CN114610030B - 基于组合智能算法的作业调配路径规划方法及*** - Google Patents
基于组合智能算法的作业调配路径规划方法及*** Download PDFInfo
- Publication number
- CN114610030B CN114610030B CN202210227656.1A CN202210227656A CN114610030B CN 114610030 B CN114610030 B CN 114610030B CN 202210227656 A CN202210227656 A CN 202210227656A CN 114610030 B CN114610030 B CN 114610030B
- Authority
- CN
- China
- Prior art keywords
- path
- algorithm
- fish
- result
- optimal
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 43
- 241000251468 Actinopterygii Species 0.000 claims abstract description 122
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 239000004575 stone Substances 0.000 claims description 38
- 230000006399 behavior Effects 0.000 claims description 33
- 238000009412 basement excavation Methods 0.000 claims description 19
- 239000011435 rock Substances 0.000 claims description 15
- 241000257303 Hymenoptera Species 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 5
- 230000002431 foraging effect Effects 0.000 claims description 4
- 230000019637 foraging behavior Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 description 13
- 239000003016 pheromone Substances 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000003306 harvesting Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
- G05D1/0212—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
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于组合智能算法的作业调配路径规划方法及***,包括:采用蚁群算法进行路径寻优,当本次最优方案与上次迭代形成的最优方案的综合成本相对误差小于设定阈值时,得到蚁群算法迭代的第一收敛结果;采用人工鱼群算法进行聚群、追尾,得到人工鱼群算法的第一次寻优结果;若第一收敛结果优于人工鱼群算法的第一次寻优结果,则在第一次寻优结果的基础上,采用蚁群算法继续寻优至收敛得到第二收敛结果;选取第一收敛结果和第二收敛结果中较小的结果作为最优路径;否则,采用人工鱼群算法继续路径寻优至收敛,此时得到的结果作为最优路径。本发明能够避免出现单一算法陷入局部最优的问题,使得规划结果更加准确和可靠。
Description
技术领域
本发明涉及作业调配路径规划技术领域,尤其涉及一种基于组合智能算法的作业调配路径规划方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
作业路径规划广泛应用于一体化施工、无人农场作物收割、数字化车间的物料调配。本专利以一体化施工中土石方调配为例说明创新点。土石方调配广泛存在于道路、场平、土石坝及矿山等工程建设项目中,如何合理选择土石方调配施工次序,对各个施工环节的串联存在重要意义。研究人员尝试采用一些智能算法来确定施工流程,在节省人力物力的同时,快速地形成准确合理的施工方案。
传统施工过程在施工区域进行土石方运输调配时,依赖施工人员的经验来选择土石方调配路径,以此方式确定的土石方调配路径在一定程度上浪费了人力物力,有很大的可优化空间。当今时代,各种智能算法已经应用于工程领域中,但都是采用单一的智能算法,如蚁群算法、遗传算法等,这些单一的算法往往容易陷入局部最优,不利于整个作业路径的规划。
发明内容
为了解决上述问题,本发明提出了一种基于组合智能算法的作业调配路径规划方法及***,在已完成工作区域划分及土石方调配成本计算方式的基础上,通过蚁群算法与人工鱼群算法结合形成组合智能算法,得到工程机械作业过程的最优土石方调配路径。
在一些实施方式中,采用如下技术方案:
一种基于组合智能算法的作业调配路径规划方法,包括:
对工作区域划分栅格,计算从各个栅格之间进行土石方调配的成本;
采用蚁群算法进行路径寻优,当本次最优方案与上次迭代形成的最优方案的综合成本相对误差小于设定阈值时,得到蚁群算法迭代的第一收敛结果;
采用人工鱼群算法进行聚群、追尾,得到人工鱼群算法的第一次寻优结果;
若所述第一收敛结果优于人工鱼群算法的第一次寻优结果,则在第一次寻优结果的基础上,采用蚁群算法继续寻优至收敛得到第二收敛结果;选取第一收敛结果和第二收敛结果中较小的结果作为最优路径;否则,采用人工鱼群算法继续路径寻优至收敛,此时得到的结果作为最优路径。
作为可选的实施方案,对工作区域划分栅格,具体包括:
将工作区域划分为挖方栅格、填方栅格、借方栅格、弃方栅格和障碍栅格;其中,挖方栅格和借方栅格属于挖方区,填方栅格和弃方栅格属于填方区;障碍栅格属于障碍区。
作为可选的实施方案,采用蚁群算法进行路径寻优,具体为:
采用蚁群算法寻找成本最低的土石方调配路径,工程机械在作业中由挖方区至填方区,同时避开障碍区。
作为可选的实施方案,采用蚁群算法进行路径寻优的过程,具体包括:
设置蚁群算法初始参数,将n只蚂蚁随机分配到a个挖方区;
迭代过程中每只蚂蚁探索一条土石方调配路径,第k只蚂蚁进入迭代时,根据区域i的位置更新禁忌表;若转移概率满足设定条件,该蚂蚁移动到下一区域,更新涉及区域的土方量;重复该过程,当各区域需要运输的土方量都为零,则该蚂蚁的土石方调配路径探索完成,进行下一只蚂蚁的迭代,直到所有蚂蚁探索完成,本次迭代结束;
进行下一次迭代,直至算法收敛。
作为可选的实施方案,采用人工鱼群算法进行聚群、追尾,得到人工鱼群算法的第一次寻优结果,具体为:
人工鱼群算法参数初始化,每一条人工鱼代表一个土石方调配路径,两条人工鱼之间的距离定义为对应路径中不同节点的数量;
计算每条鱼与其他鱼的距离并累加,计算综合成本最低的鱼作为中心鱼;
每条鱼进行迭代时,首先进行聚群行为及追尾行为的判定;
若聚群行为和追尾行为都判定成功,则选择两种行为生成的两种路径中的较优解作为最优路径;若仅有一种行为判定成功,则选择该种行为生成的路径作为最优路径;若两种行为判定都不成功,则进入觅食行为;对鱼本身的路径随机变换结点次序,变换后综合成本更低则选择该路径作为最优路径;
若多次觅食都没有生成更低的综合成本,则进入随机行为,对原路径进行随机改变。
作为可选的实施方案,所述聚群行为的判定具体为:
若视野中中心鱼的适应度与中心鱼的数量的比值,大于拥挤度与本条鱼的适应度的乘积,则聚群成功;本条鱼的土石方调配路径向中心鱼的土石方调配路径偏移,生成一条更靠近中心鱼的路径。
作为可选的实施方案,所述追尾行为的判定具体为:
最优鱼为视野范围内综合成本最低的人工鱼,若视野中最优鱼的适应度与最优鱼的数量的比值,大于拥挤度与本条鱼的适应度的乘积,则追尾成功;本条鱼的土石方调配路径向最优鱼的土石方调配路径偏移,生成一条更靠近最优鱼的路径。
在另一些实施方式中,采用如下技术方案:
一种基于组合智能算法的作业调配路径规划***,包括:
栅格划分模块,用于对工作区域划分栅格,计算从各个栅格之间进行土石方调配的成本;
蚁群算法寻优模块,用于采用蚁群算法进行路径寻优,当本次最优方案与上次迭代形成的最优方案的综合成本相对误差小于设定阈值时,得到蚁群算法迭代的第一收敛结果;
人工鱼群算法寻优模块,用于采用人工鱼群算法进行聚群、追尾,得到人工鱼群算法的第一次寻优结果;
最优路径确定模块,用于在所述第一收敛结果优于人工鱼群算法的第一次寻优结果时,在第一次寻优结果的基础上,采用蚁群算法继续寻优至收敛得到第二收敛结果;选取第一收敛结果和第二收敛结果中较小的结果作为最优路径;否则,采用人工鱼群算法继续路径寻优至收敛,此时得到的结果作为最优路径。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,所述指令适于由处理器加载并执行上述的基于组合智能算法的作业调配路径规划方法。
在另一些实施方式中,采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的基于组合智能算法的作业调配路径规划方法。
与现有技术相比,本发明的有益效果是:
(1)本发明通过蚁群算法与人工鱼群算法结合形成组合智能算法,得出综合成本较低的作业路径规划,根据算法的收敛结果决定下次迭代选用何种算法,能够避免出现单一算法陷入局部最优的问题,使得规划结果更加准确和可靠。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本方面的实践了解到。
附图说明
图1为本发明实施例中的基于组合智能算法的作业调配路径规划方法流程图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中,公开了一种基于组合智能算法的作业调配路径规划方法,参照图1,具体包括如下过程:
S101:对工作区域划分栅格,计算从各个栅格之间进行土石方调配的成本;
具体地,本实施例根据实际所需将区域划分为不同栅格,为考虑施工区域的土石方调配成本计算,将工作区域划分为以下五个栅格,挖方栅格,即需要挖去土石方的区域;填方栅格,即需要填筑土石方的区域;借方栅格,即可以借取土石方的区域,如借土场;弃方栅格,即可以弃置土石方的区域,如弃料场;障碍栅格,即工程机械无法通过的区域。其中挖方栅格及借方栅格都属于挖方区,填方栅格和弃方栅格都属于填方区。
完成分块后,提出工程机械作业成本,其每天从栅格i调配土石方至栅格j的金钱成本Mij具体包括:施工区域土石方运输成本、土石方填方成本、土石方挖方成本、土石方借方成本和土石方弃方成本;作业过程的时间成本为从栅格i调配土石方至栅格j的天数。综合成本Cij为施工天数与金钱成本/天的乘积。
另外,进行成本计算应明确所涉及的工程机械。进行土石方调配的工程机械主要包括挖掘机和推土机。其中挖掘机实现功能为工作区域内的挖填方,推土机实现功能为短距离运输土石方,铲运机实现功能为长距离运输土石方。
S102:采用蚁群算法进行路径寻优,当本次最优方案与上次迭代形成的最优方案的综合成本相对误差小于设定阈值时,得到蚁群算法迭代的第一收敛结果;
本实施例中,利用蚁群算法寻找成本最低的土石方调配路径,工程机械在作业中由挖方区至填方区,同时避开障碍区。挖方区为挖方栅格与借方栅格的集合,填方区为填方栅格与弃方栅格的集合,障碍区为障碍栅格的集合。定义各挖方区及填方区需要运输的土方量,挖方区土方量为正数,填方区土方量为负数,总挖方量与总填方量应相等。
蚂蚁每次移动需更新禁忌表,当蚂蚁当前处于挖方栅格,禁忌表包括借方栅格及障碍栅格;当蚂蚁当前处于填方栅格,禁忌表包括弃方栅格及障碍栅格;当蚂蚁当前处于借方栅格,禁忌表包括挖方栅格、弃方栅格及障碍栅格;当蚂蚁当前处于弃方栅格,禁忌表包括填方栅格、借方栅格及障碍栅格。
采用蚁群算法进行土石方调配路径规划的具体步骤如下所示:
(1)参数初始化。包括蚂蚁数量n=50、信息素重要程度因子α=1、综合成本重要程度因子β=7、挖方区i与填方区j路径上的信息素τij、信息素挥发系数ρ=0.5、启发函数ηij,即综合成本Cij的倒数、当前区域s,当前区域的禁忌表allowk,当前迭代次数t,最大迭代次数maxgen=200等参数。
(2)设置每个挖方区与每个填方区之间路径信息素为常量,将n只蚂蚁随机分配到a个挖方区域,即每个蚂蚁的起始区域都是挖方区域。
(3)开始迭代过程,每次迭代t=t+1。迭代过程中每只蚂蚁探索一条土石方调配路径,蚂蚁编号为1至n,以k来代表当前蚂蚁。蚂蚁k进入迭代时,根据区域i的位置更新禁忌表,以下式计算转移概率:
蚂蚁将要移动时对所有可能移动的区域进行遍历,选取遍历区域中转移概率最高的区域进行移动,更新涉及区域的土方量。进行下一次转移的概率计算。当各区域需要运输的土方量都为零,则该蚂蚁的土石方调配路径探索完成,得到一个完整的土石方调配方案,k=k+1。当k<n时,进入下一只蚂蚁的探索过程,当k=n时,本次迭代结束。
本次迭代结束后,记录所有土石方调配方案中的最优方案,根据信息素更新公式更新每条路径上的信息素,信息素更新公式如下:
其中,τij(t+1)为第t+1次迭代中挖方区i与填方区j路径上的信息素、τij(t)为第t次迭代中挖方区i与填方区j路径上的信息素、△τij为挖方区i与填方区j路径上的信息素增量。
当迭代次数t大于1时,计算本次迭代最优方案综合成本与上次迭代最优方案的相对误差。计算公式为下式:
其中,A_ft(x)表示蚁群算法第t次迭代所得土石方调配路径综合成本的倒数,A_ft-1(x)表示蚁群算法第t-1次迭代所得土石方调配路径综合成本的倒数。设置相对误差阈值0.01,若相对误差小于阈值,说明本次迭代与上次迭代变化较小,算法收敛。若相对误差大于阈值,则仍存在收敛空间,持续寻优计算。
S103:采用人工鱼群算法进行聚群、追尾,得到人工鱼群算法的第一次寻优结果;
本实施例中,采用人工鱼群算法生成土石方调配方案,首先进行参数初始化。每一条人工鱼代表一个土石方调配路径,两条人工鱼之间的距离定义为对应路径中不同节点的数量;
将一条经过n个区域的人工鱼表示为A={a1,a2,…,an},将另一条经过m个区域的人工鱼表示为B={b1,b2,…,bm},设n≤m,则A和B之间的距离定义为:
其中,
x即为|ai-bi|,view为人工鱼的视野范围。
若dis tan ce(A,B)<view,则认为A与B两条人工鱼处于彼此视野范围内。取多条鱼其中多数共有或最相近的值作为多条鱼的中心,计算每条鱼与其他鱼的距离并累加,总距离最小的鱼作为多条鱼的中心,若存在不同鱼的总距离都最小,则取其中综合成本最低的鱼作为多条鱼中心。
每条鱼进行迭代时,首先进行聚群行为及追尾行为的判定;
聚群行为判定公式如下:
其中,ηz代表视野中中心鱼的适应度,即综合成本的倒数;nz代表中心鱼的数量;δ代表拥挤度,本发明拥挤度设为0.618;ηi代表本条鱼的适应度。若该式成立则聚群成功,这条鱼的土石方调配路径向中心鱼的土石方调配路径偏移,生成一条更靠近中心鱼的路径。
追尾行为的判定公式如下:
其中,最优鱼为视野范围内综合成本最低的人工鱼,ηmin代表视野中最优鱼的适应度;nz代表最优鱼的数量;δ代表拥挤度;ηi代表本条鱼的适应度。若该式成立则追尾成功,这条鱼的土石方调配路径向最优鱼的土石方调配路径偏移,生成一条更靠近最优鱼的路径。
若聚群行为和追尾行为判定都成功,则选择两种行为生成的两种路径的较优解作为结果。若恰好一种行为判定成功,则选择该种行为生成的路径作为结果。若两种行为判定都不成功,则进入觅食行为,对鱼本身的路径随机变换结点次序,变换后综合成本更低则选择该路径作为结果,否则继续觅食。若多次觅食都没有生成较优解,则进入随机行为,对原路径进行随机改变。
所有鱼迭代完成后,第一次迭代结束,得到第一次路径寻优结果。
S104:若蚁群算法迭代的第一收敛结果优于人工鱼群算法的第一次寻优结果,则在第一次寻优结果的基础上,采用蚁群算法继续寻优至收敛得到第二收敛结果;选取第一收敛结果和第二收敛结果中较小的结果作为最优路径;否则,采用人工鱼群算法继续路径寻优至收敛,此时得到的结果作为最优路径。
本实施例中,首先采用蚁群算法进行寻优,经多次蚁群算法迭代,若相对误差H<0.01,说明可能陷入局部最优,得到蚁群算法迭代的收敛结果A_f(x)。改用人工鱼群算法进行聚群、追尾,发挥人工鱼群算法的全局搜索能力,得到人工鱼群算法第一次寻优结果FA_f1(x)。
比较A_f(x)与FA_f1(x)的大小,若人工鱼群算法寻优结果优于蚁群算法寻优结果,则采用人工鱼群算法寻优至收敛,此时迭代次数为r,表示为FA_fr(x),此结果即为迭代过程最优解;
若人工鱼群算法寻优结果差于蚁群算法寻优结果,则再用蚁群算法进行寻优,蚁群算法寻优至收敛得到一个收敛结果FA_fl(x),此时迭代次数为l,比较A_f(x)与FA_fl(x)的大小,较小值即为最优解。
需要说明的是,本实施例方法不仅是应用于土石方作业调配,同时也适用于其他场合的作业调配,比如:无人农场作物收割、数字化车间的物料调配作业等。
实施例二
在一个或多个实施方式中,公开了一种基于组合智能算法的作业调配路径规划***,包括:
栅格划分模块,用于对工作区域划分栅格,计算从各个栅格之间进行土石方调配的成本;
蚁群算法寻优模块,用于采用蚁群算法进行路径寻优,当本次最优方案与上次迭代形成的最优方案的综合成本相对误差小于设定阈值时,得到蚁群算法迭代的第一收敛结果;
人工鱼群算法寻优模块,用于采用人工鱼群算法进行聚群、追尾,得到人工鱼群算法的第一次寻优结果;
最优路径确定模块,用于在所述第一收敛结果优于人工鱼群算法的第一次寻优结果时,在第一次寻优结果的基础上,采用蚁群算法继续寻优至收敛得到第二收敛结果;选取第一收敛结果和第二收敛结果中较小的结果作为最优路径;否则,采用人工鱼群算法继续路径寻优至收敛,此时得到的结果作为最优路径。
需要说明的是,上述各模块的具体实现方式已经在实施例一中进行了说明,此处不再详述。
实施例三
在一个或多个实施方式中,公开了一种终端设备,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例一中的基于组合智能算法的作业调配路径规划方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中,公开了一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于组合智能算法的作业调配路径规划方法。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于组合智能算法的作业调配路径规划方法,其特征在于,包括:
对工作区域划分栅格,计算从各个栅格之间进行土石方调配的成本;
采用蚁群算法进行路径寻优,当本次最优方案与上次迭代形成的最优方案的综合成本相对误差小于设定阈值时,得到蚁群算法迭代的第一收敛结果;
采用人工鱼群算法进行聚群、追尾,得到人工鱼群算法的第一次寻优结果;
若所述第一收敛结果优于人工鱼群算法的第一次寻优结果,则在第一次寻优结果的基础上,采用蚁群算法继续寻优至收敛得到第二收敛结果;选取第一收敛结果和第二收敛结果中较小的结果作为最优路径;否则,采用人工鱼群算法继续路径寻优至收敛,此时得到的结果作为最优路径。
2.如权利要求1所述的一种基于组合智能算法的作业调配路径规划方法,其特征在于,对工作区域划分栅格,具体包括:
将工作区域划分为挖方栅格、填方栅格、借方栅格、弃方栅格和障碍栅格;其中,挖方栅格和借方栅格属于挖方区,填方栅格和弃方栅格属于填方区;障碍栅格属于障碍区。
3.如权利要求1所述的一种基于组合智能算法的作业调配路径规划方法,其特征在于,采用蚁群算法进行路径寻优,具体为:
采用蚁群算法寻找成本最低的土石方调配路径,工程机械在作业中由挖方区至填方区,同时避开障碍区。
4.如权利要求3所述的一种基于组合智能算法的作业调配路径规划方法,其特征在于,采用蚁群算法进行路径寻优的过程,具体包括:
设置蚁群算法初始参数,将n只蚂蚁随机分配到a个挖方区;
迭代过程中每只蚂蚁探索一条土石方调配路径,第k只蚂蚁进入迭代时,根据区域i的位置更新禁忌表;若转移概率满足设定条件,该蚂蚁移动到下一区域,更新涉及区域的土方量;重复该过程,当各区域需要运输的土方量都为零,则该蚂蚁的土石方调配路径探索完成,进行下一只蚂蚁的迭代,直到所有蚂蚁探索完成,本次迭代结束;
进行下一次迭代,直至算法收敛。
5.如权利要求1所述的一种基于组合智能算法的作业调配路径规划方法,其特征在于,采用人工鱼群算法进行聚群、追尾,得到人工鱼群算法的第一次寻优结果,具体为:
人工鱼群算法参数初始化,每一条人工鱼代表一个土石方调配路径,两条人工鱼之间的距离定义为对应路径中不同节点的数量;
计算每条鱼与其他鱼的距离并累加,计算综合成本最低的鱼作为中心鱼;
每条鱼进行迭代时,首先进行聚群行为及追尾行为的判定;
若聚群行为和追尾行为都判定成功,则选择两种行为生成的两种路径中的较优解作为最优路径;若仅有一种行为判定成功,则选择该种行为生成的路径作为最优路径;若两种行为判定都不成功,则进入觅食行为;对鱼本身的路径随机变换结点次序,变换后综合成本更低则选择该路径作为最优路径;
若多次觅食都没有生成更低的综合成本,则进入随机行为,对原路径进行随机改变。
6.如权利要求5所述的一种基于组合智能算法的作业调配路径规划方法,其特征在于,所述聚群行为的判定具体为:
若视野中中心鱼的适应度与中心鱼的数量的比值,大于拥挤度与本条鱼的适应度的乘积,则聚群成功;本条鱼的土石方调配路径向中心鱼的土石方调配路径偏移,生成一条更靠近中心鱼的路径。
7.如权利要求5所述的一种基于组合智能算法的作业调配路径规划方法,其特征在于,所述追尾行为的判定具体为:
最优鱼为视野范围内综合成本最低的人工鱼,若视野中最优鱼的适应度与最优鱼的数量的比值,大于拥挤度与本条鱼的适应度的乘积,则追尾成功;本条鱼的土石方调配路径向最优鱼的土石方调配路径偏移,生成一条更靠近最优鱼的路径。
8.一种基于组合智能算法的作业调配路径规划***,其特征在于,包括:
栅格划分模块,用于对工作区域划分栅格,计算从各个栅格之间进行土石方调配的成本;
蚁群算法寻优模块,用于采用蚁群算法进行路径寻优,当本次最优方案与上次迭代形成的最优方案的综合成本相对误差小于设定阈值时,得到蚁群算法迭代的第一收敛结果;
人工鱼群算法寻优模块,用于采用人工鱼群算法进行聚群、追尾,得到人工鱼群算法的第一次寻优结果;
最优路径确定模块,用于在所述第一收敛结果优于人工鱼群算法的第一次寻优结果时,在第一次寻优结果的基础上,采用蚁群算法继续寻优至收敛得到第二收敛结果;选取第一收敛结果和第二收敛结果中较小的结果作为最优路径;否则,采用人工鱼群算法继续路径寻优至收敛,此时得到的结果作为最优路径。
9.一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于组合智能算法的作业调配路径规划方法。
10.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于组合智能算法的作业调配路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210227656.1A CN114610030B (zh) | 2022-03-08 | 2022-03-08 | 基于组合智能算法的作业调配路径规划方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210227656.1A CN114610030B (zh) | 2022-03-08 | 2022-03-08 | 基于组合智能算法的作业调配路径规划方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114610030A CN114610030A (zh) | 2022-06-10 |
CN114610030B true CN114610030B (zh) | 2024-05-28 |
Family
ID=81861381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210227656.1A Active CN114610030B (zh) | 2022-03-08 | 2022-03-08 | 基于组合智能算法的作业调配路径规划方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114610030B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN108413976A (zh) * | 2018-01-23 | 2018-08-17 | 大连理工大学 | 一种面向多工况的爬壁机器人智能路径规划方法及*** |
WO2018176595A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 |
CN110220525A (zh) * | 2019-05-14 | 2019-09-10 | 昆明理工大学 | 一种基于势场蚁群算法的路径规划方法 |
CN110414584A (zh) * | 2019-07-22 | 2019-11-05 | 山东大学 | 混合粒子群及人工鱼群算法的汽车路谱聚类合成方法及*** |
CN112650287A (zh) * | 2020-12-22 | 2021-04-13 | 泉州云卓科技有限公司 | 一种基于人工鱼群的无人机路径规划方法 |
CN113050426A (zh) * | 2021-03-22 | 2021-06-29 | 山东大学 | 一种融合遗传蚁群算法的热管理控制方法及*** |
CN113901932A (zh) * | 2021-10-13 | 2022-01-07 | 山东大学 | 融合人工鱼与粒子群算法的工程机械图像识别方法及*** |
-
2022
- 2022-03-08 CN CN202210227656.1A patent/CN114610030B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
WO2018176595A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 |
CN108413976A (zh) * | 2018-01-23 | 2018-08-17 | 大连理工大学 | 一种面向多工况的爬壁机器人智能路径规划方法及*** |
CN110220525A (zh) * | 2019-05-14 | 2019-09-10 | 昆明理工大学 | 一种基于势场蚁群算法的路径规划方法 |
CN110414584A (zh) * | 2019-07-22 | 2019-11-05 | 山东大学 | 混合粒子群及人工鱼群算法的汽车路谱聚类合成方法及*** |
CN112650287A (zh) * | 2020-12-22 | 2021-04-13 | 泉州云卓科技有限公司 | 一种基于人工鱼群的无人机路径规划方法 |
CN113050426A (zh) * | 2021-03-22 | 2021-06-29 | 山东大学 | 一种融合遗传蚁群算法的热管理控制方法及*** |
CN113901932A (zh) * | 2021-10-13 | 2022-01-07 | 山东大学 | 融合人工鱼与粒子群算法的工程机械图像识别方法及*** |
Non-Patent Citations (2)
Title |
---|
基于改进型蚁群算法的灭火机器人路径规划研究;何少佳;邓子信;高韵沣;石旅光;陈志丹;闫伟;微型机与应用;20141231(第013期);全文 * |
基于蚁群与鱼群的混合优化算法;修春波;张雨虹;;计算机工程;20080720(第14期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114610030A (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102778229A (zh) | 未知环境下基于改进蚁群算法的移动Agent路径规划方法 | |
CN114815802A (zh) | 一种基于改进蚁群算法的无人天车路径规划方法和*** | |
CN112686424A (zh) | 平地路径范围确定方法、平地路径规划方法及相关装置 | |
CN111310999A (zh) | 一种基于改进蚁群算法的仓库移动机器人路径规划方法 | |
CN113985888B (zh) | 一种基于改进蚁群算法的叉车路径规划方法及*** | |
CN115014362B (zh) | 一种基于合成单元的牛耕式全覆盖路径规划方法和装置 | |
CN114167865B (zh) | 一种基于对抗生成网络与蚁群算法的机器人路径规划方法 | |
CN112436971B (zh) | 基于蒙特卡洛树搜索的全域指控网络协作拓扑生成方法 | |
CN115639828B (zh) | 基于改进人工鱼群算法的机器人路径规划方法及装置 | |
CN114610030B (zh) | 基于组合智能算法的作业调配路径规划方法及*** | |
CN116257057A (zh) | 基于区域划分的农机作业路径规划方法及*** | |
Bai et al. | Design and Simulation of a Collision-free Path Planning Algorithm for Mobile Robots Based on Improved Ant Colony Optimization. | |
CN113327322B (zh) | 面波频散曲线的反演方法、装置及计算机可读存储介质 | |
CN113778090A (zh) | 基于蚁群优化和prm算法的移动机器人路径规划方法 | |
CN113110431A (zh) | 无人靶车野外试验路径实时规划方法 | |
CN112036537B (zh) | 用于平地机导航的三维路径规划方法及*** | |
CN108629036A (zh) | 一种道路缩编方法及装置 | |
Demetriou et al. | LandParcelS: A module for automated land partitioning | |
Tiwari et al. | A survey of metaheuristic algorithms for travelling salesman problem | |
CN116764225A (zh) | 一种高效寻路的处理方法、装置、设备及介质 | |
CN115454070A (zh) | 一种K-Means蚁群算法多机器人路径规划方法 | |
CN114996278A (zh) | 一种基于强化学习的路网最短路径距离计算方法 | |
CN114625137A (zh) | 一种基于agv的智能停车路径规划方法及*** | |
Ding et al. | Path Planning of Omnidirectional mobile vehicle based on road condition | |
Wellhausen et al. | Efficient grid map data structures for autonomous driving in large-scale environments |
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 |