بخشی از مقاله
چکیده: این مقاله مسیر بهینه ای را برای چند ربات با ساختار منسجم در قالب رهبر- پیرو با حضور موانع در مسیر با استفاده از بهینه سازی تکثیر - ARO - ارائه می دهد. برنامه ریزی مسیر با استفاده از روش میدان پتانسیل انجام می شود و یک ساختار جدید برای کنترل ربات های متحرک مبتنی بر روش میدان پتانسیل است . کارایی روش پیشنهادی از طریق شبیه سازی برای کنترل چهار ربات الکترونیکی تایید شده است.
همچنین روش پیشنهادی در شبیه سازی آنالیز شده است ، نتایج شبیه سازی هماهنگی و الگوریتم بهینه سازی فاکتورها و عملکرد بهتر و کاهش زمان همگام سازی تا بهترین راه حلARO ، باهم مقایسه شده است . این روش بهینه سازی برای کنترل زمان واقعی مناسب است . در این مقاله، مسئله بهینه سازی مسیر در شکل گیری حرکت ربات رهبر در نظر گرفته شده است . روش میدان های بالقوه برای برنامه ریزی مسیر ربات ها با حضور مانع و محدودیت غیرهولونومیک برای ربات ها مورد استفاده قرار می گیرد.
.1مقدمه
در سال های اخیر، کنترل سیستم های چندگانه به طور گسترده ای در نظر گرفته شده است. زمانی که یک وظیفه بسیار پیچیده برای یک عامل واحد محول می شود ، سیستم چند عامل همکاری می کند تا آن را انجام دهد ، و همچنین عملکرد سیستم ممکن است بهبود یابد. عوامل یک سیستم عامل چندگانه ممکن است باعث ساخت آسان تر، ارزان تر، انعطاف پذیر تر و تحمل بیشتر از یک عامل واحد طراحی شده برای هر یک از کارهای مجتمع جداگانه باشد .
[2,3] نرم افزار مانند کاوش، نظارت، تدارکات،جستجوی داده ها و خدمات امنیتی می تواند به راحتی به عنوان یک سیستم عامل چندگانه مدل شود. کنترل ساختاری، اجتناب از مانع وپایداری به وسیله ی عامل شکست خورده - ردشده - ، برخی از انواع مشکلات سیستم های چند عامل هستند. در شکل گیری کنترل، توپولوژی های کنترلی مختلف را می توان بر اساس ساختار خاص انتخاب کرد ممکن است یک یا چند رهبر در این گروه وجود داشته باشد.
چندین رویکرد کنترلی برای رسیدگی به مشکلات سیستم چند عامل، مانند استراتژی رهبر و پیروان [5,6]، رویکرد ساختار مجازی [7,8] و روش های مبتنی بر حرکت [9، 10] ارائه شده است . بسته به ویژگی های ربات مانند قابلیت محاسبات و محدودیت های ارتباطی یا در وظیفه خاصی که توسط سازمان انجام می شود ، استراتژی های کنترلی متفاوت در زمینه سیستم های چند ربات بیان شده است . [1]
رهبران در مسیر استراتژی مسیری دلخواه خود را می یابند که می تواند به کل سیستم کمک کند و عوامل دیگر از طریق دانش نسبی از اطرافشان از رهبرانشان پیروی می کنند . در این روش ، رهبر هیچ بازخوردی از پیروان ندارد که تمایل به ایجاد بی ثباتی سیستم داشته باشد؛ همچنین در عمل برخی از متغیرهای همگانی عوامل ممکن است اندازه گیری نشود .
در این مورد، ناظرغیر متمرکز برای هر عامل در [6,7] طراحی شده است . روش های متعددی برای شکل گیری کنترل وجود دارد از جمله : روش های مبتنی بر نظریه سیستم های غیر خطی [11]، شبکه های فازی و عصبی [12,13] ، تقویت یادگیری [14] و روش های مبتنی برمیدان پتانسیل مصنوعی .[4,15] برنامه ریزی مسیر مشکل پیمودن فاصله بدون برخورد با محیط اطراف را داراست . هدف از برنامه ریزی مسیری بدون نقص ، یافتن مسیر پیوسته مناسب یک ربات از ترتیب شروع به هدف است در حالی که از برخورد با موانع اجتناب کند .
الگوریتم های برنامه ریزی مسیر، برنامه های کاربردی متعددی مانند آزمایش ربات های صنعتی [16] و مدل سازی مولکول های زیستی [17] را دارند . بسیاری از تکنیک ها برای غلبه بر این مشکل پیشنهاد شده اند، مانند تکنیک های منطق فازی [18]، الگوریتم های تکاملی [19,20]، بهینه سازی کلونی مورچه [21]، روش های میدان پتانسیل مصنوعی - APF - [22],[23] ، رویکرد شبکه های عصبی [24]، تکنیک های ترکیبی [25] و کنترل بهینه غیر خطی .[26] روش میدان پتانسیل برای برنامه ریزی مسیر ربات های متحرک مورد استفاده قرار می گیرد .[1]
بخش اصلی یک میدان پتانسیل مصنوعی این است که "ربات" را به هدف جذب می کند و از موانع "آن را دفع می کند"، که می تواند به سرعت اجرا شود و نتایج قابل قبول را بدون نیاز به توضیح بیشتر فراهم کند . در واقع، برای پیاده سازی در زمان واقعی مناسب است و فقط نیاز به اطلاعات مدرج محلی دارد، نیازی به اطلاعات کلی نیست [27] .ضعف اصلی روش میدان پتانسیل مشکل کمبود محلی است که نتیجه شکل غیرقابل پیش بینی از کل میدان پتانسیل است .
[32] شده است .[34]همچنین محدودیت های ذاتی که در روش های پتانسیلی وجود دارند شامل 38]،[36 ؛ - 1 - عبورنکردن از میان فاصله ای نزدیک مانع ، - 2 - نوسان در حضور موانع ، - - 3 نوسان در محدوده باریکی از محل عبور ، - 4 - اهداف غیر قابل دسترس با موانع نزدیک - - GNRON می باشند. در این مقاله، مسئله بهینه سازی مسیر را برای بعضی از عوامل در شکل گیری رهبر- پیرو برای ربات های متحرک با دینامیک دوگانه در نظر گرفته شده است .
روش میدان پتانسیل برای برنامه ریزی مسیر باوجود مانع و محدودیت غیرهلونومیک برای ربات ها مورد استفاده قرار می گیرد . همچنین برخی از عوامل مانند حداکثر سرعت زاویه ای و خطی ربات در نظر گرفته شده اند . سپس برنامه ریزی مسیر به یک سیستم چند عامل در یک ساختار پیرو رهبر تعمیم داده می شود .در این مقاله ، یک ربات رهبر به عنوان یک هدف متحرک ، که پیروان آن را دنبال می کنند ، در یک فاصله خاص با استفاده از روش میدان پتانسیل در نظر می گیریم .روش پیشنهادی نیز برای حل مشکل GNRONمی باشد.همچنین نوسانات ربات ها در محل های عبوری باریک با حضور موانع کاهش می یابد.
ارزش توابع تعریف شده برای انجام برنامه ریزی مسیر و شکل گیری توسطARO ، بهبود جستجو هماهنگی - IHS - ، الگوریتم بهینه سازی کوکو - COA - و روش های شبیه سازی آنیلینگ - SA - بهینه سازی شده است . اجرای روش های بهینه سازی با نتایج شبیه سازی و آزمایش واقعی بر روی چهار ربات e-Puck مقایسه می شود . نتایج تجربی نشان می دهد که روش ARO برای برنامه های کنترل زمان واقعی مناسب تر است.
طرح کلی این مقاله به شرح زیر است : در بخش 2، معرفی مختصر الگوریتم شبیه سازی شده، جستجوی هماهنگی بهبود یافته و الگوریتم بهینه سازی کوکو را توضیح می دهیم. در بخش 3 روش ARO بیان شده است . در بخش 4، مشکل بهینه سازی مسیر معرفی شده است و الگوریتم اجتناب از مانع توضیح داده شده است. در بخش 4، نتایج شبیه سازی را در نرم افزارهای MATLAB و WebOT ارائه می دهیم و در نهایت نشان می دهیم که نتایج شبیه سازی بر روی دو نرم افزاربرای ربات متحرک قابل اعتبار است و ما با نتیجه گیری در بخش 5 آن را تکمیل می کنیم.
.2 مقدمه
.2,1 شبیه سازی آنیلینگ - گرم کردن - SA - -
آنالیز شبیه سازی شده - SA - یک تکنیک بهینه سازی است که در [40] پیشنهاد شده است، تلاش می کند تا حداقل ارزش یک تابع را پیدا کند که ممکن است دارای چندین حداقل مکان باشد SA . قادر به مقابله ی خودسرانه با توابع با مقادیر غیرخطی است ، عدم انطباق و برخورد و می تواند فرایند دلخواه شرایط مرزی و محدودیت ها را پردازش کند. در[50] نشان داده شده است که SA روش سریع برای اجرای در برنامه های زمان واقعی است . این روش با تقلید از فرآیند فیزیکی که به موجب آن یک جامد گرم به آرامی سرد می شود، تا زمانی که سرانجام ساختار آن یخ بزند ، حداقل انرژی اتفاق می افتد .
.2,2 بهبود جستجو هماهنگی - IHS -
هارمونی جستجو - HS - از فرایند بداهه نوازی نوازندگان موسیقی الهام گرفته شده است . [41] HS یک مقداردهی اولیه از راه حل بردارها را به طور تصادفی جمع بندی می کند و آنها را در HM ذخیره می کند . سپس یک بردار هماهنگ جدید با استفاده از قوانین تولید می کند . اگر بردار جدید ، از بدترین هارمونی در HM برتری پیدا کند ، مطابق به سازگاری در تابع ، بدترین بردار هارمونی با بردارجدید جایگزین می شود.
.2,3 الگوریتم بهینه سازی کوکو - - COA
الگوریتم بهینه سازی - Cuckoo - COA ، یک الگوریتم بهینه سازی است که با جمعیت اولیه از فاخته ها شروع می شود . درCOA ، متغیرهای تصمیم گیری به صورت یک آرایه - Nvar × 1 - تشکیل می شوند، که زیستگاه نامیده می شود و موقعیت فعلی زندگی را نشان می دهد.
.3 بهینه سازی تولید مثل - - ARO
بهینه سازی تولید مثل - ARO - یک روش بهینه سازی موثر است که از روش تولد مثل غیرمعمول ، که به عنوان یک پدیده بیولوژیکی قابل توجه است، شناخته شده است . که در 44]،[45 پیشنهاد شده است . در این روش ، هر فرد با یک رشته دودویی، شبیه به نمایش دودویی در تکنیک های تکاملی نشان داده می شود. یک متغیر تصادفی، X = - x 1,x2 '…'xn - X ∈ Rn ، در ARO نامیده می شود و هر متغیر به عنوان کروموزوم ساخته شده توسط تعدادی از بیت ها، به نام ژن ها در نظر گرفته می شود . در ARO فرض می شود که هر راه حل در فضای جستجو - S - یک موجود در محیط آن است عمل کنترل در صورت نزدیک شدن به هدف کاهش می یابد .
