g u t x .com.tr İpek yolu - Çin'i anlamaya götürürüm

Tek hesaplama parametresi ile kendi kendine öğrenen bir yol planlama algoritması

Robot Yol Planlamasının (RPP) temel araştırma amacı, başlangıç noktasından çalışma alanındaki hedef noktaya bir hareket yolu bulmaktır, böylece robot en kısa yol uzunluğuyla tüm engellerden kaçınabilir. RPP konuları ile ilgili araştırma sonuçları, lojistik, tehlikeli malzeme iletimi ve büyük ölçekli entegre devre tasarımı alanlarında geniş bir uygulama alanına sahiptir. RPP problemlerini çözmek için ilgili algoritmalar arasında, grid yöntemi (GM) yaygın olarak kullanılan bir çevresel modelleme yöntemidir. Bazı mevcut RPP algoritmalarında çok fazla hesaplama parametresi sorunu vardır. Örneğin: literatürde önerilen algoritmanın 5 hesaplama parametresi ayarlaması gerekirken, literatürde önerilen algoritmanın 7 hesaplama parametresi ayarlaması gerekir. Hesaplama parametreleri, yineleme sayısı gibi yürütme parametreleri hariç, algoritma modelinin kontrol parametrelerine atıfta bulunur. Çok fazla hesaplama parametresi, esasen algoritmanın karmaşıklığını artırır ve algoritmanın pratik mühendislik uygulamasında zorluklar getirir.

Bu makale, çevresel modelleme için Geliştirilmiş Izgara Yöntemi (IGM) kullanan RPP problemlerini çözmek için yeni bir yöntem (Kendi kendine öğrenen Karınca Kolonisi Optimizasyonu, SlACO) önermektedir ve tek tek karıncalar 8-geometri kullanır. Seyahat kuralları. Makine öğrenimi ve çok hedefli arama stratejileri sayesinde, tek tek karıncalar tek bir aramada birden çok uygun yol bulabilir ve bu da algoritmanın hesaplama verimliliğini artırır. Özellikle, algoritmanın yalnızca, algoritmanın hata giderme sürecini basitleştiren bir hesaplama parametresi ayarlaması gerekir.

1 -geometri yürüyüş stratejisi

2 Kendi kendine öğrenen karınca kolonisi algoritması

hücre (x, y), ızgara haritasındaki X × Y yoğunluğa sahip bir hücreyi temsil eder, (x, y) hücrenin koordinatlarını temsil eder ve aşağıdakileri sağlar: x {1, 2, ..., X}, y { 1, 2, ..., Y}, S, robotun ilk konum hücresini temsil eder, D hedef konum hücresini temsil eder ve pkt, t zamanında popülasyondaki k'inci karıncanın hücre konumunu temsil eder.

2.1 Geliştirilmiş grid yöntemi ortam modellemesi

Geliştirilmiş ızgara yöntemi (IGM) esas olarak SlACO algoritmasının çevresel modellemesi için kullanılır. IGM, temel ızgara yöntemi temelinde aşağıdaki iyileştirmeleri yaptı:

(1) SlACO algoritmasında, hedef hücre D gıda olarak kabul edilir. D, yiyecek ayırma işlemi yoluyla arama hedefleri oluşturur ve bunları belirlenen arama hedefi kümesi SA'da depolar. SA, özellikle şu şekilde tanımlanır:

Formülde l, SA kümesindeki arama hedefinin alt simgesidir, L kümedeki SA'daki toplam arama hedefi sayısını kaydeder ve tcl SA'daki l'inci arama hedefini temsil eder. -geometri kullanıldığında, arama hedeflerini oluşturmak için 2 yönleri vardır ve her yönde birden çok arama hedefi oluşturulabilir. SlACO algoritması özel olarak yürütüldüğünde, yiyecek bölme işlemi 16 geometri kullanır. IGM haritasında, her hücre iki işaretçi ve ekler. = 0, mevcut hücrenin bir engel hücre olduğunu belirtir; = 1, mevcut hücrenin uygun bir bölge hücresi olduğunu gösterir. Buna göre, IGM haritasının hücresi resmi olarak hücre (x, y) (a, ) olarak tanımlanabilir. = 1, mevcut hücrenin arama hedef hücresi olduğu anlamına gelir; = 0, mevcut hücrenin arama hedef hücresi olmadığı anlamına gelir. Yukarıdaki tasarım sayesinde, IGM haritasında aşağıdaki üç hücre türü mevcuttur: Engel hücre hücresi (x, y) (0, 0); Uygulanabilir bölge hücre hücresi (x, y) (1, 0); Ara Hedef hücre hücresi (x, y) (1,1).

(2) Izgara yöntemine dayalı çoğu RPP algoritmasında, robotun her satırı ayrıca çalışma alanının sınırıyla mı karşılaşacağını yoksa sınırı geçip geçmediğini belirler. Bu nedenle, sık sık sınırı değerlendirmek, RPP algoritma programının nispeten büyük bir hesaplama maliyetidir. Geleneksel ızgara haritasında robot, bazı özel işlemleri tamamlamak için genellikle hücrenin koordinatlarına göre çalışma alanının sınırını yargılar. IGM, temel ızgara haritasının etrafına bir engel hücreleri katmanı ekler. Robot, çalışma alanının sınırına doğru hareket ettiğinde, yalnızca geleneksel engel kararları vermesi gerekir ve özel sınır işlemesi yapması gerekmez. Bu yöntem az miktarda depolama alanı eklemesine rağmen, algoritma yürütme sırasında hesaplama ek yükünü azaltabilir.

Yukarıdaki açıklamaya dayanarak, IGM haritalarını depolayan GM aşağıdaki gibi tanımlanabilir:

Örnek olarak 8 × 8 ızgara haritasını alırsak, sınır hücreleri ekledikten sonra gerçek yoğunluk 10 × 10'dur ve IGM haritasının bileşenleri Şekil 2'de gösterilmektedir.