[发明专利]一种基于二阶震荡人工蜂群算法的点云配准方法

权利要求书

1.一种基于二阶震荡人工蜂群算法的点云配准方法，其特征是，包括以下步骤：

步骤1)对输入的两组待配准的点云分别进行简化处理，两组点云记为待配准点云和目标点云，并分别获得固有形状特征点；

步骤2)二阶震荡人工蜂群算法点云配准优化：根据固有形状特征点提取的待配准的点云，进行二阶震荡人工蜂群算法迭代优化；

步骤21)初始化食物源位置和参数设置：设置蜂群规模数m，设置寻食步数计数器t＝0，最大寻食步数为MCN，蜜源停留最大限制次数limit，初始化标志向量Bas(i)＝0，产生规模为m的种群，其中雇佣蜂和跟随蜂各占种群规模的一半，每个雇佣蜂被赋予一个初始位置，即蜜源的位置产生，公式如下：其中，i∈{1,2,...,SN},j∈{1,2,...,D}为随机生成的参数，D为求解向量的维数，SN＝m/2，食物源SN的数量为种群的一半；

将这m个可行解的函数值中排名前50％的解看做蜜源，蜜源个数在迭代程中保持不变，每个蜜源对应一只雇佣蜂，后50％的解为跟随蜂所在的位置；rand函数是产生在(0,1)之间均匀分布的随机数，和分别表示对应于第j维向量的上限值和下限值；

步骤22)函数值评价：对于蜂群随机初始位置的食物源，按照收益度的高低，计算蜜源所表示的适应值函数值，即函数值进行评价；

步骤23)雇佣蜂二阶震荡搜索机制：每只雇佣蜂按如下更新公式进行蜜源搜索，计算蜜源所表示的适应度函数值，根据评价结果，在新的蜜源v_i和原来的蜜源x_i之间选择一个更好蜜源作为下一代搜索的位置，i＝1,2,…,m_e；更新标志向量Bas(i)＝Bas(i)+1，m_e＝m/2，公式更新如下：

其中，w＝0.9-0.5·(Cycle/MCN)为线性权重，其值的变化范围从0.9线性递减为0.4以平衡雇佣蜂搜索策略的全局探测能力与局部搜索性能，Cycle为最大迭代次数，p_i为到目前为止搜索的最好位置，p_g为到目前为止整个群体中所有蜜蜂发现的最好位置，ξ₁和ξ₂为取值[0,1]之间的随机数；

迭代初期为时，ξ₁、ξ₂取值分别为：加强算法的全局搜寻力度；

迭代后期为时，ξ₁、ξ₂取值分别为：增加算法的局部精细寻优性能，r₁和r₂为取值(0,1)之间的随机数，c₁和c₂为学习因子，依据经验值选取；

步骤24)招募选择机制：在雇佣蜂完成邻域搜索后，将蜜源信息以舞蹈方式与跟随蜂分享，跟随蜂则根据每个雇佣蜂提供的蜜源信息，根据概率公式计算跟随蜂选择蜜源的概率p_i，公式如下：fit_i为第i个雇佣蜂完成邻域搜索后点云配准的目标优化函数：F(T)＝min||T(P)-Q||²，通过改进的人工蜂群算法的全局寻优性能，求解最优的变换矩阵T，使得目标点云P与待配准点云Q间的欧式距离最小；

被吸引的跟随蜂在雇佣蜂搜索的蜜源附近根据步骤25)进行邻域搜索，当所有雇佣蜂招募选择机制完成之后，转步骤26)进行记忆最好的食物源；

步骤25)跟随蜂二阶震荡搜索机制：被吸引的跟随蜂在雇佣蜂搜索的蜜源附近根据雇佣蜂搜索公式在邻域蜜源附近搜索，生成相应的候选解v_i，计算蜜源所表示的适应值函数值，根据评价结果，在新的蜜源v_i和原来的蜜源x_i之间选择一个更好蜜源作为下一代搜索的位置，i＝1,2,…,m_e；其中返回步骤23)，更新标志向量Bas(i)＝Bas(i)+1；

步骤26)记忆最好的食物源：记录全局最好的蜜源位置，即当前所有蜜蜂找到的最优蜜源，即全局最优解；

步骤27)放弃枯竭的食物源：判断蜜源的搜索Bas(i)是否达到最大限制次数limit，若Bas(i)＞limit，则第i个蜜蜂放弃当前蜜源而转为侦察蜂；

步骤28)侦察蜂全局搜索机制：侦察蜂按式进行蜜源随机搜索，计算蜜源所表示的适应度函数值，若优于当前蜜源，更新当前雇佣蜂所在蜜源位置，令Bas(i)＝0，否则更新标志向量Bas(i)＝Bas(i)+1；

步骤29)更新迭代次数t+1；若满足当前搜索条件，则搜索停止，输出全局最优位置Xg，否则继续执行；

步骤3)利用ICP算法迭代最近点精配准：对人工蜂群算法点云粗配准的基础上进行迭代最近点的精细配准，通过K-D tree点云数据存储结构加速空间最近邻域搜索，进行精细配准。