[发明专利]一种基于遗传算法的多目标动态调度方法

权利要求书

1.一种基于遗传算法的多目标动态调度方法，其特征在于，包括以下步骤：

1)获取被调度物的位置、姿态角以及与障碍物和目标点的距离信息；

2)根据步骤1)获得的信息计算当前位置的人工势场强度，为避免调度至局部极值点，需向人工势场添加补充势场强度，具体 如下：

根据人工势场法的定义，得到目标点对被调度物的吸引力如下式：

式中，U_att(X)为目标点对被调度物的吸引力，X为被调度物位置，X_g为目标点位置，ρ²(X,X_g)为被调度物与目标点之间的距离，k为引力势场系数；

根据人工势场法的定义，得到静态障碍物对被调度物的排斥力如下式：

式中，U_reps(X_i)为第i个静态障碍物对被调度物的排斥力，η为是比例增益系数，ρ₀为静态障碍物排斥力的影响距离，ρ²(X,X_i)为被调度物与第i个静态障碍物之间的最短距离，||X-X_g||^l为添加的系数项，n为避障传感器探测到的静态障碍物的数目；

根据人工势场法的定义，得到动态障碍物对被调度物的排斥力如下式：

式中，U_repm(X_r)为第r个动态障碍物对被调度物的排斥力，η和ζ为比例增益系数，ρ₀′为动态障碍物排斥力的影响距离，ρ²(X,X_r)为被调度物与第r个动态障碍物之间的距离，||X-X_g||^l为添加的系数项，V为被调度物当前的速度，V_r为第r个动态障碍物当前的速度，θ和φ分别为被调度物当前的姿态角以及第r个动态障碍物当前的姿态角，m为避障传感器探测到的动态障碍物的数目；

为避免调度至局部极值点，向人工势场添加补充势场强度如下式：

式中，U_add(X)为补充势场强度，s为比例增益系数，ρ²(X-X_g)为被调度物与目标点之间的距离，ρ_a为判断被调度物是否达到目标点的距离值；

综合公式(1)、(2)、(3)、(4)，得到被调度物当前位置的人工势场强度，如下式：

式中，U为人工势场合力，U_att(X)为目标点的吸引力，为n个静态障碍物的排斥力合力，为m个动态障碍物的排斥力合力，U_add(X)为补充势场强度；

3)通过改进的遗传算法计算人工势场强度负梯度的最小值，具体如下：

3.1)对人工势场中的参数进行编码，这是连接调度问题和遗传算法之间的桥梁，根据步长v和姿态角θ两个参数的精度要求，将染色体的长度设置为7个bit，并且有两个步长ρ和姿态角θ相对应的染色体，表达式如下：

式中，h₁为一个7位二进制染色体，其将ρ编码为一个单独的对应值，h₂为一个7位二进制染色体，其将θ编码为一个单独的对应值；

3.2)构建适应度评估函数：遗传算法在进化搜索中不使用外部信息，仅基于适应度函数搜索适应度，因此，适应度函数的选择非常重要，对于非线性规划问题，使用函数值来评估解的优劣，这是最直接、最方便的方法，适应度函数f(x_i)为下式，函数值的最大解为最佳解：

式中，U(x_i)是目标点和受x_i个体约束的障碍物的势场的加权和；

3.3)遗传算法的选择、交叉、变异操作：在选择算子中，首先直接选择上一代的最优值，然后根据影响因子Q的大小确定个体的后代数目，其表达式如下所示：

式中，f(x_i)为适应度函数，q为种群规模；

对于交叉算子，首先定义交叉算子的概率p_c，然后，根据概率p_c，交换并重新组装两个相邻父母的θ染色体部分和ρ染色体部分，以生成两个新个体；

对于变异算子，根据种群条件动态调整变异概率p_m，表达式如下：

P_m＝P_m0(1+α)^K/H (9)

式中，p_m0为初始变异率，α为一个小于1的校正值，K是迭代代数，H是一个常数；根据概率p_m选择一个个体，然后任意选择7位二进制编码中任一位的变异，即从1到0或从0到1；

选择、交叉和变异操作后，获得一个新种群，在给定的循环数后，遗传算法终止，并且将当前组中的最佳个体作为问题的最佳解决方案输出，对于终止代数，要求具有实时性，因此采用了20代，由于算法的调整，加快了算法的收敛速度，并且20代演化亦能够收敛到更好或最优的值；

在遗传算法运行结束后，得到公式(7)的最大值，即为人工势场合力减小最大的方向，亦即人工势场强度负梯度的最小值；

4)根据人工势场强度负梯度的最小值，确定调度方向和步长，并进行调度，且在调度过程中，根据模糊避障方法实时防撞；

5)完成一轮调度后，判断当前位置是否为目标点，若是则调度完成，若不是则返回步骤1)。