【目的】以路径重复率为优化目标解决农业机器人在数字生态农场中的全区域覆盖问题。【方法】首先,将栅格地图中的障碍物进行膨胀处理,在此基础上进行矩形分区以及分区合并操作;然后,通过改进的蚁群算法规划分区间的遍历顺序、通过改进...【目的】以路径重复率为优化目标解决农业机器人在数字生态农场中的全区域覆盖问题。【方法】首先,将栅格地图中的障碍物进行膨胀处理,在此基础上进行矩形分区以及分区合并操作;然后,通过改进的蚁群算法规划分区间的遍历顺序、通过改进的广度优先搜索(Breadth first search, BFS)算法规划分区间终点与起点的衔接路径,从而实现机器人全区域覆盖。2种算法的具体改进方案为:分别通过人工免疫算法与粒子群算法改进遗传算法的选择与交叉算子,并将改进后的选择算子、交叉算子、原遗传算法变异算子与蚁群算法相结合改进传统蚁群算法信息素更新方法;建立动态函数以简化BFS算法规划的路径。【结果】仿真结果表明,改进蚁群算法收敛时的迭代次数较传统蚁群算法减少了83.1%,路径长度相比减少了4.8%;由改进的蚁群算法与改进的BFS算法规划的机器人遍历路径重复率是传统蚁群算法和BFS算法的56%,且农业机器人能实现对农田区域的100%覆盖。【结论】本研究提供了一种农业机器人在复杂环境的数字生态循环农场中进行全遍历覆盖的解决方案。展开更多
文摘【目的】以路径重复率为优化目标解决农业机器人在数字生态农场中的全区域覆盖问题。【方法】首先,将栅格地图中的障碍物进行膨胀处理,在此基础上进行矩形分区以及分区合并操作;然后,通过改进的蚁群算法规划分区间的遍历顺序、通过改进的广度优先搜索(Breadth first search, BFS)算法规划分区间终点与起点的衔接路径,从而实现机器人全区域覆盖。2种算法的具体改进方案为:分别通过人工免疫算法与粒子群算法改进遗传算法的选择与交叉算子,并将改进后的选择算子、交叉算子、原遗传算法变异算子与蚁群算法相结合改进传统蚁群算法信息素更新方法;建立动态函数以简化BFS算法规划的路径。【结果】仿真结果表明,改进蚁群算法收敛时的迭代次数较传统蚁群算法减少了83.1%,路径长度相比减少了4.8%;由改进的蚁群算法与改进的BFS算法规划的机器人遍历路径重复率是传统蚁群算法和BFS算法的56%,且农业机器人能实现对农田区域的100%覆盖。【结论】本研究提供了一种农业机器人在复杂环境的数字生态循环农场中进行全遍历覆盖的解决方案。