بهینهسازی مسیر ربات متحرک با رویکرد چندهدفه: ترکیب الگوریتم بهینهسازی ذرات و خفاش وفقی
محمد اسعدی
1
(
مهندسی مکاترونیک، مجتمع آموزش عالی بم، بم، ایران
)
زهرا محمدی
2
(
دانشکده مهندسی برق، دانشگاه شهید باهنر کرمان، کرمان، ایران
)
حسین نظامآبادیپور
3
(
دانشگاه شهید باهنر کرمان
)
محدثه سليمانپورمقدم
4
(
مهندسی مکاترونیک، مجتمع آموزش عالی بم، بم، ایران
)
کلید واژه: برنامهریزی مسیر, بهینهسازی چند هدفه, الگوریتمهای فراابتکاری, الگوریتم خفاش و الگوریتم بهینهسازی ذرات.,
چکیده مقاله :
این پژوهش یک چارچوب نوین برای برنامهریزی مسیر مبتنی بر بهینهسازی چندهدفه ارائه میدهد که به طور همزمان سه معیار کلیدی شامل کمینهسازی طول مسیر، کاهش نرخ تغییرات زاویهای و حداکثرسازی فاصله ایمن از موانع را مد نظر قرار میدهد. در مرحله نخست از ترکیب روش محدودیت اپسیلون و رویکرد جمع وزنی برای تبدیل مسأله بهینهسازی چندهدفه به یک مسأله تکهدفه استفاده شده است. به دلیل NP-hard بودن مسئله، یک الگوریتم فرا ابتکاری ترکیبی تطبیقی با عنوان PSO-ABA توسعه یافته است که از ادغام دو مکانیزم مکمل جستجوی سراسری مبتنی بر الگوریتم بهینهسازی ذرات (PSO) و الگوریتم خفاش انطباقی (ABA) بهره میبرد. در این الگوریتم، وظیفه بهروزرسانی موقعیت ربات بر عهده الگوریتم ABA است، در حالی که الگوریتم PSO به دنبال تنظیم پارامترهای مناسب میباشد. این مقاله به چند نکته کلیدی میپردازد: نخست، الگوریتم مذکور با اصلاح روابط موجود در الگوریتم خفاش، طراحی مسیری در فضای واقعی را هدف قرار میدهد بهطوریکه حرکت ربات تا حد امکان به سمت مسیر هدف هدایت شود و از چرخشهای ناگهانی ربات جلوگیری گردد. دوم، با اصلاح تابع شایستگی، این الگوریتم مانع از بهروزرسانی موقعیت ربات در داخل موانع میشود و مسیرهای نامعتبر را حذف میکند. ارزیابی عملکرد در محیطهای شبیهسازی شده با چیدمان موانع پیچیده نشان میدهد که چارچوب پیشنهادی در مقایسه با روشهای مرسوم مسیریابی، عملکرد بهتری در دستیابی به مسیر بهینه برای ربات دارد.
چکیده انگلیسی :
This study proposes a novel path planning framework based on multi-objective optimization, which simultaneously addresses three key criteria: minimizing path length, optimizing motion smoothness, and maximizing safe distance from obstacles. The multi-objective problem is first transformed into a single-objective formulation using the ε-constraint method and weighted sum approach. Given the NP-hard nature of the problem, an adaptive hybrid metaheuristic algorithm, termed PSO-ABA (Particle Swarm Optimization-Adaptive Bat Algorithm), is developed by integrating the global search mechanism of PSO with the frequency-tuning capabilities of the Bat Algorithm (BA). Subsequently, an adaptive hybrid metaheuristic algorithm, termed PSO-ABA, is developed, which leverages the integration of two complementary global search mechanisms based on Particle Swarm Optimization (PSO) and the Adaptive Bat Algorithm (ABA). In this algorithm, the task of updating the robot’s position is assigned to the ABA, while the PSO is focused on tuning the appropriate parameters. The proposed algorithm addresses several key aspects. First, it aims to develop a trajectory in real space by modifying the existing relationships within the Bat Algorithm. This modification ensures that the robot’s movement is directed as closely as possible toward the target path while minimizing abrupt turns. Second, by enhancing the fitness function, the algorithm prevents the robot’s position from being updated when it is within obstacles, effectively eliminating invalid paths. Performance evaluation in simulated environments with complex obstacle arrangements demonstrates that the proposed framework outperforms conventional routing methods in achieving optimal paths for robots.
[1] Tran, V.P., Perera, A., Garratt, M.A., Kasmarik, K. and Anavatti, S.G., 2023. Coverage path planning with budget constraints for multiple unmanned ground vehicles. IEEE Transactions on Intelligent Transportation Systems, 24(11), pp.12506-12522.
[2] Anwit, R., Jana, P.K. and Obaidat, M.S., 2023. Obstacle adaptive smooth path planning for mobile data collector in the internet of things. IEEE Transactions on Sustainable Computing, 8(4), pp.727-738.
[3] Joon, A. and Kowalczyk, W., 2021. Design of autonomous mobile robot for cleaning in the environment with obstacles. Applied Sciences, 11(17), p.8076
[4] Goerzen, C., Z. Kong, and B. Mettler, A survey of motion planning algorithms from the perspective of autonomous UAV guidance. Journal of Intelligent and Robotic Systems, 2010. 57(1): p. 65-100.
[5] Viet, H.H., S.H. An, and T.C. Chung, Dyna-Q-based vector direction for path planning problem of autonomous mobile robots in unknown environments. Advanced Robotics, 2013. 27(3): p. 159-173.
[6] Zhang, H.-y., W.-m. Lin, and A.-x. Chen, Path planning for the mobile robot: A review. Symmetry, 2018. 10(10): p. 450.
[7] Liang, W., Research on Robot Path Planning for Dynamic Environment and Cooperation. 2010, Zhejiang University Hangzhou, China.
[8] Wu, Y., A survey on population-based meta-heuristic algorithms for motion planning of aircraft. Swarm and Evolutionary Computation, 2021. 62: p. 100844.
[9] Ab Wahab, M.N., S. Nefti-Meziani, and A. Atyabi, A comparative review on mobile robot path planning: Classical or meta-heuristic methods? Annual Reviews in Control, 2020. 50: p. 233-252.
[10] D. Karaboga, “An Idea based on Honey Bee Swarm for Numerical Optimization, ”Technical Report, Erciyes University, Engineering Faculty, Computer Engineering Department, pp. 1-10, 2005.
[11] . B. Wu and C. Qian, ‟ Differential Artificial Bee Colony Algorithm for Global Numerical Optimization,” Journal of Computer, vol. 6, no. 5, pp.841-848 May 2011.
[12] Abbas, N.H. and F.M. Ali, Path planning of an autonomous mobile robot using directed artificial bee colony algorithm. International Journal of Computer Applications, 2014. 96(11).
[13] Ajeil, F.H., et al., Grid-based mobile robot path planning using aging-based ant colony optimization algorithm in static and dynamic environments. Sensors, 2020. 20(7): p. 1880.
[14] Sierakowski, C.A. and Coelho, L.D.S., 2005, July. Study of two swarm intelligence techniques for path planning of mobile robots. In 16th IFAC world congress, Prague.
[15] Sierakowski, C.A. and Coelho, L.D.S., 2006. Path planning optimization for mobile robots based on bacteria colony approach. In Applied soft computing technologies: The challenge of complexity (pp. 187-198). Springer Berlin Heidelberg.
[16] Abdi, M.I.I., Khan, M.U., Güneş, A. and Mishra, D., 2020. Escaping local minima in path planning using a robust bacterial foraging algorithm. Applied Sciences, 10(21), p.7905.
[17] Song, B., Z. Wang, and L. Zou, An improved PSO algorithm for smooth path planning of mobile robots using continuous high-degree Bezier curve. Applied Soft Computing, 2021. 100: p. 106960.
[18] Ibraheem, I.K. and F.H. Ajeil, Path planning of an autonomous mobile robot using swarm based optimization techniques. Al-Khwarizmi Engineering Journal, 2016. 12(4): p. 12-25.
[19] Nezamabadi-pour H, Soleimanpour-moghadam M. Multi-robot Path Planning in a 3D Environment by Modified Particle Swarm Optimization Algorithm. Journal of Iranian Association of Electrical and Electronics Engineers. 2022 Jul 10;19(3):163-74.
[20] Yang, X.-S., Bat algorithm for multi-objective optimisation. International Journal of Bio-Inspired Computation, 2011. 3(5): p. 267-274.
[21] Saraswathi, M., G.B. Murali, and B. Deepak, Optimal path planning of mobile robot using hybrid cuckoo search-bat algorithm. Procedia computer science, 2018. 133: p. 510-517.
[22] Ajeil, F.H., Ibraheem, I.K., Humaidi, A.J. and Khan, Z.H., 2021. A novel path planning algorithm for mobile robot in dynamic environments using modified bat swarm optimization. The Journal of Engineering, 2021(1), pp.37-48.
[23] Ajeil, F.H., et al., Multi-objective path planning of an autonomous mobile robot using hybrid PSO-MFB optimization algorithm. Applied Soft Computing, 2020. 89: p. 106076.
[24] Sakcak, B. and LaValle, S.M., 2021, May. Complete path planning that simultaneously optimizes length and clearance. In 2021 IEEE International Conference on Robotics and Automation (ICRA) (pp. 10100-10106). IEEE.