买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华东交通大学

摘要：本发明属于机器人控制技术领域，具体涉及一种基于GA‑ACO的移动机器人控制方法及系统；S1：获取动力学模型；S2：设计LQR控制器；S3：优化加权矩阵Q和R，将其元素视作蚁群，通过混沌映射对蚁群位置初始化；S4：选取适应度函数值；S5：蚁群排序并引入遗传算法的筛选因子，对蚁群筛选；S6：引入遗传算法变异因子，对蚁群变异实现位置更新；S7：将蚁群通过生成信息素，完成位置更新，并再计算适应度函数，进行迭代，当达到迭代次数时，输出蚁群位置；本发明通过计算机算法来选取和优化参数，降低滞后性，随机性和控制系统的误差，融合了遗传算法和蚁群算法，避免了单一算法易陷入局部最优的问题。

主权项：1.一种基于GA-ACO的移动机器人控制方法，其特征在于，包括以下步骤：S1：对车轮和车体进行建模，得到移动机器人的动力学模型；S2：根据动力学模型，设计LQR控制器；S3：对LQR的加权矩阵Q和R进行优化，将其元素视作蚁群，通过混沌映射对蚁群位置进行初始化；S4：计算代价函数J作为适应度函数值；S5：基于适应度函数，对蚁群进行排序，引入遗传算法的筛选因子，把适应度函数中一部分蚁群筛选掉；S6：筛选完成后，再引入遗传算法变异因子，再次对适应度函数中的一部分蚁群进行变异，实现位置更新；S7：筛选完成后，将适应度函数中大部分蚁群通过生成信息素，来完成位置更新，并再次计算适应度函数，进行迭代，当达到迭代次数时，输出蚁群位置；S1中对于移动机器人的动力学模型的建立包括以下步骤：S11：建立车轮模型；车轮为一对同轴安装，左、右轮相同；其车轮模型由式1所得： 其中，m为车轮的质量，r为车轮的半径，I为车轮的转动惯量，为车轮水平位移的二阶偏导，T为车轮电机输出的扭矩，H为车轮从水平方向上对车体施加的作用力；S12：建立车体动力学模型；车体运动包括正向运动和侧向运动；其中，正向运动包括前向运动和绕车体质心N的相对转动；侧向运动包括转向和偏航；车体水平方向方程由式2所得： 上式中，M为车体的质量，d为左右两车轮之间的轮距，l为质心N距底盘中心O的距离，θN为车体与竖直方向所成的夹角，t为车体所用的时间，VR和VL分别为右轮和左轮对车体竖直方向上的支撑力；车体刚体转动方程由式3所得： 上式中，JN为车体绕质心转动时的转动惯量,为车体与竖直方向所成夹角的二阶偏导，VR和VL分别为右轮和左轮对车体竖直方向上的支撑力，HR为右车轮从水平方向上对车体施加的作用力，HL为左车轮从水平方向上对车体施加的作用力，TR为右车轮电机输出的扭矩，TL为左车轮电机输出的扭矩；车体进转向方程由式4所得：2Jα＝dHL-HR4上式中，d为左右两车轮之间的轮距，Jα为车体绕竖直方向转动时的转动惯量，α为车体的偏航角；当左右两轮转动速度不等时，车体转向；S2中具体包括以下步骤：S21：基于移动机器人的车轮模型、车体模型，构建控制系统的状态空间方程；S22：设计状态反馈控制器由式5对系统性能进行控制，并对于系统性能引入代价函数由式6；u＝-Kfx5 上式5中，u为表示信号，x为表示状态，Kf由式7所得；上式6中，Q为nxn维半正定的状态加权矩阵，R为nxn维半正定的控制加权矩阵；Q和R式对称矩阵且常取对角阵；Q中对角线上的元素qi表示对相应误差分量xi的重视程度，xT为状态的转置矩阵；uT为信号的转置矩阵；Kf＝R-1BTS7上式中，S为黎卡提方程ATS+SA+Q-SBR-1BTS＝0的解，BT为计算值的转置矩阵；S3中生成蚁群初始位置的Logistic映射方程由式8所得： 上式中，为第i组蚁群第j只蚂蚁初始时刻的位置，i取0到M的整数，M为当前蚁群总组数，j取1到8的整数；λ为分叉参数；rand为随机函数，生成0到1的随机数；qmax和qmin为qj值的上下限，分别取为99和0；S4中适应度函数由式9所得： 上式中，加权矩阵Q中的对角线元素为qi蚁群中的q1，q2，q3，q4，q5，q6，加权矩阵R的对角线元素为qi蚁群中的q7，q8，fi为第i组蚁群的适应度函数；S6中引入变异因子η为0.1，对其中适应度函数最大的10％的蚁群进行变异，对其中每组蚁群qi中的qj元素进行二进制编码，转化为一个7位的二进制序列，由概率公式式10所得： 式中，n为需要进行变异的蚁群组数，n＝M*η；变异完成后，再转换为十进制，实现变异蚁群的位置更新；S7中每组蚁群根据路径上残留的信息素和启发式信息来选择下一个位置，其概率由式11所得： 式中，τijt为t时刻蚁群位置i到蚁群位置j的信息素强度，χijt＝1dij为能见度，是蚁群位置i和蚁群位置j之间几何距离的倒数，几何距离表达式由式12所得： α,β为两常数，分别为信息素和能见度的加权值，allowedk为尚未更新过的蚁群位置集合；当蚁群完成一次位置更新后，路径上的信息素也随之更新由式13所得：τijt+1＝[1-ρt]τijt+Δτij13式中，ρ为信息素挥发度，ρ0取0.5，增大ρ使算法尝试新的解，减小则使得继续优化当前解，由式14所得： Δτij表示本次迭代中路径ij上信息素的增量，基于排序的蚁群信息素生成方法为，蚂蚁按旅行距离排名，蚂蚁释放的信息素的量要和蚂蚁的排名相乘，排名前z-1位的蚂蚁和精英蚂蚁释放信息素，排名第k位的蚂蚁乘以系数z-k，由式15所得： 式中，表示第k组蚁群在迭代中留在路径ij上的信息素的增量； 生成完信息素后，基于概率公式式16进行位置更新： 基于更新后的适应度函数，来选择是否更新，适应度函数更小，则进行更新，反之则不；更新后的值如果超出区间范围，则取对应的上下限，超出上限取最大值，超出最下限取最小值。

全文数据：

权利要求：

百度查询： 华东交通大学 一种基于GA-ACO的移动机器人控制方法及系统