2017 年秋季学期研究生课程考核
（综述报告）
考核科目:机电系统智能控制
学生所在院（系）:机电学院
学生所在学科:机械制造
学生姓名
学号:
学生类别:工学
考核结果阅卷人
智能控制在机器人领域的应用
遗传算法在移动机器人路径规划上的研究
摘要：近些年来机器人技术飞速发展，对机器人运动的控制要求越来越高，机器人的路径规划也越来越热门，智能优化算法在路径规划中的应用有其独特的优势，更能适应多变的环境，更像人一样进行决策。

遗传算法对于所解的优化问题没有太多限制，可以灵活的处理问题，善于解决复杂问题和非线性问题，具有良好的隐含并行性和全局搜索能力。

在移动机器人路径规划中得到了广泛的重视，本文主要介绍遗传算法的发展、原理及其在路径控制上的研究。

关键词：智能控制，移动机器人，遗传算法，路径规划
1 引言
随着科学技术的进步，机器人技术已经飞快发展，越来越多的机器人为人类工作服务，应用在人们的生产生活中，移动机器人路径规划是机器人应用中的一项重要技术，例如，在执行装配、焊接及抢险救灾等任务时，采用良好的移动机器人路径规划技术可以节省大量机器人作业时间、减少机器人磨损，同时也可以节约人力资源，减小资金投入，为机器人在多种行业中的应用奠定良好的基础。

2 遗传算法的发展
70年代初，J. Holland提出了遗传算法的基本定理：模式定理，奠定了遗传算法的理论基础。

J. Holland教授于1974年在他的著作《自然系统和人工系统的适配》[1]中又提出了遗传算法，其主要特点是采取群体搜索策略和在群体中个体之间进行信息交换，利用简单的编码技术和繁殖机制来表现复杂的现象，不受搜索空间的限制性假设的约束，不要求诸如连续性、导数存在和单峰等假设。

1975年，De. Jung在其论文《遗传自适应系统的行为分析》中结合模式定理进行了大量纯数值优化试验，将选择、交换和变异操作进一步完善和系统化，同时又提出了诸如代沟(generation gap)等新的遗传操作技术，建立了著名的De tong五函数测试平台[2]，定义了评价遗传算法性能的在线指标和离线指标。

80年代Booker L B,Goldberg D E实现了第一个基于遗传算法的机器学习系统一分类器系统，开创了基于遗传算法的机器学习的新概念[3]，为分类器的构造提出了一个完整的框架。

1989年，Goldberg出版了专著《搜索、优化和机器学习中的遗传算法》[4]。

该书系统地总结了遗传算法的主要研究成果，全面地论述了遗传算法的基本原理及应用，奠定了现代遗传算法的科学基础。

1991年，Davis 编辑出版了《遗传算法手册》[5]，书中包括了遗传算法科学计算、工程技术和社会经济中的大量应用实例，它对推广和普及遗传算法起到了重要的作用。

3 移动机器人的路径规划
3.1 机器人的发展
自1947年机器人出现以来，机器人在不断的发展进步，能够实现的功能也越来越多，迄今为止，一共发展了三代机器人。

第一代机器人主要指只能以“示教一再现”方式工作的机器人，由于不配备传感器，无法通过感知环境的改变来改善自身的性能品质；
第二代机器人具有一定的感知能力，能获取作业环境和操作对象的信息；采用计算机控制，通过各种算法来实现复杂精确的操作；并且具有一定的自整定和自适应的能力，表现出低级的智能。

第三代机器人是智能型机器人，它具有多种感知功能，对外界环境有模式识别能力；可以进行一定的逻辑思维和决策，在作业环节中自行做出决策、规划动作，目前正处于研究和发展阶段[6]。

3.2 经典的的路径规划方法
路径规划是指移动机器人按照某一性能指标(如距离、时间、能量等)寻找一条从起始状态到目标状态无碰撞的最优或次最优路径，使之尽可能的平滑和安全。

(1)环境分割法（栅格法）
用预先确立的单元以及其间的联系组成一个连通图，构造出一个与环境同构的虚拟空间。

在这个定义的虚拟空间中运用一些图搜索方法寻找最优路径。

(2)可视图法
把移动机器人看作一个质点，如图1所示把起始点、目标点和障碍物的各顶点连接起来，但不能穿越障碍物。

每段连线看成是可达的路径段，最优路径的搜索过程就变成了起始点(或者机器人质点)到目标点的最优线路问题。

图1 可视图法
(3)人工势场法
人工势场法是由Khatib[]提出的一种虚
拟力法。

其基本思想是将机器人在环境中的
运动视为一种虚拟的人工受力场中的运动。

障碍物对机器人产生斥力，目标点产生引力，引力和斥力的合力作为机器人的加速力，来
控制机器人的运动方向和计算机器人的位置。

(4)模糊推理法
基于模糊推理的路径规划方法通过查表(提前建好的知识库)的方法，指导移动机器人实现实时避开避障，到达目标。

该方法最大
的优点是实时性高，有效地克服了人工势场
法易产生的局部极小值问题，但是最优的模
糊隶属函数的设计、模糊控制规则的制定是
非常困难的，对于这个缺点，可以引入其他
方法与之融合，但复杂度高。

(5)神经网络
人工神经网络的研究可以追溯到本世纪40年代，1943年心理学家W.MeCu llch和数学家W. Pitts首次提出神经元的数学模型即MP模型。

1957年Rosenblatt制作了Perceptron 感知机，首次把人工神经网络理论付诸到工程实践，60年代提出了自适应线性元件网络。

80年代初两篇关于人工神经网络的研究论文奠定了其软件描述和硬件实现的基础。

1986年Rumelhart和Mcclelland提出了多层网络的递学习算法即算法，该算法从后向前修正各层之间的连接权重，可以求解感知机无法解决的问题，人工祌经网络控制就是由此发展起来的。

随着神经网络的发展，人们始尝试将神
经网络结合其它技术，开发出新的轨迹跟-控制万法。

图2所示为用于移动机器人局部路径规划的生物启发神经网结构图。

图2 生物启发神经网络规划
(6)遗传算法
上世纪60年代J. Holland提出了遗传算法，其整体搜索策略和优化计算具备全局搜索能
力良好、鲁棒性好和可规模化、隐含并行性
等优良性能。

但是遗传算法的运行速度较慢，缺乏实时性，标准的遗传算法容易产生“早熟”而收敛到局部最小点。

本文主要介绍的就是遗传算法在路径规
划上的研究。

4 遗传算法的路径规划
4.1 遗传算法的基本步骤
遗传算法的具体主要执行以下四步，简。