[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

说明书

本发明涉及一种贪心K‑均值自组织神经网络多机器人路径规划方法，属于人工智能和机器人系统控制技术领域。本方法将任务分配问题和路径规划问题结合考虑，采用两阶段求解方式，在第一阶段完成机器人任务分配，在第二阶段，根据第一阶段任务分配结果进行路径规划。通过在K‑均值迭代过程中，使用贪心算法来预估各机器人执行任务所需的路径代价，通过路径代价指导调节因子大小，通过调节因子来调整聚类过程中的任务分配结果，改善了K‑均值聚类算法自组织神经网络算法的机器人负载不均衡的问题，为各机器人高效规划负载均衡的任务执行路径方案，具有通用性和鲁棒性强的优点。

技术领域

本发明涉及一种机器人路径规划方法，具体涉及一种贪心K-均值自组织神经网络多机器人路径规划方法，属于人工智能和机器人系统控制技术领域。

背景技术

20世纪以来，工业机器人逐步进入普及期，在全球范围内以惊人的速度增长，并以速度快、精度高、系统集成化和智能化为目标快速更新迭代。

多自主机器人的路径规划研究始终是机器人领域内的重要问题之一。移动机器人系统路径规划的核心目标是，对于系统内的每个机器人都会有特定的离散起始位置、任务点位置及终点位置，能够为每个机器人规划出从起点位置出发，其中经历完成各项任务后，最终到达终点位置的路径。

目前，针对多机器人系统的路径规划研究大多聚焦在路径代价最优化研究上。多机器人系统通常包含任务分配、路径规划两大过程，现有的研究往往将两者割裂，时常造成任务分配不合理、不均衡。事实上，任务分配和路径规划相互依赖，任务分配的结果是影响路径规划质量和效率的关键问题。

SOM(Self-Organizing Map)自组织神经网络是一种无监督学习模型，主要由输入层和竞争层组成，其竞争学习机制和神经元拓扑结构使得相邻神经元最后倾向于有相似权重。自组织神经网络具有保持顺序映射的特点，训练后输出层保持拓扑结构不变，这样的拓扑保持使得输出神经元的空间位置对应于输入空间的特定域或特征，可用于单机器人路径规划。

基本的自组织神经网络在求解单机器人路径规划的问题时，能够实现以较小的计算代价解决大规模的问题，相比于传统的群体智能算法，自组织神经网络实现了计算复杂度大幅度降低而解的质量下降较小。但是，自组织神经网络不能直接求解多机器人系统路径规划问题，导致应用存在局限。

发明内容

本发明的目的是为了解决现有的自组织神经网络无法解决多机器人路径规划的技术问题，同时，针对多机器人路径规划过程中任务分配和路径规划严重割裂时常造成任务分配不合理、不均衡，路径规划时不考虑多机器人系统中各机器人的负载是否均衡，最终导致多机器人系统整体运行效率低下的技术问题，创造性地提出一种贪心K-均值自组织神经网络多机器人路径规划方法，通过改进自组织神经网络，使其能够用于解决多机器人路径规划问题。

本方法的创新性在于：将任务分配问题和路径规划问题结合起来考虑，针对多机器人路径规划问题，采用两阶段求解方式，在第一阶段完成机器人任务分配，在第二阶段，根据第一阶段任务分配结果进行路径规划。同时，首次提出了贪心K-均值自组织神经网络路径规划算法，能够有效解决多机器人的负载不均衡问题。通过在K-均值迭代过程中，使用贪心算法来预估各机器人执行任务所需的路径代价，通过路径代价指导调节因子大小，通过调节因子来调整聚类过程中的任务分配结果，最终改善了K-均值聚类算法自组织神经网络算法的机器人负载不均衡的问题，为各机器人高效规划负载均衡的任务执行路径方案，具有通用性和鲁棒性强的优点。

本发明是通过下述技术方案实现的。

一种贪心K-均值自组织神经网络多机器人路径规划方法，包括两个阶段：

第一阶段，通过贪心K-均值聚类算法将机器人系统中的任务进行分类，并使用贪心算法预估当前迭代周期内各分类的路径长度，从而指导K-均值的聚类结果进行调整。迭代完成后，将聚类结果分配给多机器人系统执行。