,...,Rm}表示;
邻接矩阵W为一个m×m的对称矩阵,如果空间Ri和空间Rj相连,且两个空间之间的距离为ωi,j,则W(i,j)=ωi,j,否则W(i,j)=∞,且W(i,i)=0,i=1,2,...,m。
所述的步骤二具体为:
将任务分为五类:
第一类:起点任务,用集合Ts={Rs},其中1≤s≤m,表示机器人从空间Rs出发;
第二类:终点任务,用集合Te={Re},其中1≤e≤m,表示机器人最终停在空间Re;
其中vo表示在路径中机器人需选择完成的任务个数,其中第1个“或”任务从集合中选择一个空间完成任务,第2个“或”任务从集合中选择一个空间完成任务,…,第vo个“或”任务从集合中选择一个空间完成任务,用布尔约束的语言描述第i个“或”任务为:将所有“或”任务用集合To表示,即
那么将所有任务用布尔约束描述为:
所述的步骤三具体为:
所述的步骤四具体为:
根据邻接矩阵W利用Dijkstra算法计算两个空间之间的最短移动距离和对应的路径,计算从源点Ri到目标点Rj最短移动距离和路径的流程如下:
1)创建两个集合S、U和一个1×m的全0矩阵P,其中S是已经找到最短路径的顶点,U是还待计算的顶点,令S=Ri,U=U/(Ri∪Tm);
2)将集合U中具有最小距离的顶点Rk加入到集合S中并将Rk和布尔约束“非”任务所在空间从集合U中取出,即S=S∪Rk,U=U/Rk;
3)更新集合U中顶点的距离,若从源点Ri到顶点Rh的距离大于源点Ri到顶点Rk的距离加上顶点Rk到顶点Rh的距离,即di,h>di,k+dk,h,则更新di,h=di,k+dk,h,并记录顶点Rh的上一顶点Rk,即P(h)=k;
4)若目标点Rj∈U,则回到步骤2)继续,若目标点Rj∈S,输出从源点Ri到目标点Rj最短移动距离di,j;
5)根据矩阵P通过回溯法求解路径li,j:
利用上述的Dijkstra算法分别计算集合Ts内库所和集合(Ta∪To)内库所之间的最短移动距离和对应的路径、集合(Ta∪To)内库所各自之间的最短移动距离和对应的路径以及集合(Ta∪To)内库所和集合Te内库所之间的最短移动距离和对应的路径,即Rs和之间,各自之间,和Re之间的最短移动距离和对应的路径,并将其以{Ri,Rj,di,j,li,j}的形式储存。
所述的步骤五具体为:
根据布尔约束的任务要求,选择所有“与”任务并在每个“或”任务中选择一个任务组成中途任务序列,即:其中 共需完成va+vo个中途任务,并对选择的任务进行随机排序并在首尾分别***起点任务RS和终点任务Re生成初始任务序列则读取储存的数据得到当前任务序列的最短移动距离 最短移动距离对应的路径为 并作如下操作:
最优任务序列:Mbest=M;
最优任务序列的最短移动距离:Dbest=D;
最优任务序列的最短移动距离对应的路径:Lbest=L。
所述的步骤六具体为:
第一种操作,两点交换操作:
第二种操作,倒序操作:
第三种操作,重***操作:
在“或”任务中随机选择一个任务集合1≤k≤vo,并从任务集合随机选择一个任务在任务序列M中找到属于任务集合的中间任务如果和相同,重新从任务集合随机选择一个任务直到和不同后用代替任务序列M中的即:记作,
在得到新的任务序列M*后计算该任务序列的最短移动距离D*及其对应的路径L*,并作如下操作:
如果新的任务序列M*比任务序列M更优,即D*<D,则令:M=M*,D=D*,L=L*;
另外,如新的任务序列M*比最优任务序列Mbest更优,即D*<Dbest,则令:
Mbest=M*,Dbest=D*,Lbest=L*;
M=M*,D=D*,L=L*。
所述的步骤七具体为:
本发明的有益效果为:
对于给定的全局环境和基于布尔约束的任务要求,任务选择的组合和任务序列的排列具有多种可能性,对于不同的任务选择和任务排序,机器人对应的移动距离可能存在很大的差异,因此从布尔约束的任务中如何选择任务,对任务如何进行排序,各个任务点之间如何选择避开所有障碍物的最优路径时十分有必要的。本发明利用Dijkstra算法结合模拟退火算法的智能算法,首先将所有可能关联任务点之间的最短移动距离和对应的路径通过Dijkstra算法进行求解并储存,随机选择满足布尔约束的任务产生初始任务序列并对初始任务序列进行模拟退火操作,最终找到最优的任务序列、最短移动距离及其对应的路径;本发明不仅具有良好的通用性,而且能够快速找到最优的任务序列、最短移动距离及其对应的路径,较大程度的降低了移动成本和时间成本,扩大机器人的应用领域,代替人完成复杂的工作任务,提高生产生活自动化水平,具有良好的应用前景。
本发明具有通用性,不仅能够规划完成满足布尔约束任务要求的最优路径,使得机器人的移动距离之和最短,达到降低移动成本和时耗的目的;还与智能算法结合起来,提高计算的高效性。
附图说明
图1是本发明方法的流程框图。
图2是实施例机器人的全局环境图。
图3是实施例机器人的空间集合图。
图4是步骤五模拟退火操作的流程框图。
图5是实施例机器人的最优路径规划图。
具体实施方式
以下结合实施例和附图对发明作进一步说明。
参照图1,一种基于布尔约束的机器人最优路径规划方法,包括以下步骤:
步骤一:对机器人全局环境进行划分,并写出空间集合及其邻接矩阵;
本实施例机器人全局环境如图2所示,将全局环境划分为28个空间,分别用集合R={R1,R2,...,R28}表示,如图3所示;
邻接矩阵W为一个28×8的对称矩阵,如果空间Ri和空间Rj相连,且两个空间之间的距离为ωi,j,则W(i,j)=ωi,j,否则W(i,j)=∞,且W(i,i)=0,i=1,2,...,28;本实施例中所有相邻空间之间的距离均为1,则可根据图4写出邻接矩阵W,其中W(1,1)=0,W(1,3)=1,W(2,2)=0,W(2,3)=1,W(3,1)=1,W(3,2)=1,W(3,3)=0,W(3,4)=1,W(3,10)=1,W(4,3)=1,W(4,4)=0,W(4,6)=1,W(4,9)=1,W(5,5)=0,W(5,6)=1,W(6,4)=1,W(6,5)=1,W(6,6)=0,W(6,7)=1,,W(7,6)=1,W(7,7)=0,W(7,8)=1,W(8,7)=1,W(8,8)=0,W(8,9)=1,W(1,3)=1,W(9,4)=1,W(9,8)=1,W(9,9)=0,W(9,10)=1,W(10,3)=1,W(10,9)=1,W(10,10)=0,W(10,11)=1,W(10,31)=1,W(11,10)=1,W(11,11)=0,W(11,12)=1,W(12,11)=1,W(12,12)=0,W(12,13)=1,W(13,10)=1,W(13,12)=1,W(13,13)=0,W(13,14)=1,W(13,18)=1,W(13,19)=1,W(14,13)=1,W(14,14)=0,W(15,15)=0,W(15,16)=1,W(16,15)=1,W(16,16)=0,W(16,17)=1,W(16,17)=1,W(17,17)=0,W(17,18)=1,W(17,24)=1,W(18,13)=1,W(18,17)=1,W(18,18)=0,W(18,20)=1,W(18,22)=1,W(19,13)=1,W(19,19)=0,W(19,20)=1,W(20,18)=1,W(20,19)=1,W(20,20)=0,W(20,21)=1,W(21,20)=1,W(21,21)=0,W(21,22)=1,W(22,18)=1,W(22,21)=1,W(22,22)=0,W(22,23)=1,W(22,24)=1,W(22,26)=1,W(23,22)=1,W(23,23)=0,W(23,25)=1,W(24,17)=1,W(24,22)=1,W(24,24)=0,W(25,23)=1,W(25,25)=0,W(25,28)=1,W(26,22)=1,W(26,26)=0,W(26,27)=1,W(27,26)=1,W(27,27)=0,W(28,25)=1,W(28,28)=0;
步骤二:输入机器人的布尔约束任务要求;将任务主要分为五类如图3所示,本实施例中的五类任务如下:
第一类:起点任务,用集合Ts={R1},表示机器人从空间R1出发;
第二类:终点任务,用集合Te={R27},其中1≤e≤m,表示机器人最终停在空间R27;
第三类:布尔约束“与”任务,用集合Ta={R4,R8,R19},路径中机器人必须完成的任务个数为3,用布尔约束的语言描述“与”任务为:R4∧R8∧R19;
第四类:布尔约束“或”任务,分别用集合 在路径中机器人需选择完成3个任务,其中第1个“或”任务从集合中选择一个任务完成,第2个“或”任务从集合中选择一个任务完成,第3个“或”任务从集合中选择一个任务完成,用布尔约束的语言描述第1个“或”任务为:R7∨R17∨R20,用布尔约束的语言描述第2个“或”任务为:R13∨R16∨R24,用布尔约束的语言描述第3个“或”任务为:R11∨R22,将所有“或”任务用集合To表示,即
那么将所有任务用布尔约束描述为:
步骤三:根据任务要求更新邻接矩阵;
将邻接矩阵中所有布尔约束“非”任务所在行和列均设置为∞,即:
W(12,:)=∞,W(:,12)=∞,W(15,:)=∞,W(:,15)=
∞,...,W(21,:)=∞,W(:,21)=∞;即更新W(12,11)=∞,
W(12,12)=∞,W(12,13)=∞,W(11,12)=∞,W(13,12)=∞,
W(15,15)=∞,W(15,16)=∞,W(16,15)=∞,W(21,20)=∞,
W(21,21)=∞,W(21,22)=∞,W(20,21)=∞,W(22,21)=∞;
步骤四:计算任务间的最短距离和对应的路径并储存;
根据邻接矩阵W利用Dijkstra算法计算两个空间之间的最短移动距离和对应的路径,计算从源点Ri到目标点Rj最短移动距离和路径的流程如下:
1)创建两个集合S、U和一个1×m的全0矩阵P,其中S是已经找到最短路径的顶点,U是还待计算的顶点,令S=Ri,U=U/(Ri∪Tm);
2)将集合U中具有最小距离的顶点Rk加入到集合S中并将Rk和布尔约束“非”任务所在空间从集合U中取出,即S=S∪Rk,U=U/Rk;
3)更新集合U中顶点的距离,若从源点Ri到顶点Rh的距离大于源点Ri到顶点Rk的距离加上顶点Rk到顶点Rh的距离,即di,h>di,k+dk,h,则更新di,h=di,k+dk,h,并记录顶点Rh的上一顶点Rk,即P(h)=k;
4)若目标点Rj∈U,则回到步骤2)继续,若目标点Rj∈S,输出从源点Ri到目标点Rj最短移动距离di,j;
5)根据矩阵P通过回溯法求解路径li,j:
利用上述的Dijkstra算法分别计算集合Ts内库所和集合(Ta∪To)内库所之间的最短移动距离和对应的路径、集合(Ta∪To)内库所各自之间的最短移动距离和对应的路径以及集合(Ta∪To)内库所和集合Te内库所之间的最短移动距离和对应的路径,R1和
R4,R7,R8,R11,R13,R16,R17,R19,R20,R22,R24之间,
R4,R7,R8,R11,R13,R16,R17,R19,R20,R22,R24各自之间,
R4,R7,R8,R11,R13,R16,R17,R19,R20,R22,R24和R27之间的最短移动距离和对应的路径,并将其以{Ri,Rj,di,j,li,j}的形式储存;
计算本实施例的d1,4=1,l1,4={p1,p3,p4};
d1,8=4,l1,8={p1,p3,p4,p6,p8};…;
d11,27=6,l11,27={p11,p10,p13,p18,p22,p26,p27};
d22,27=2,l22,27={p22,p26,p27},如表1所示,
表1
需要主要的是,从源点Ri到目标点Rj和源点Rj到目标点Ri的最短移动距离相同,为路径为倒序的关系,故只需要储存一个即可;
步骤五:随机产生一个满足布尔约束任务要求的初始任务序列,并计算它的最短移动距离及其对应的路径;
参照图4,根据布尔约束的任务要求,选择所有“与”任务并在每个“或”任务中选择一个任务组成中途任务序列,如:
R4,R8,R19,R17,R13,R22,其中,共需完成6个中途任务,并对选择的任务进行随机排序(如R19,R22,R13,R4,R17,R8)并在首尾分别***起点任务R1和终点任务R27生成初始任务序列M={R1,R19,R22,R13,R4,R17,R8,R27},则读取储存的数据可以得到当前任务序列M的最短移动距离D=d1,19+d19,22+d22,13+d13,4+d4,17+d17,8+d8,27=29,最短移动距离对应的路径为L={l1,19,l19,22,l22,13,l13,4,l4,17,l17,8,l8,27};即:
L={R1,R3,R10,R13,R19,R13,R18,R22,R20,R13,R10,R3,R4,R3,R10,R13,R18,R17,R18,R13,R10,R9,R8,R9,R10,R13,R18,R22,R26,R27}
并作如下操作:
最优任务序列:Mbest=M;
最优任务序列的最短移动距离:Dbest=D;
最优任务序列的最短移动距离对应的路径:Lbest=L;
步骤六:对初始任务序列进行模拟退火算法优化;
对初始任务序列进行模拟退火操作,从初始温度开始,并令在每一个温度下充分搜索后以衰减系数α降温到下一个温度,直到温度降低到终止温度以下为止本实施例中,取初始温度衰减系数α=0.9,终止温度 在每一个温度下的任务序列可能产生三种操作:
第一种操作,两点交换操作:
在任务序列M={R1,R19,R22,R13,R4,R17,R8,R27}中随机选择两个中途任务和(假设i<j)互换位置生成新的任务序列,假设选择两个中途任务R22和R17,则:M*={R1,R19,R17,R13,R4,R22,R8,R27};
第二种操作,倒序操作:
在任务序列M={R1,R19,R22,R13,R4,R17,R8,R27}中随机选择两个中途任务和(假设i<j)并对包括在中途任务和之内的序列进行倒序操作,生成新的任务序列,假设选择两个中途任务R22和R17,则:M*={R,R19,R17,R4,R13,R22,R8,R27};
第三种操作,重***操作:
在“或”任务中随机,1≤k≤3,并从任务集合随机选择一个任务假设取k=2,则从任务集合随机选择一个任务R22在任务序列M={R1,R19,R22,R13,R4,R17,R8,R27}中找到属于任务集合的中间任务R22,任务相同,假设重新从集合从任务集合随机选择一个任务为R16,用R16代替任务序列M中的R22,即:M*={R1,R19,R16,R13,R4,R17,R8,R27};
在得到新的任务序列M*后计算该任务序列的最短移动距离D*及其对应的路径L*,并作如下操作:
如果新的任务序列M*比任务序列M更优,即D*<D,则令:M=M*,D=D*,L=L*;
另外,如新的任务序列M*比最优任务序列Mbest更优,即D*<Dbest,则令:
Mbest=M*,Dbest=D*,Lbest=L*;
M=M*,D=D*,L=L*;
在本实施例中,在每个温度下进行10次搜索认为在该温度下已经充分搜索,温度衰减至下一温度进行搜索;
步骤七:输出最优任务序列、最短移动距离及其对应的路径;
本实施例中,当温度降低到终止温度以下时,即 通过MATLAB编写程序运输出最优任务序列Mbest={R1,R4,R8,R13,R19,R20,R22,R27}、最短移动距离Dbest=13,及其对应的路径Lbest={R1,R3,R4,R9,R8,R9,R10,R13,R19,R20,R18,R22,R26,R27},如图5所示。
在本实施例中,对于给定的全局环境和基于布尔约束的任务要求,一共有3*3*2种“或”任务选择情况,对于“与”任务和选定的“或”任务(共6个任务)的排列情况有所以一共有种可能性。用枚举法或者线性规划的方法解决该类问题需要耗费大量的时间成本,因此从布尔约束的任务中如何选择任务,对任务如何进行排序,各个任务点之间如何选择避开所有障碍物的最优路径时十分有必要的。本实施例利用Dijkstra算法结合模拟退火算法的智能算法,首先将所有任务点之间的最短移动距离和对应的路径通过Dijkstra算法进行求解并储存,随机选择满足布尔约束的任务产生初始任务序列并对初始任务序列进行模拟退火操作,最终找到最优的任务序列、最短移动距离及其对应的路径。本实施例仅花费4秒左右的时间就能够找到最优的任务序列、最短移动距离及其对应的路径,较大程度的降低了移动成本和时间成本。针对更大规模的该类问题,本发明所提出的方法利用智能算法依然能够快速高效地求解,具有良好的通用性。
Claims (8)
1.一种基于布尔约束的机器人最优路径规划方法,其特征在于,包括以下步骤:
步骤一:对机器人全局环境进行划分,并写出空间集合及其邻接矩阵;
步骤二:输入机器人的布尔约束任务要求;
步骤三:根据任务要求更新邻接矩阵;
步骤四:计算任务间的最短距离和对应的路径并储存;
步骤五:随机产生一个满足布尔约束任务要求的初始任务序列,并计算它的最短移动距离及其对应的路径;
步骤六:对初始任务序列进行模拟退火算法优化;
步骤七:输出最优任务序列、最短移动距离及其对应的路径。
2.根据权利要求1所述的一种基于布尔约束的机器人最优路径规划方法,其特征在于,所述的步骤一具体为:
将全局环境划分为m个空间,分别用集合R={R1,R2,...,Rm}表示;
邻接矩阵W为一个m×m的对称矩阵,如果空间Ri和空间Rj相连,且两个空间之间的距离为ωi,j,则W(i,j)=ωi,j,否则W(i,j)=∞,且W(i,i)=0,i=1,2,...,m。
3.根据权利要求2所述的一种基于布尔约束的机器人最优路径规划方法,其特征在于,所述的步骤二具体为:
将任务分为五类:
第一类:起点任务,用集合Ts={Rs},其中1≤s≤m,表示机器人从空间Rs出发;
第二类:终点任务,用集合Te={Re},其中1≤e≤m,表示机器人最终停在空间Re;
第四类:布尔约束“或”任务,分别用集合 其中vo表示在路径中机器人需选择完成的任务个数,其中第1个“或”任务从集合中选择一个空间完成任务,第2个“或”任务从集合中选择一个空间完成任务,…,第vo个“或”任务从集合中选择一个空间完成任务,用布尔约束的语言描述第i个“或”任务为:将所有“或”任务用集合To表示,即
那么将所有任务用布尔约束描述为:
5.根据权利要求4所述的一种基于布尔约束的机器人最优路径规划方法,其特征在于,所述的步骤四具体为:
根据邻接矩阵W利用Dijkstra算法计算两个空间之间的最短移动距离和对应的路径,计算从源点Ri到目标点Rj最短移动距离和路径的流程如下:
1)创建两个集合S、U和一个1×m的全0矩阵P,其中S是已经找到最短路径的顶点,U是还待计算的顶点,令S=Ri,U=U/(Ri∪Tm);
2)将集合U中具有最小距离的顶点Rk加入到集合S中并将Rk和布尔约束“非”任务所在空间从集合U中取出,即S=S∪Rk,U=U/Rk;
3)更新集合U中顶点的距离,若从源点Ri到顶点Rh的距离大于源点Ri到顶点Rk的距离加上顶点Rk到顶点Rh的距离,即di,h>di,k+dk,h,则更新di,h=di,k+dk,h,并记录顶点Rh的上一顶点Rk,即P(h)=k;
4)若目标点Rj∈U,则回到步骤2)继续,若目标点Rj∈S,输出从源点Ri到目标点Rj最短移动距离di,j;
5)根据矩阵P通过回溯法求解路径li,j:
7.根据权利要求6所述的一种基于布尔约束的机器人最优路径规划方法,其特征在于,所述的步骤六具体为:
第一种操作,两点交换操作:
第二种操作,倒序操作:
第三种操作,重***操作:
在得到新的任务序列M*后计算该任务序列的最短移动距离D*及其对应的路径L*,并作如下操作:
如果新的任务序列M*比任务序列M更优,即D*<D,则令:M=M*,D=D*,L=L*;
另外,如新的任务序列M*比最优任务序列Mbest更优,即D*<Dbest,则令:
Mbest=M*,Dbest=D*,Lbest=L*;
M=M*,D=D*,L=L*。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111128776.8A CN113819919B (zh) | 2021-09-26 | 2021-09-26 | 一种基于布尔约束的机器人最优路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111128776.8A CN113819919B (zh) | 2021-09-26 | 2021-09-26 | 一种基于布尔约束的机器人最优路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113819919A true CN113819919A (zh) | 2021-12-21 |
CN113819919B CN113819919B (zh) | 2022-07-01 |
Family
ID=78921372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111128776.8A Active CN113819919B (zh) | 2021-09-26 | 2021-09-26 | 一种基于布尔约束的机器人最优路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113819919B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117075596A (zh) * | 2023-05-24 | 2023-11-17 | 陕西科技大学 | 一种环境和运动不确定下的机器人复杂任务路径规划方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107196858A (zh) * | 2017-07-04 | 2017-09-22 | 西安理工大学 | 一种考虑多类型约束的k最短路径求解方法 |
US20180341894A1 (en) * | 2017-05-24 | 2018-11-29 | Telespazio S.P.A. | Innovative satellite scheduling method based on genetic algorithms and simulated annealing and related mission planner |
CN109141430A (zh) * | 2018-09-04 | 2019-01-04 | 南京理工大学 | 基于模拟退火蚁群算法的电力巡检机器人路径规划方法 |
LU102400A1 (en) * | 2019-08-06 | 2021-02-09 | Nanjing Seawolf Ocean Tech Co Ltd | Path planning method and system for unmanned surface vehicle based on improved genetic algorithm |
CN112951399A (zh) * | 2021-03-31 | 2021-06-11 | 广东医通软件有限公司 | 一种智能调度方法及调度*** |
CN112965500A (zh) * | 2021-03-27 | 2021-06-15 | 同济大学 | 一种过必经点集且有额外硬约束的路径规划方法及设备 |
-
2021
- 2021-09-26 CN CN202111128776.8A patent/CN113819919B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180341894A1 (en) * | 2017-05-24 | 2018-11-29 | Telespazio S.P.A. | Innovative satellite scheduling method based on genetic algorithms and simulated annealing and related mission planner |
CN107196858A (zh) * | 2017-07-04 | 2017-09-22 | 西安理工大学 | 一种考虑多类型约束的k最短路径求解方法 |
CN109141430A (zh) * | 2018-09-04 | 2019-01-04 | 南京理工大学 | 基于模拟退火蚁群算法的电力巡检机器人路径规划方法 |
LU102400A1 (en) * | 2019-08-06 | 2021-02-09 | Nanjing Seawolf Ocean Tech Co Ltd | Path planning method and system for unmanned surface vehicle based on improved genetic algorithm |
CN112965500A (zh) * | 2021-03-27 | 2021-06-15 | 同济大学 | 一种过必经点集且有额外硬约束的路径规划方法及设备 |
CN112951399A (zh) * | 2021-03-31 | 2021-06-11 | 广东医通软件有限公司 | 一种智能调度方法及调度*** |
Non-Patent Citations (4)
Title |
---|
LIN, BL,ET AL.: "Integrating traffic routing optimization and train formation plan using simulated annealing algorithm", 《APPLIED MATHEMATICAL MODELLING》 * |
方惠蓉: "基于遗传模拟退火算法的移动机器人路径规划", 《漳州职业技术学院学报》 * |
李东等: "必经节点集约束型无环最短路径算法研究", 《杭州电子科技大学学报(自然科学版)》 * |
王强等: "节点约束型链路分离算法", 《计算机工程与设计》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117075596A (zh) * | 2023-05-24 | 2023-11-17 | 陕西科技大学 | 一种环境和运动不确定下的机器人复杂任务路径规划方法及*** |
CN117075596B (zh) * | 2023-05-24 | 2024-04-26 | 陕西科技大学 | 一种环境和运动不确定下的机器人复杂任务路径规划方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113819919B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109542103B (zh) | 一种基于烟花粒子群算法的机器人焊接路径规划方法 | |
CN110632907B (zh) | 一种分布式装配式置换流水车间调度优化方法及*** | |
Svestka et al. | Coordinated motion planning for multiple car-like robots using probabilistic roadmaps | |
Rossi et al. | Integration of hybrid additive/subtractive manufacturing planning and scheduling by metaheuristics | |
CN111611274A (zh) | 一种数据库查询优化方法和*** | |
CN110802601B (zh) | 一种基于果蝇优化算法的机器人路径规划方法 | |
CN113139710B (zh) | 一种基于遗传算法的多资源并行任务高级计划排程方法 | |
CN113819919B (zh) | 一种基于布尔约束的机器人最优路径规划方法 | |
Tseng | Guided genetic algorithms for solving a larger constraint assembly problem | |
CN109991950A (zh) | 基于遗传算法的协作机器人装配生产线的平衡改善方法 | |
Tseng et al. | A particle swarm optimisation algorithm for multi-plant assembly sequence planning with integrated assembly sequence planning and plant assignment | |
Zhang et al. | Robot path planning based on genetic algorithm with hybrid initialization method | |
Wang et al. | Non-productive time optimization for 5-axis EDM drilling using HVNTS algorithm | |
CN116907490A (zh) | 一种基于冲突搜索的多机器人路径规划方法 | |
Huang et al. | Obstacle-avoiding octagonal Steiner tree construction based on particle swarm optimization | |
Jiang et al. | A control system of rail-guided vehicle assisted by transdifferentiation strategy of lower organisms | |
Ab Rashid et al. | A novel Tiki-Taka algorithm to optimize hybrid flow shop scheduling with energy consumption | |
CN113792494B (zh) | 基于迁徙鸟群算法和交叉融合的多目标柔性作业车间调度方法 | |
Bahubalendruni | Computer aided optimal robotic assembly sequence generation | |
Martinez | Computational tools for genomic studies in plants | |
CN115700647A (zh) | 一种基于禁忌搜索遗传算法的车间柔性作业调度方法 | |
Zhang et al. | A Robot Spraying Path Planning Method for the Digital Camouflage Pattern | |
CN117215275B (zh) | 一种基于遗传编程的柔性车间大规模动态双效调度方法 | |
CN102750460A (zh) | 分层简化大规模图数据的运算方法 | |
Chou et al. | Niche Genetic Algorithm for Solving Multiplicity Problems in Genetic Association Studies. |
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 |