文摘
本文演示了一个改进版本的樽海鞘群算法(SSA)解决收敛速度慢和局部最小值的问题的原始版本。种群初始化的方案,介绍了十个混沌搜索与动态惯性系数增加多样性,这样的概率减少了陷入局部最小值。然后应用遗传算法提高了全局搜索能力和收敛速度。12个测试函数的实验表明,改进后的版本达到原始SSA更好的精度和收敛速度。在测试和机器人路径规划问题,该算法显示了在平均迭代次数,提高性能路径长度,和平均匝数69.2%,19.1%,和43%,分别与原始SSA相比。
1。介绍
传统的数学方法解决线性和可微优化问题是有效的,但对于更复杂的问题,如nondifferentiable功能,需要更多的智能算法。智能算法解决优化问题通过模仿自然现象,例如,粒子群优化(PSO) (1)模拟鸟觅食行为,灰狼算法(GWA) [2)关注狼捕食行为,和人工蜂群算法(ABC) [3)模拟蜜蜂觅食行为。
樽海鞘蜂群算法(SSA) [4]是一种相对较新的群体智能算法来模拟海洋的觅食行为群巴掌。作为一种新的启发式优化算法,SSA的优点更少的参数要求和有效性为连续和离散问题。
樽海鞘是一种Salpidae与水母类似透明的筒状的身体长度约为1 ~ 10厘米。樽海鞘的行为不积极运动,运动是由抽水通过人体向前推进。个人樽海鞘不能很好地觅食,他们住在组喂养。樽海鞘的猎物在团体,其中多个排列形成一个链结构(樽海鞘链)。链中的第一个樽海鞘叫做领袖,和其他被称为“追随者”。领导指导整个链,追随者相互移动后(4]。领导者领导追随者走向全球搜索的食物来源,而追随者去相应的本地搜索。SSA,位置更新每个追随者只会影响之前的从动件的位置,和领袖的位置更新只是食物源位置的影响。SSA的等级制度使追随者互相密切合作,提高优化效率,减少被困在一个局部最优的可能性。掸邦军已广泛应用于许多工业应用,如变速风力涡轮机(5)、工业设计(6),极端学习机(7),特征选择(8),神经网络(9,图像分割10),和生物医学11- - - - - -13]。
路径规划是一个关键的主题为机器人的移动机器人自动导航从一个位置到另一个(14,15]。机器人经常面对不确定和复杂的操作环境,与此同时,一个有效的路径连接一个位置到另一个在这个环境中快速、准确地找到所需(16,17]。根据机器人的作业任务,最优路径的环境通常是评估基于最短的距离或时间,最低能耗,或最高的安全。性能优越的路径规划算法可以计划最有效的路径不确定和复杂的环境中,提高机器人的工作效率,减少机器人的磨损。自移动机器人的关键技术之一是寻找最优路径解决方案为任务,路径规划算法已经成为一个研究热点,近年来18]。
传统算法在已知环境中解决路径规划问题包括人工势场法(19- - - - - -21),一个算法(22- - - - - -24[],迪杰斯特拉算法25- - - - - -27,快速扩展随机树(RRT) (28- - - - - -30.]。然而,这些算法的探索表现通常是贫穷,是难以在一个未知的环境中找到最优路径。出于这个原因,介绍了群体智能算法利用的探索和优化性能,找到最优路径,如粒子群优化(PSO) (31日),蚁群(AC) (32),鲸鱼无人机路径规划算法(33),水波水下车辆的路径规划算法(34]。然而,机器人路径规划的SSA的性能很少在文献中报道。
本文展示了一种改进的版本的SSA及其应用路径规划。等问题与原SSA运动和慢收敛将被克服。SSA的初始化的人口将会改善,和一组动态惯性权重系数定义保持种群的多样性。遗传算法(GA)用于协助搜索的全球化。在实验中,改进的SSA方法将最受欢迎的12个测试函数测试并与其他五个进化方法。机器人路径规划问题的优化也将测试方法,和与其他方法的比较。本文组织六个部分。第二部分回顾了相关的适合SSA和路径规划。第三部分说明了该算法的理论,和第四部分测试改进SSA的性能。第五节给出示例应用程序的路径规划的改进的SSA和结论部分6。
2。相关的工作
2.1。原樽海鞘蜂群算法(SSA)
类似于其他群体智能算法,SSA初始化的人口 - - - - - -维搜索空间,适应度函数被认为是食物来源。樽海鞘链总是试图接近食物来源,最后达到搜索区域中的有价值的食物来源,希望全球最佳。SSA的过程可以得到如下:(1)初始化种群根据每个n维的上限和下限,可以写成 在哪里代表了th樽海鞘的 - - - - - -维空间, , 在链式樽海鞘的总数,然后呢是目标函数的维数。 代表一个随机数矩阵行和列元素均匀分布在0和1之间。代表下限,代表了上限。根据方程(初始化1)将生成一个矩阵, (2)每个单独的健身价值计算基于适应度函数(3)确定所选的食物来源的初始位置根据樽海鞘最好的健身价值(4)确定领导者和追随者:第一个链中的头皮是领袖,和其余的追随者(5)根据方程(更新领导者的位置3),这样 在哪里是组件的领袖和代表食物来源的th元素。和随机数生成的区间[0,1],它代表的长度和方向运动,分别。是调整系数樽海鞘的勘探开发链,可以写成 ,在哪里是当前迭代和的最大迭代数吗(6)更新的追随者的位置:
自樽海鞘链移动的方向在觅食的食物来源,追随者的更新取决于初始速度、迭代,和加速度像牛顿运动定律(4),这样 在哪里的价值吗th组成部分樽海鞘在链式迭代(7)如果一个更新组件移动边界,边界的位置,然后,根据最优食物源的位置更新樽海鞘(8)如果结果满足精度要求或达到的迭代次数,输出当前位置;否则,转到步骤4进一步进化
2.2。机器人路径规划
最优路径为机器人设计通常是计算考虑约束和时间一样,距离,和能源消耗。目前最常用的路径规划优化方法是基于人工智能算法。深度学习也被介绍给路径规划,但环境变化的适应性是相对贫穷35]。
寻找最优路径在障碍环境中一个机器人,移动环境下的模型需要登记。目前有两种类型的环境建模方法,一个是路标法,另一个是网格法。路标方法是排队的可行路径映射通过连接边界的标记点和障碍,而网格法将机器人的移动环境抽象为一个网格和空间是属于路径的所有网格。网格方法使用更方便,更容易实现,因此,它比路标方法更受欢迎(36]。在本文中,一个优化的网格计算出机器人路径规划建模方法。
网格建模的三维(3 d)移动环境中,一个二维(2 d)是带有网格的大小来表示三维空间,并且每个网格标记与0或1代表没有或障碍(37]。
网格建模通常是用来模拟一个有限的区域,和一个坐标系统建立以左下角为原点,水平和垂直方向是什么轴和分别轴。步长( )机器人代表了一个网格的长度或轴;因此,每个网格的数量轴和轴是 和 ,分别。定义,每个网格的区域使用一个标签标记从左上角的从左至右,从上到下,这样 。然后,坐标之间的关系和标签数量可以给出: 在哪里代表了th标签号码,mod其余操作,装天花板意味着舍入操作, 代表着每个行和列的网格数量,分别 , 纵坐标表示的网格的中心网格。在这种优化任务,预计找到最短的欧几里得距离当前位置 和目标位置 ,被认为是健康的淡水河谷,这样吗 (38]。
3所示。改进的SSA
SSA的领袖是为了使全球勘探而追随者使一个完整的本地搜索,就这样,落在一个局部最优的可能性大大降低。比其他进化自SSA需要更少的参数优化方法,因此更容易实现,然而,像大多数群体智能算法,掸邦军很难收敛后期的优化。
优化使用SSA,初始化的人口是在一定的范围内,这样 。因此,如果初始位置的人口过于集中,将会有一个缺乏多样性,从而导致收敛到局部最小值。而如果初始位置太分散,收敛过程将大大减缓。此外,樽海鞘链中,个人的位置更新从一个到另一个沿着链;在一些特殊情况下,不能传递价值,或在某些情况下,一些樽海鞘的个人不得传递准确位置值,然后,优化将落入一个本地陷阱。为了克服这些问题,需要一个SSA的修改版本。
自收敛SSA强烈影响迭代的初始种群在稍后的阶段,和初始种群的随机分布不能保证多样性,帐篷混沌序列可用于增加随机性,初始种群的多样性,非周期性(39),这样
在方程(6)的初始值可以随机生成的值范围内,它可以转化为SSA变量如
通过这种方式,程序使用帐篷混沌映射可以作为初始化,
步骤1。根据目标函数中的变量的数量 ,的初始值在方程(6)分配
步骤2。产生混沌序列变量 根据方程(7)
步骤3。使用方程(7)来映射混沌变量人口的解决方案空间来完成初始化
根据追随者的更新规则,如果th樽海鞘传递错误的信息,所有后续的运动个人将受到影响,尤其是当它发现一个局部最小值,它将不可能跳出这个洞,整个链将永远呆在那儿。为了解决这个问题,介绍了一种惯性权重策略的位置更新SSA (40),这样 在哪里和最初和最终的权重值,的最大迭代数,当前的迭代次数,混沌映射系数(39]。然而,移动性能的线性递减惯性调整全球搜索策略是不满意的。由于权重因子减少,在搜索的初始阶段,该算法倾向于在全球范围内搜索。然而,这时间太短,不能充分利用全局搜索性能之前体重因素变得太小,和整个链可能已经陷入局部最优。此外,当的值 ,和是固定的,振幅的也是固定的,导致恶化解决复杂非线性优化问题的性能。因此,要求大的体重保持提高全局搜索优化的初始阶段,而在后期阶段,小的体重有助于集中在本地搜索。灵感来自深学习方法,这种非线性映射过程可以与乙状结肠函数建模等
可以看出,乙状结肠的输出函数有一个很大的初始值,从而保证算法的全局搜索能力,和输出值将逐渐减少之间的平衡全局和局部搜索策略。
增加的可能性,实现全局最优,GA可以介绍了后期的优化分配等大型突变概率0.1。
通过这种方式,改善SSA的优化过程可分为三个阶段,第一阶段是什么时候 ,改进的SSA没有使用遗传算法;在第二阶段,当 ,如果全球输出值不会改变连续10次,使用GA操作。当 ,许多实验表明,它很可能在这个阶段陷入局部最优;因此,遗传算法过程需要帮助与全球搜索。
4所示。实验和分析
测试的有效性和改进算法的性能,本文比较了算法的性能与原SSA (4),混乱的樽海鞘群算法(综援)41),和其他智能算法如WOA [39),PSO和ABC。
在实验中,有12个功能进行测试,其中 是单峰函数的收敛速度测试和 是多峰函数的全局搜索测试。表中列出的测试函数1。
测试2018的平台上进行了Matlab在PC上16 G内存。确认结果,每个测试都是独立运行50倍的平均水平。测试函数的尺寸设置为50,和迭代的数量是2000。其他算法的参数设置符合相应的引用。测试结果如表所示2。
从实验数据可以看出,在单峰函数( ),该算法达到了最好最优值和平均值。这个测试表明,该算法具有更好的稳定性和优化实现最优值至少好几个数量级比其他算法。为函数,该算法的最优值是近110数量级较小的原来的SSA。在测试与函数,该算法的最优值约144数量级小于原来的SSA和20个数量级小于第二个最好的PSO算法。在测试的功能 , , , ,和 ,改进的SSA也达到了最小值几个算法。这表明优化改进的SSA的准确性比其他单峰函数的算法有明显的优势。
在五个多峰函数( )该方法的测试,结果明显优于其它算法,除了的平均值在这种情况下,综援算法取得了最好的但非常接近该方法。在测试与功能 ,发现WOA和综援被困在局部最小值在相同数量的迭代算法。在测试与功能 ,改进的算法取得了所有的最小值,它显示了更好的探索能力多峰函数来避免当地的最适条件。
数据1- - - - - -12显示平均适应度值的收敛曲线 ,分别可以看出,该方法具有收敛速度和优化精度超过所有其他算法。在测试的功能 , , , ,和 ,该方法可以跳出局部最优解在早期阶段。在12个功能测试中,只有函数的结果不是最优的方法,但它非常接近最优的结果。很明显从这些实验结果,该算法具有更好的性能优化的准确性和收敛速度比原始SSA,以及综援,WOA, PSO和ABC。该方法的全局搜索性能得益于人口的多样性增加,流动性与GA收敛后阶段。
5。机器人路径规划中的应用
本文将该算法应用于机器人路径规划的优化,更好的评价,上述方法也进行了测试和比较。在这个实验中,一个 - - - - - -网格地图是用来模拟机器人移动环境中,列出了每个算法的参数设置如下:(1)美国广播公司(ABC):人工蜜蜂的数量 ,和 (2)算法:粒子的数量, ,惯性常数= 0.8,= 0.3,= 0.5,= 0.5(3)SSA:樽海鞘的数量 ,和个人维度 (4)WOA:位置尺寸:20,人口规模:50,螺旋系数 ,和选择概率 (5)综援:设置是一致的与文献[42](6)该算法:掸邦军一样
总迭代方法,号码是300。
在测试中, - - - - - -网格地图是随机生成的,所有机器人路径规划方法的模拟线路图所示13- - - - - -18,表中列出的相关结果3。
从仿真结果可以看出,改进的SSA实现最短路径长度和23.6%比ABC算法最长路径长度短,少于9.83%的综援。通过该方法的迭代次数平均小于一半的综援。这是由于高的优化精度和更好的该方法的收敛速度。切屑的平均数的方法比原始SSA少43%,比综援少33.8%。这表明该算法旅行更直接在当前的模拟环境,有效地避免不必要的结果。从比较的数据,可以看出,改进的SSA是一种更有效的方式来解决机器人路径规划问题。
6。结论
摘要提出了一种改进的SSA解决原始SSA的运动和收敛速度慢的问题。帐篷混沌映射过程引入到初始化的人口,这有效地增加了多样性。在优化、动态惯性权重系数是用来保持种群的多样性和之间的平衡全局和局部搜索。在稍后阶段的优化,遗传算法实现加强算法的全局搜索能力。该方法是最受欢迎的12个测试函数测试并与其他五个进化方法。结果表明,改进算法在收敛速度和优化精度更好的性能。最后,该算法应用于机器人路径规划的优化,与上述方法相比。实验数据表明,该方法找到最优路径的速度比其他智能算法在相同的环境中更好的路线和更少的迭代。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者指出,没有利益冲突。
确认
这项工作是支持的部分的北部湾大学高层次人才创业项目(批准号2018 kyqd39)和部分专项资金支持的100 Bagui学者和学者计划的广西壮族自治区。