[发明专利]一种基于遗传算法的多目标动态调度方法

说明书

本发明公开了一种基于遗传算法的多目标动态调度方法，包括步骤：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；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；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)。本发明为多目标动态调度提供了一种高效、稳定、安全的实时调度方案，能够有效实现被调度物的调度，具有实际推广价值和应用价值。

技术领域

本发明涉及目标调度和遗传算法的技术领域，尤其是指一种基于遗传算法的多目标动态调度方法。

背景技术

人工智能技术和机器人技术已广泛应用于先进生产的领域，而机器人在车间等区域内的协同和工作往往会涉及到调度算法，为了提高生产效率和生产的自动化程度，如何设计一个高效、鲁棒的调度算法是必须解决的问题。

调度，在本方法中指的是规划一个物体由某处运动到另一处的行为，其中特殊的，多目标调度是同时对超过一个的物体进行调度。根据调度环境的不同，调度一般分为静态调度和动态调度。静态调度指的是整个调度环境始终保持不变，除被调度物外，其余物品、环境的位置、姿态等均恒定。动态调度指的是整个调度环境不能事先得知，须在调度过程中动态获取，往往体现在调度环境中的其他物体会进行位置和姿态上的变化，这种调度较为复杂。

目前主流的调度算法为人工势场法。人工势场法是基于重力场理论提出的一种调度算法，这种算法的基本思想是将被调度物在周围环境中的运动，设计成一种抽象的人造引力场中的运动，目标点对被调度物产生引力，障碍物则对被调度物产生斥力，最后通过求合力来控制被调度物的运动。应用人工势场法规划出来的路径一般比较平滑且安全，但是这种方法存在局部最优点的问题。

遗传算法是一种自适应智能搜索技术，一般应用于复杂的非线性优化问题，具有强大的全局优化能力。遗传算法的思想起源于达尔文的生物进化理论，影响生物生存的重要因素有自然选择、种群繁衍和基因突变。因此，选择，交叉和变异是遗传算法的三个主要运算符。遗传算法在解决许多复杂的优化问题中可以获得较好的结果。标准遗传算法解决优化问题的步骤如下：第一步是将参数编码并制成二进制串；第二步是定义适应度函数；第三步为生成初始种群，然后计算染色体的适合度，并重复选择、交叉、变异操作，直到满足某个性能指标或指定的遗传代数为止。但是，在标准遗传算法中仍有许多问题有待完善，例如，难以证明其收敛性，并且在种群成熟之前便容易收敛。

本发明提供一种基于遗传算法的多目标动态调度方法，将多目标的动态调度和遗传算法结合起来，并分别对人工势场调度算法和遗传算法的不足进行了改进，使得对多目标的动态调度任务更加稳定和高效，为生产环境中的机器人调度问题提供了有效的解决思路。

发明内容

本发明的目的在于克服现有技术的缺点和不足，提供一种基于遗传算法的多目标动态调度方法，本方法改进了传统人工势场法容易陷入局部最优点而导致目标不可达的缺陷，改进了遗传算法的早熟和低效问题，利用改进遗传算法优化人工势场法，得到最优的调度计划，为现实生产环境中的实时调度提供方案。

为实现上述目的，本发明所提供的技术方案为：一种基于遗传算法的多目标动态调度方法，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；

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；

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；