论文部分内容阅读
移动机器人的研究始于二十世纪六十年代末期,是人类历史上20世纪最宏伟的发明之一,该发明自在极其短暂的50多年内发生了翻天覆地的变化。路径规划在机器人学中占有举足轻重的地位,现已成为其领域内具有挑战性的战略目标,所以国内外专家学者在路径规划问题上的研究已成为必然趋势。群体智能,是一种最近兴起的新型解决NP问题的智能计算方法,由于该方法的应用性极广,因此受到各国学者的关注。“群体智能”认为,人类的智慧来源于个人在社会与周围环境及人相互作用的世界中,这种模式可以有效地应用于人工智能系统。群体智能具有分布性、协作性、鲁棒性和快速性等优点,这些优点解决了许多复杂工程优化问题难以解决的难题。其中新型的群体智能包括粒子群、鱼群及本课题所用到的蚁群,蚁群算法(ACO)是近年来被大量专家学者广泛关注及研究的一种新兴智能优化算法,它具有良好的正反馈现象及强大的鲁棒性,因此被广泛应用于机器学习、动态环境优化、函数优化、神经网络训练等众多领域。本文主要通过对蚁群算法的改进来完成机器人路径规划研究。本课题系统的介绍了基本蚁群算法的形成原理和数学构成,在深入分析了有关蚁群优化算法的缺点和形成起因的基础上,利用粗糙集的理论对蚁群优化算法进行进一步的改进,用来提高算法在机器人路径规划中的收敛速度和精度,这样的改进融合有效的克服了算法易陷于局部最优解、搜索时间过慢和搜索效果不佳的缺点。以下为本文主要工作:首先介绍了移动机器人的发展,接着对机器人在国内外路径规划方面的研究进展进行了详述,其中主要对其研究现状及方法做了详尽的归纳和总结,分析了现存方法的优点和缺点及研究意义,另外重点阐述了全局路径规划问题和环境建模问题,作为下文的理论基础。其次分析了基本蚁群算法的不足,针对蚁群算法对易陷于局部最优和搜索时间较慢的缺点,然后提出改进措施,即结合粗糙集算法加强算法的全局寻优能力和鲁棒性对机器人路径规划进行改进。首先用粗糙集优化算法找到初始可行路径的集合库,然后再用蚁群算法结合粗糙集进行搜索。这样改进处理路径规划问题,既克服了粗糙集理论只能找到近似最优解的不足,又能弥补蚁群算法易出现局部最优路径的缺陷。提高了搜索速度并在一定程度上避免了蚁群算法对初始值选取的重复性。然后在本文所建模型下,由栅格八个方向的可行性建立初始决策表,用粗糙集理论的相关算法对决策表进行简化,由此粗糙集可训练出一系列路径且路径都为可行路径,该方法减少了蚁群算法的搜索规模。接下来便可利用蚁群算法求解最优路径,在启发信息概率选择上,采用粗糙集中属性重要度和依赖度作为启发信息,使得蚂蚁能更快的选择所走路径,另外在信息素策略上也加入粗糙集属性依赖度和属性重要度进行更新,这样得出的算法搜索性能和效率都得到了提高。通过Matlab软件对该方法进行了仿真,将基于粗糙集蚁群算法在机器人路径规划中的应用与已有的基于蚁群算法在机器人路径规划中的应用进行比较,初始化相关数据参数进行模拟仿真,结果表明改进后的方法有效的提高了路径规划能力和效率。证明了基于粗糙集蚁群算法应用效果优于基本蚁群算法在机器人路径规划效果,同时也表明了粗糙集与蚁群算法的结合,具有一定的可行性和理论研究意义。最后,对论文所做的工作进行了全面总结,在此基础上对未来针对机器人路径规划所需要研究的问题进行了展望。