人工蜂群算法

关于机器人路径点的表示方法 通过机器人的起点坐标直接计 算机器人路径中任意一个路径 点坐标值的计算方法
其中，(StepX ,StepY )是机器人路径点坐标.通过这种机 器人路径点表示方法，可以将要优化的机器人的每个路 径点由需要优化的横纵坐标值两个变量转化为夹角值一 个变量，这样简化了算法的计算过程.
关于人工蜂群的文献阅读
汇报人：杨蕊嘉
人工蜂群算法的初识
食物源
雇佣蜂
非雇佣蜂
招募蜜蜂到蜜源
放弃蜜源
食物源：即蜜源，它的质量依赖于距离蜂巢的远近、花粉 的数量及采蜜的难易程度等因素，在算法中对应 于适应度值。
雇佣蜂：即引领蜂(onlooker bee)它们处于特定的食物源， 携带有关这些食物源的信息，并以一定的概率和 其它蜜蜂共享这些信息，食物源越好所招募的蜜 蜂越多。
多个移动机器人通常在许多相同的环境下操作。因此, 路径规划问题变成多移动机器人系统的一个重要问题。通 常采用离线方法的情况下环境是完全已知的,而本文的在线 路径规划用于未知环境。
本文下一位置的优化问题是评估三个值:基于目标的客 观值,避免障碍客观价值,避免其他机器人客Hale Waihona Puke Baidu价值。也就是 说每个机器人的下一个位置都被设计出来.
关于新食物源生成方式的优化 标准人工蜂群算法中雇佣蜂和观察蜂生成新食物源
是通过自身记忆中的食物源进行的。
为了加快算法的收敛速度，对随机选择因子进行改 进。新的随机选择因子应该具有跟随算法的迭代次数而 减小的趋势，但也不能使得算法的随机选择因子太小。
Loop为算法的当前迭代次数，MaxLoop为算法的最大迭代次数
在本文我认为最值得学习的地方
本文提出的一种 Hybrid objective function(混合动力目标 函数).目标函数取决于三个规则:达到目标,避免与障碍物碰撞, 避免碰撞与其他机器人。为优化机器人路径的目标函数定义 为
(1)对于趋近于终点的目标函数
在这里,减小目标函数值意味着减少机器人与目标终点的距 离,机器人下一位置的最优选择可以由这个局部导航得出,即g1 有能力使得机器人一步一步的靠近目标.
对于目标函数考虑的优化目标
路径长度目标
路径安全性目 标
机器人路径点 到目标点的总
距离
机器人到每个 障碍物的距离 的倒数之和
路径平滑性目 标
机器人路径点 一个是机器人 路径点之间对
应的夹角
Efficient collision-free path-planning of multiple mobile robots system using efficient artificial bee
4
与其他算法结合的混合蜂群算法，取长补短
将人工蜂群算法应用在机器人路径规划上，首先是单目标。 标准人工蜂群算法食物源初始化如下公式
为了确保机器人不会与障碍物发生碰撞，保证机器人的 安全性，在本文的食物源初始化方法中，我们将障碍物所在 位置的路径点除去，只考虑没有障碍物的区域。
area (A)指障碍物A所在的范围；如果是含有多个障碍 物的环境，则area (A)中的A指所有障碍物的范围
colony algorithm
基于高效的人工蜂群算法的高效的无碰撞路径规划的多移动机 器人系统
本文旨在提出一种新颖的设计方法为在 线多移动机器人系统提供高效的无碰撞的路 径规划.提出一个有效的人工蜂群(EABC)算 法,以多个移动机器人在线路径规划为目标, 选择合适的目标函数障碍,机器人避碰.提出 EABC算法提高了性能，保持良好的进化,通 过精英个体解决方案共享提供一个合适的方 向搜索,即时更新策略提供了最新的信息解决 方案.
非雇佣蜂：它们寻找待开采的食物源，分为侦察蜂和 跟随 蜂。侦察蜂在食物源附近搜索新的潜在食物源， 跟随蜂通过雇佣蜂共享的信息寻找食物源。
优化方式
1 初始解集的改进，使初始解集均匀分布空间中,增加初始解集的多样性
2
选择策略的改进，大部分都是通过改变侦查蜂的选择策略
3
搜索方程的改进，以此来加速算法收敛
(2)对于避免障碍的目标函数
Obsj 代表第j个障碍的位置,σobs 代表机器人与障碍之间的安 全距离,当机器人与障碍之间的距离大于安全距离时,g2 等于 0 ,当距离小于或等于安全距离时,如表达式所示.在这里,我 们的目的是尽可能的减小g2 . (3)对于避免其他机器人的目标函数