[发明专利]基于混沌非支配排序遗传算法的机器人多目标搜索方法

说明书

本发明公开了一种基于混沌非支配排序遗传算法的机器人多目标搜索方法，包括以下步骤：对机器人灾后救援过程建立数学模型，构建目标函数与变量空间约束条件；根据约束条件生成初始父代种群；父代种群经过交叉与变异得到初始子代种群，并与初始父代种群组合构成新群体；对新群体进行非支配排序；对新群体依次从第一非支配层开始构建部分子代个体，淘汰的部分个体进行混沌映射产生新个体，新个体中筛选得到的优胜子代个体与之前优胜子代个体组合得到真正的子代种群；重复以上步骤直到算法收敛，获得多目标优化问题的全局最优解。本发明利用混沌映射产生新个体集，然后对其进行非支配排序，能够保证种群的多样性，避免陷入局部最优解。

技术领域

本发明涉及一种基于混沌非支配排序遗传算法的机器人多目标搜索方法。

背景技术

在地震、爆炸、坍塌或火灾等灾后环境下，通常搜救人员无法直接达到被困人员的具体位置实施救助，不能满足救援工作的需要，因此机器人在灾后救援任务中发挥着重要的作用。经过实际数据表明，被困人员在超过48小时后能够存活的概率将会越来越低，因此机器人需要在灾后救援环境中尽可能时间最短、救援风险与代价最低的情况下，搜寻并救出更多的被困人员。随着人工智能技术的不断发展，遗传算法成为解决上述多目标优化问题的有效办法之一。

多目标优化问题已经在各个领域都普遍存在，求解多目标优化问题的方法有多种，比如混沌遗传算法(Chaos-Genetic Algorithm,GCA)。遗传算法起源于人们对生物系统的研究，该算法模仿自然界生物进化机制发展起来的全局搜索最优方法，借鉴了孟德尔的遗传学说与达尔文的进化论。在算法的实现过程中自动获取和积累搜索空间的变量数据，并自适应的向最优方向不断收敛。文献“基于混沌遗传算法的宽零陷波束赋形方法”提出了一种基于混沌改进的遗传算法，利用混沌序列初始化粒子位置，并在遗传交叉算子中引入尺度混沌扰动项。该方法增强种群多样性和跳出局部最优的能力，实现全局和局部搜索能力的提高，有效提高收敛精度和加快收敛速度，具有较好的稳健性。

现有的遗传算法虽然能够在多维目标空间中寻找最优解，但在面对复杂且多维的目标函数时，仍然存在算法错误收敛或收敛较慢陷入局部最优解。同时因为处于多维目标空间，造成求解结果与全局最优解相差甚远。

发明内容

为了解决上述技术问题，本发明提供一种算法简单的基于混沌非支配排序遗传算法的机器人多目标搜索方法。

本发明解决上述问题的技术方案是：一种基于混沌非支配排序遗传算法的机器人多目标搜索方法，包括以下步骤：

步骤一：对机器人灾后救援过程建立数学模型，构建目标函数与变量空间约束条件；

步骤二：根据约束条件生成N个个体的初始父代种群；

步骤三：父代种群经过交叉与变异得到N个个体的初始子代种群，将初始父代种群和初始子代种群组合构成2N个个体的新群体；

步骤四：对新群体进行非支配排序，若两个个体互不支配，则将这两个个体置于同一非支配层；

步骤五：将步骤四中的新群体依次从第一非支配层开始构建N₁个部分子代个体，直到部分子代个体大小等于N₁或者第一次超过N₁时停止，设此时部分子代个体大小为S_t；若S_t超过N₁，则保留最后一个非支配层，对最后一个非支配层中的个体进行淘汰，使得部分子代个体数目等于N₁；

步骤六：对步骤五中被淘汰的2N-N₁个个体进行混沌映射产生新个体，从新个体中筛选得到N₂个优胜子代个体；