遗传算法在智能机器人行为规划中的应用研究.docVIP

遗传算法在智能机器人行为规划中的应用研究 　　摘要：遗传算法（GA）是一种基于进化论的仿生算法，非常适合于求解最优化问题，适用于解决难度大或者计算代价大的问题。将遗传算法用于可移动智能体的研究，其重点是智能机器人的行为规划，对此进行了论述。 　　关键词：遗传算法；智能机器人；行为规划 　　中图分类号：TP311.5文献标识码：A文章编号文章编号：1672-7800（2013）012-0064-03 　　作者简介：叶本公（1968-），男，江汉大学文理学院副教授，研究方向为人工智能；刘敬（1958-），男，江汉大学文理学院副教授，研究方向为算法研究；陈曦（1979-），女，江汉大学文理学院讲师，研究方向为软件工程。 　　0引言 　　智能机器人的行为规划和控制问题，是一个解决难度较大、不容易人工干预的复杂问题，目前技术条件下解决办法一般是采用遗传算法，即把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体。这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代。后代随机化地继承了父代的最好特征，并在生存环境的控制支配下继续这一过程。群体的染色体将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题的最优解。 　　本文将遗传算法用于智能机器人的行为规划，设计出算法的主要内容，并用C++完成其核心代码。 　　1人工控制下智能机器人的行为表现 　　智能飞船的行为控制代码主要由两个重要的类CLander 和Ccontroller来完成。Ccontroller类的核心代码如下： 　　class CController 　　{private： 　　CLander* m_pUserLander； 　　bool m_bSuccess； 　　vector m_vecStarVB； 　　vector m_vecPadVB； 　　SVector2D m_vPadPos； 　　int m_cxClient， 　　m_cyClient； 　　void WorldTransform（vector pad）； 　　void RenderLandingPad（HDC surface）； 　　public： 　　CController（int cxClient， int cyClient）； 　　～CController（）； 　　bool Update（double TimeElapsed）； 　　void NewRun（）； 　　void Render（HDC surface）； 　　}； 　　如果智能飞船能成功登陆，则m_bSuccess的值为true；m_vecStarVB用于存放登陆点的顶点缓冲区；m_vecPadVB存放登陆点的形状缓冲区；m_vPadPos为登陆点的位置；Update（ ）更新智能飞船的位置；NewRun（ ）初始化新一轮的执行。 　　CLander类中保存着一个记录，其中包含了需要知道的有关智能飞船的所有信息，也包括绘制智能飞船、从用户得到输入信息以及进行物理更新的各种方法。下面为CLander类的核心代码： 　　class CLander 　　{ …… 　　public： 　　Clander{int cxClient， 　　int cyClient， 　　double rot， 　　SVector2D pos， 　　SVector2D pad）； 　　void Render（HDC surface）； 　　void Reset（SVector2D NewPadPos）； 　　void UpdateShip（double TimeElapsed）； 　　}； 　　其中的UpdateShip（ ）函数是控制智能飞船的行为。如何从用户端接收输入，如何更新登月船的位置和速度，都是在UpdateShip函数中完成的。update函数在每一个帧中功能包括：检测用户是否按下了一个键，相应地更新智能飞船的速度、加速度和旋转角；更新智能飞船的位置；变换智能飞船的顶点；检测智能飞船的顶点是否在地平面以下；如果智能飞船已到达地平面，检测登陆是成功或者失败。 　　测试的结果是智能飞船在人工控制下的表现不尽如人意，具体表现是智能飞船成功登陆很困难，分析其原因，是在人工控制下的情况下，智能飞船面对的复杂环境被简单化，不能满足复杂的环境要求。为此，必须考虑智能飞船在复杂情况下的行为规划。 　　2遗传算法的引入 　　为了研究智能飞船在复杂情况下的行为规划，必须考虑在其行为控制中引入遗传算法。 　　遗传算法包括3个基本操作：选择、交叉（基因重组）、变异。遗传算法涉及六大