[发明专利]一种贪心K-均值自组织神经网络多机器人路径规划方法

权利要求书

1.一种贪心K-均值自组织神经网络多机器人路径规划方法，其特征在于，包括以下步骤：

步骤1：使用贪心K-均值聚类算法，求解系统内各机器人所需执行的任务，进行机器人任务分配；

步骤1.1：开始迭代，确定聚类数量k、最大迭代次数Greedykmeans_max_iter、偏置倍数δ，初始化k个聚类中心c＝{c₁,c₂,…,c_k}；

步骤1.2：计算所有任务点G＝{g₁,g₂,…,g_n}分别到k个聚类中心的欧式距离：

其中，d_ij表示任务点g_i到聚类中心c_j的欧式距离，(x_i,y_i)为任务点g_i的位置坐标，(x_j,y_j)为聚类中心c_j的位置坐标，j∈{1,2,…k}；

步骤1.3：将任务点G＝{g₁,g₂,…,g_n}分配到距其最近的聚类中心的类别，分类结果为C_j＝{g₁,g₂,…,g_l}，其中j∈{1,2,…k}，l表示各类别的任务数，l∈[1,n]；

步骤1.4：对每个类别，计算其所有点C_j＝{g₁,g₂,…,g_l}的均值，作为新的聚类中心c＝{c₁,c₂,…,c_k}；

其中，表示新聚类中心c_k的位置坐标；

步骤1.5：对每个类别，使用贪心算法计算其路径代价D＝{D₁,D₂,…,D_k}；

步骤1.6：在每次迭代过程中，使用放大和缩小调节因子，分别调整最大和最小聚类空间，其中，缩小调节因子narrow_iter和放大调节因子enlarge_iter根据当轮迭代的最大和平均路径代价求得：

其中，iter表示当前迭代次数，D_max表示当前迭代轮数中最大的路径代价值，D_min表示当前迭代轮数中最小的路径代价值，D_ave表示各机器人的平均路径代价值，δ表示偏置倍数；

步骤1.7：每次迭代过程中，使用调节因子将最大和最小聚类空间的任务目标生成虚拟任务位置，将路径代价最大的聚类空间C_max＝{g₁,g₂,…,g_l}中对各任务目标点g_l进行生成：

其中，分别表示最大的聚类空间的聚类中心的X坐标和Y坐标；

同理，对路径代价最小聚类空间min{D_i}的各任务目标点进行生成：

步骤1.8：判断iter是否达到最大迭代次数；若未达到，则根据生成的虚拟任务目标位置回到步骤1.2进行下一轮迭代，否则结束迭代，并根据最终的聚类结果索引到真实任务目标位置，输出最终任务分配结果；

步骤2：根据步骤1的任务分配结果，使用并行的SOM自组织神经网络规划各机器人的路径，包括以下步骤：

步骤2.1：将所有连接权值用[0,1]之间的随机数初始化；

步骤2.2：当一个随机任务g_i被输入到SOM网络中时，输出神经元将竞争成为获胜者；其中，获胜神经元的标准为：

I＝min{d_ij}，I∈Ω (8)

其中，d_ij为第i个任务g_i位置与第j个输出神经元R_j之间的欧式距离；g_i＝(x_i,y_i)表示输入神经网络的第i个目标任务的位置；R_j＝(w_jx,w_jy)表示第j个输出神经元的权值矩阵，w_jx、w_jy分别表示第j个输出神经元第i个目标任务X轴、Y轴的连接权值；Ω为所有输出神经元的集合；获胜神经元I是所有输出神经元之中距离g_i最近的输出神经元；

步骤2.3：当一轮迭代确定出一个获胜神经元I后，需确定其获胜领域和更新获胜邻域的神经元权值；邻域函数G_j,I(x)(t)表示如下：

σ(t)＝σ₀(1-α)^t (10)

其中，I(x)表示获胜神经元；d_j表示输出层第n个输出神经元获胜神经元R_j之间的欧式距离；e为自然常数；σ(t)用来调整邻域大小；σ₀为初始获胜邻域，表示本次训练的迭代次数；α为邻域衰减速率；t表示当前迭代轮数；

步骤2.4：当找到获胜神经元并更新其邻域神经元后，将其朝向任务位置点移动，更新策略为：

w_j(t+1)＝w_j(t)+η(t)×G_j,I(x)×(g_i-R_j) (11)

η(t)＝η₀(1-β)^t (12)

其中，w_j(t)为第t轮的神经元权值矩阵，η(t)为学习率，η₀为初始学习率，β为学习率衰减速度，学习率会直接影响输出神经元向输入任务位置移动的速度；

步骤2.5：当不满足终止条件时，返回步骤2.2，直至η(t)≤η_min；当满足终止条件后，将路径坐标和获胜神经元关联，各机器人的最终路线为从任意点进行遍历，按照获胜神经元出现的顺序进行排序。

2.如权利要求1所述的一种贪心K-均值自组织神经网络多机器人路径规划方法，其特征在于，步骤2.3中，邻域衰减速率α的取值范围为0到1之间。