买专利,只认龙图腾
首页 专利交易 科技果 科技人才 科技服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

【发明公布】基于改进蚁群算法的多农机协同作业远程管理调度方法_中国农业大学_202010484077.6 

申请/专利权人:中国农业大学

申请日:2020-06-01

公开(公告)日:2020-09-08

公开(公告)号:CN111639811A

主分类号:G06Q10/04(20120101)

分类号:G06Q10/04(20120101);G06Q10/06(20120101);G06Q50/02(20120101);G06N3/00(20060101)

优先权:

专利状态码:有效-授权

法律状态:2023.10.31#授权;2020.10.02#实质审查的生效;2020.09.08#公开

摘要:本发明涉及一种基于改进蚁群算法的多机协同作业远程管理调度方法,包括任务规划和路径规划,任务规划分为任务分配和任务序列优化。首先,根据农田作业环境中的初始任务信息和农机信息,根据农机与任务的供需匹配原则,通过改进蚁群算法获得最优任务分配方案;其次,根据最优任务分配方案,通过改进蚁群算法对各农机分配的多个任务进行任务序列优化,获得最优任务序列方案;最后,根据初始环境信息建立环境地图模型,根据最优任务分配方案、最优任务序列方案以及动静态障碍物、任务地块之间的路径代价、路径平滑因素,通过改进蚁群算法进行路径规划,获得最优路径规划方案,寻求一条无碰撞的最优路径。

主权项:1.一种基于改进蚁群算法的多农机协同作业远程管理调度方法,其特征在于:包括如下步骤:S1、任务规划;S1.1、任务分配;利用远程管理平台发布的初始任务信息和农机信息,初始任务信息包括初始任务数量和任务坐标;农机信息包括农机数量和农机坐标;根据农机与任务的供需匹配原则,通过改进蚁群算法获得最优任务分配方案;S1.1.1、参数初始化;设置改进蚁群算法的相关参数,包括蚂蚁数量m、信息素挥发因子ρ、信息素常系数Q以及最大迭代次数n;S1.1.2、通过公式1计算每个农机任务组合的路径代价,即农机与相应任务地块的距离:Di,j=sqrtsumworkeri,:-taskj,:.^2公式1式中,workeri,:代表农机i的坐标,taskj,:代表任务j的坐标,Di,j代表农机i和任务j之间的路径代价,单位为米;S1.1.3、设置每个农机的最大任务执行能力,即每个农机最多能完成的任务数量,初始化任务执行能力函数,如公式2所示:worker_quality=maxT公式2式中,maxT代表每个农机最多能完成的任务数量,worker_quality代表当前任务执行能力;S1.1.4、每只蚂蚁按照农机和任务编号顺序选择下一个农机任务组合,通过公式3更新每个农机的任务执行能力函数;worker_qualityi=worker_qualityi-1公式3式中,worker_qualityi代表农机i的当前任务执行能力;若一个农机的任务执行能力函数worker_qualityi等于0时,则代表农机i当前任务执行能力为0,此时需要选择下一个农机;S1.1.5、判断是否遍历所有任务,如果已遍历所有任务,则通过公式4至公式7计算每个蚂蚁相应规划方案的路径总长度,记录路径代价最小的任务分配方案;否则,返回步骤S1.1.4;oneant_pathi,j=1公式4all_ant_path=[all_ant_path;oneant_path]公式5each_ant_path=all_ant_pathk-1*task_number+1:task_number*k,:公式6cost=sumeach_ant_path.*DT公式7在公式4至公式7中,oneant_pathi,j代表蚂蚁生成的一组农机任务组合,当任务j分配给农机i时,oneant_pathi,j赋值为1;all_ant_path存储所有蚂蚁生成的农机任务组合;each_ant_path代表第k只蚂蚁生成的农机任务组合;task_number代表任务数量,DT表示农机和任务之间的路径代价D的转置矩阵;cost代表每只蚂蚁相应任务分配方案的路径总长度,单位为米,进而求得路径代价最小的任务分配方案;S1.1.6、根据信息素更新规则更新信息素;利用信息素挥发因子ρ和信息素常系数Q,通过公式8和公式9分别更新所有任务分配方案以及路径代价最小的任务分配方案的信息素;pheromoneMatrixtask_number,worker_number=pheromoneMatrixtask_number,worker_number*ρ公式8pheromoneMatrixbest_ant_path,2,best_ant_path,1=pheromoneMatrixbest_ant_path,2,best_ant_path,1*Q公式9在公式8和公式9中,pheromoneMatrix代表每个农机任务组合的信息素矩阵;best_ant_path代表路径代价最小的农机任务组合;task_number代表任务数量;worker_number代表农机数量;S1.1.7、判断是否达到最大迭代次数,如果当前迭代次数小于最大迭代次数n,则重复执行步骤S1.1.4至步骤S1.1.7,直到当前迭代次数等于最大迭代次数n,则输出最优任务分配方案;S1.2、任务序列优化;S1.2.1、参数初始化;设置改进蚁群算法相关参数,包括蚂蚁数量m、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素常系数Q以及最大迭代次数n;S1.2.2、根据步骤S1.1获得的最优任务分配方案,通过公式8计算每个农机分配的任务地块之间的路径代价,即根据指定的任务坐标计算任务地块之间的距离,单位为米;Dji,jj=sqrtsumtaskji,:-taskjj,:.^2公式10在公式10中,taskji,:代表任务ji的坐标,taskjj,:代表任务jj的坐标,Dji,jj代表任务ji和任务jj之间的路径代价,单位为米;S1.2.3、迭代寻找最佳路径;S1.2.3.1、随机产生各蚂蚁的起点地块;S1.2.3.2、根据状态转移概率公式11和公式12进行路径选择,选择下一个地块; 在公式11和公式12中,Eta代表启发函数;Tau代表任务ji和任务jj连接路径上的信息素浓度;P代表状态转移概率;S1.2.3.3、计算各个蚂蚁的路径长度;Lengthk=Lengthk+Dj,j+1公式13在公式13中,Dj,j+1代表任务j和任务j+1之间的路径代价,单位为米;Lengthk代表蚂蚁k的路径长度,单位为米;S1.2.3.4、记录路径代价最小的任务序列方案;min_Length=minLength公式14Length_bestt=minLength_bestt-1,min_Length公式15在公式14和公式15中,min_Length代表每次迭代中m只蚂蚁中路径代价最小的任务序列方案;Length_bestt代表经过t次迭代后路径代价最小的任务序列方案;S1.2.3.5、利用信息素挥发因子ρ和信息素常系数Q更新每条路径上的信息素;Tau=1-ρ*Tau+QLengthk公式16在公式16中,Lengthk代表蚂蚁k的路径长度,单位为米,Tau代表任务ji和任务jj连接路径上的信息素浓度;S1.2.4、判断是否达到最大迭代次数,如果当前迭代次数小于最大迭代次数n,则重复执行步骤S1.2.3至步骤S1.2.4,直到当前迭代次数等于最大迭代次数n,则输出最优任务序列方案;S2、路径规划;根据初始环境信息建立环境地图模型,根据步骤S1获得的最优任务分配方案、最优任务序列方案以及动静态障碍物、任务地块之间的路径代价、路径平滑因素,通过改进蚁群算法进行路径规划,获得最优路径规划方案,寻求一条无碰撞的最优路径;S2.1、全局路径规划;S2.1.1、根据初始环境信息建立环境地图模型;S2.1.2、参数初始化;设置改进蚁群算法相关参数,包括蚂蚁数量m、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素常系数Q以及最大迭代次数n;S2.1.3、根据任务规划生成的最优任务序列方案,通过公式1计算每个作业农机与指定任务地块之间的路径代价,即作业农机与最优任务序列方案中下一个待完成任务地块的距离;Di,j=sqrtsumworkeri,:-taskj,:.^2公式1在公式1中,workeri,:代表农机i的坐标,taskj,:代表任务j的坐标,Di,j代表农机i和任务j之间的路径代价,单位为米;S2.1.4、每只蚂蚁根据转移概率选择下一个节点; 在公式11和公式12中,Eta代表启发函数;Tau代表节点si和节点sj连接路径上的信息素浓度;P代表转移概率;S2.1.5、将已访问过的节点放到节点禁忌表TABUkm中;S2.1.6、计算每只蚂蚁相应规划方案的路径长度,记录路径代价最小的路径规划方案;Lengthk=Lengthk+Ds,s+1公式13min_Length=minLength公式14Length_bestt=minLength_bestt-1,min_Length公式15在公式13至公式15中,Ds,s+1代表节点s和节点s+1之间的路径代价,单位为米;Lengthk代表蚂蚁k的路径长度,单位为米;min_Length代表每次迭代中m只蚂蚁中路径代价最小的路径规划方案;Length_bestt代表经过t次迭代后路径代价最小的路径规划方案;S2.1.7、利用信息素挥发因子ρ和信息素常系数Q更新每条路径上的信息素;Tau=1-ρ*Tau+QLengthk公式16在公式16中,Lengthk代表蚂蚁k的路径长度,单位为米,Tau代表节点si和节点sj连接路径上的信息素浓度;S2.1.8、判断是否达到最大迭代次数,如果当前迭代次数小于最大迭代次数n,则重复执行步骤S2.1.4至步骤S2.1.8,直到当前迭代次数等于最大迭代次数n,则输出最优路径规划方案;S2.2、局部路径规划;S2.2.1、在农机根据步骤S2.1获得的最优路径规划方案行进过程中,利用车载传感器对周边环境信息进行实时检测并上传至远程管理平台,远程管理平台将实时采集的周边环境信息与初始环境信息进行比较,获得动态环境信息;设置时间阈值并根据动态环境信息,判断行进前方是否有障碍物,如果行进前方没有障碍物,则根据最优路径规划方案继续行进;如果行进前方有障碍物,则根据等待时间与时间阈值的关系进行行为决策;S2.2.2、若等待时间大于时间阈值,则判断为静态障碍物;反之,则判断为动态障碍物;如果为静态障碍物,首先绘制障碍物范围,判断农机是否可以安全通过,若可以通过,则调整作业路径以避开障碍物,根据步骤S2.1获得的最优路径规划方案继续行进;若无法避开障碍物,则根据目标地块位置和农机当前位置,按照S2.1重新规划路径;如果为动态障碍物,首先绘制障碍物范围,根据障碍物的位置、运动速度和方向信息,判断农机是否可以安全通过,若可以,则调整农机作业路线以避开障碍物,继续沿着全局规划路线行进;若无法避开障碍物,根据远程管理平台发布的各农机当前坐标信息判断障碍物是否为其他农机,若不是,则直接根据目标地块位置和农机当前位置,按照S2.1重新规划路径;否则,在最小安全距离以外停车,并根据目标地块位置和农机当前位置,利用公式1计算两个农机与目标地块的剩余路径代价,剩余路径代价较大的农机按照S2.1重新规划路径。

全文数据:

权利要求:

百度查询: 中国农业大学 基于改进蚁群算法的多农机协同作业远程管理调度方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。