《基于Hopfield_人工神经网络的全域覆盖路径优化》-毕业论文.docVIP

基于Hopfield人工神经网络的路径优化 PAGE PAGE 1 目 录 TOC \o 1-3 \h \z \u HYPERLINK \l _Toc106340457 绪论 PAGEREF _Toc106340457 \h 2 HYPERLINK \l _Toc106340458 1 环境建模 PAGEREF _Toc106340458 \h 2 HYPERLINK \l _Toc106340459 1．1 子区域内的行走方式 PAGEREF _Toc106340459 \h 2 HYPERLINK \l _Toc106340460 1．2 区域分割 PAGEREF _Toc106340460 \h 3 HYPERLINK \l _Toc106340461 1．3 区域全连通图 PAGEREF _Toc106340461 \h 5 HYPERLINK \l _Toc106340462 1．4 优化机器人行走路线 PAGEREF _Toc106340462 \h 5 HYPERLINK \l _Toc106340463 2 Hopfield 人工神经网络算法概述 PAGEREF _Toc106340463 \h 6 HYPERLINK \l _Toc106340464 2．1 TSP 问题描述 PAGEREF _Toc106340464 \h 8 HYPERLINK \l _Toc106340465 3 仿真试验设计 PAGEREF _Toc106340465 \h 10 HYPERLINK \l _Toc106340466 3．1 移动机器人环境地图 PAGEREF _Toc106340466 \h 10 HYPERLINK \l _Toc106340467 3.2 环境地图的全连通图 PAGEREF _Toc106340467 \h 10 HYPERLINK \l _Toc106340468 3.3 Hopfield 人工神经网络算法模块 PAGEREF _Toc106340468 \h 11 HYPERLINK \l _Toc106340469 3.4 程序中的参数 PAGEREF _Toc106340469 \h 12 HYPERLINK \l _Toc106340470 3.5 仿真结果 PAGEREF _Toc106340470 \h 13 HYPERLINK \l _Toc106340471 4 小结 PAGEREF _Toc106340471 \h 14 HYPERLINK \l _Toc106340472 附录：算法 PAGEREF _Toc106340472 \h 15 基于Hopfield 人工神经网络的路径优化 绪论 本文研究了移动机器人在含障区域内完成全覆盖行走路径的优化。将子区域内行走路线、区域分割和子区域衔接顺序三方面结合，进行总体优化的考虑。提出用“双线扫法”完成区域的分割，选择“向内螺旋式”行进作为子区域内部行进路径，构造整个待覆盖区域全连通图模型。由于基于全连通图模型的行走路径与TSP问题极其相似，所以我采用了Hopfield人工神经网络求解TSP问题的方法优化全连通图，对移动机器人在各个子区域的行走顺序进行寻优。最后给出了仿真试验，试验表明利用Hopfield人工神经网络，移动机器人在含有障碍物的环境中能够找到全覆盖的最优路径或者次优的路径。 1 环境建模 所谓全覆盖寻优路径规划，是指机器人合理而高效地走遍一个区域内除障碍物以外的全部地方。和点到点寻优算法一样全覆盖算法的应用范围很广，比如清扫（灰尘树叶积雪等）、收割（谷物草等）、耕犁、播撒（农药种子刷塗）、探矿、搜救、水下测绘、排雷等等。 1．1 子区域内的行走方式 子区域内部行进方式采用“螺旋收缩式”。虽然“螺旋收缩式”和“往复前进式”本身各有优缺点，但在多子区域覆盖问题上，“螺旋收缩式”的优点显而易见。这些优点包括：“螺旋收缩式”行进方式可避免“往复前进式”的边缘效应；“螺旋收缩式”不会留下或只在中间留下很少的未覆盖面积，而这位于中间的小的未覆盖部分，对机器人来说是很容易解决的；从理论上讲，机器人完成子区域内部覆盖后的终点位于最开阔的子区域重心（见图1），从而有利于区域分割任务完成后的机器人子区域衔接行为。 图1 螺旋收缩式行进方式 1．2 区域分割 子区域分割采用“双线扫法”。所谓“双线扫法”，即用直立和水平各一根想象中的长线段分两次“扫” 过整个待覆盖区域，第一次用直立线段从最左端“扫”至最右端，每当这根线与某个障碍物的某条直立边重合时，该线就从待覆盖区域划出一个高度等于待覆盖区域高度的子块。第二次用水平线段从最上端至“扫”最下端，每当这根线与某个障