La planificación de rutas se utiliza ampliamente en muchos campos. Las aplicaciones en campos de alta tecnología incluyen: acciones autónomas sin colisiones de robots; evasión de obstáculos y vuelo de penetración de vehículos aéreos no tripulados: misiles de crucero para evitar búsquedas de radar, prevenir ataques de rebote y completar misiones de penetración y voladura. Las aplicaciones en la vida diaria incluyen: navegación GPS; planificación de carreteras basada en sistemas GIS: planificación y navegación de redes de carreteras urbanas. Las aplicaciones en el campo de la gestión de decisiones incluyen: problemas de vehículos (VRP) en la gestión logística y problemas similares de asignación de recursos en la gestión de recursos. Problemas de enrutamiento en el campo de la tecnología de la comunicación, etc. Todos los problemas de planificación que pueden ser topológicamente redes de líneas de puntos pueden resolverse básicamente mediante la planificación de rutas.
Introducción básica Nombre chino: Planificación de rutas mbth: Categoría de planificación de rutas: Tecnología de la información electrónica Campos de aplicación: alta tecnología, vida diaria, gestión logística, etc. Algoritmos comunes: algoritmo de Dijkstra, algoritmo genético y otros problemas de planificación de rutas clasificación, pasos generales de la planificación de rutas, algoritmos de uso común, algoritmos tradicionales, métodos gráficos, algoritmos biónicos inteligentes, aplicación de la planificación de rutas, planificación de rutas más cortas de dominio discreto, planificación de rutas óptimas ergódicas de dominio discreto, planificación de rutas globales de dominio continuo, ruta local de dominio continuo Planificación, planificación de rutas transversales de dominio continuo, desarrollo futuro de la planificación de rutas, clasificación de los problemas de planificación de rutas. Según el grado de dominio de la información ambiental, la planificación de rutas se puede dividir en planificación de rutas global basada en información completa previa y planificación de rutas local basada en. información de los sensores. Entre ellos, desde la perspectiva de si la información del obstáculo es estática o dinámica, la planificación de ruta global pertenece a la planificación estática (también llamada planificación fuera de línea) y la planificación de ruta local pertenece a la planificación dinámica (también llamada planificación en línea). La planificación de rutas globales requiere dominar toda la información ambiental y planificar la ruta en función de toda la información en el mapa ambiental. La planificación de rutas locales solo requiere sensores para recopilar información ambiental en tiempo real, comprender la información del mapa ambiental y luego determinar la ubicación del mapa y local; distribución de obstáculos, y luego puede elegir comenzar desde la situación actual. La ruta óptima desde un nodo hasta un nodo secundario. De acuerdo con las características de la información del entorno bajo estudio, la planificación de rutas también se puede dividir en problemas de planificación de rutas de dominio discreto y problemas de planificación de rutas de dominio continuo. El problema de planificación de rutas en el dominio discreto es un problema de optimización estática unidimensional, que es equivalente al problema de optimización de rutas después de simplificar la información ambiental. El problema de planificación de rutas en un dominio continuo es un problema en un entorno dinámico multidimensional continuo. Los pasos generales de la planificación de trayectorias son problemas generales de planificación de trayectorias en dominios continuos, como los problemas de planificación dinámica de trayectorias para robots y aviones. Los pasos generales incluyen principalmente tres enlaces: modelado del entorno, búsqueda de rutas y suavizado de rutas. (1) Modelado ambiental. El modelado del entorno es una parte importante de la planificación de rutas. Su propósito es establecer un modelo de entorno que sea conveniente para que las computadoras lo utilicen en la planificación de rutas, es decir, abstraer el espacio físico real en un espacio abstracto que el algoritmo pueda procesar y realizar el mapeo entre los dos. (2) Búsqueda de ruta. En la etapa de búsqueda de camino, se aplica el algoritmo correspondiente basado en el modelo ambiental para encontrar el camino a pie, de modo que la función de rendimiento predeterminada pueda obtener el valor óptimo. (3) El camino es llano. El camino buscado por el algoritmo correspondiente no es necesariamente un camino factible que el cuerpo en movimiento pueda recorrer, y se necesita más procesamiento y suavizado para que sea un camino práctico y factible. Para problemas de planificación de rutas en el dominio discreto, o problemas en los que se ha realizado un análisis de viabilidad de rutas antes del modelado del entorno o la búsqueda de rutas, se puede omitir el enlace de suavizado de rutas. Existen muchos algoritmos de uso común para la planificación de rutas y sus alcances aplicables varían según sus respectivas ventajas y desventajas. Según la investigación sobre algoritmos de planificación de rutas comunes en varios campos, y de acuerdo con el orden de descubrimiento y los principios básicos de varios algoritmos, los algoritmos se dividen aproximadamente en cuatro categorías: algoritmos tradicionales, métodos gráficos, algoritmos biónicos inteligentes y otros algoritmos. Algoritmos tradicionales Los algoritmos tradicionales de planificación de rutas incluyen algoritmos de recocido simulados, métodos de campo de potencial artificial, algoritmos de lógica difusa y algoritmos de búsqueda tabú. (1) El algoritmo de recocido simulado es un algoritmo aproximado eficaz para resolver problemas de optimización combinatoria a gran escala. Imita el proceso de recocido de la materia sólida, controla la disminución continua de la temperatura estableciendo la temperatura inicial, el estado inicial y la velocidad de enfriamiento, y combina las características de los saltos de probabilidad para utilizar la estructura de vecindad del espacio de solución para realizar búsquedas aleatorias. Tiene las ventajas de una descripción simple, uso flexible, alta eficiencia operativa y pocas condiciones iniciales. Sin embargo, tiene las desventajas de una velocidad de convergencia lenta y una alta aleatoriedad. La configuración de parámetros es un vínculo clave en el proceso de solicitud. (2) El método del campo de potencial artificial es un método de fuerza virtual.
Simula el movimiento de objetos bajo repulsión por gravedad, utilizando la gravedad entre el punto objetivo y el cuerpo en movimiento y la repulsión entre el cuerpo en movimiento y los obstáculos para optimizar el camino estableciendo la función de repulsión del campo gravitacional. La ventaja es que la ruta planificada es fluida, segura y simple de describir, pero existen problemas de optimización local. El diseño del campo gravitatorio es clave para la aplicación exitosa del algoritmo. (3) La red de algoritmos de lógica difusa simula la experiencia de conducción del conductor, combina percepción y movimientos fisiológicos y obtiene información de planificación a través de la búsqueda en tablas basada en la información del sensor en tiempo real del sistema para lograr la planificación de la ruta. El algoritmo se ajusta a los hábitos de pensamiento de las personas, elimina el modelado matemático, facilita la conversión del conocimiento experto en señales de control y tiene buena consistencia, estabilidad y continuidad. Sin embargo, las reglas difusas son difíciles de generalizar y, una vez determinadas, son difíciles de ajustar en línea y tienen poca adaptabilidad. Las funciones de membresía óptimas, las reglas de control y los métodos de ajuste en línea son los mayores problemas. (4) El algoritmo de búsqueda tabú (TS) es un algoritmo de optimización global paso a paso y una simulación del proceso de inteligencia humana. Al introducir una estructura de almacenamiento flexible y las correspondientes reglas de promoción, se logra la optimización global evitando búsquedas para asistir a reuniones y absolviendo algunos estados excelentes urgentes al incumplir las pautas. Los algoritmos gráficos tradicionales suelen ser difíciles de modelar cuando se resuelven problemas prácticos, mientras que los métodos gráficos proporcionan un método básico para el modelado. Los métodos gráficos generalmente tienen capacidades de búsqueda insuficientes y, a menudo, deben combinarse con algoritmos de búsqueda especiales. Los métodos gráficos incluyen: método de espacio C, método de cuadrícula, método de espacio libre, método de diagrama de Voronoi, etc. (1) El método del espacio C también se llama método del espacio visual, que consiste en expandir los obstáculos en polígonos en el espacio de movimiento y tomar las líneas rectas factibles entre el punto inicial y el punto final del polígono y todos los vértices (la conexión a través de los obstáculos) como rango de ruta, busque el camino más corto. La ventaja del método del espacio C es que es intuitivo y fácil de encontrar el camino más corto. La desventaja es que una vez que cambian el punto de partida y el punto de destino, es necesario reconstruir la visibilidad, lo que resulta en una falta de flexibilidad. Es decir, su capacidad de planificación de rutas locales es pobre y es adecuada para la planificación de rutas globales y la planificación de rutas de dominio continuo. Especialmente adecuado para el modelado de entornos en la planificación de rutas globales. (2) El método del espacio libre utiliza formas básicas predefinidas (como conos generalizados, polígonos convexos, etc.) para construir el espacio libre, representa el espacio libre como un gráfico conectado y luego busca en el gráfico la planificación de rutas. Debido a que los cambios en el punto inicial y final solo equivalen a cambios en sus posiciones en el espacio libre construido, solo es necesario reposicionarlos y no es necesario volver a dibujar todo el diagrama. La desventaja es que muchos obstáculos aumentarán la complejidad del algoritmo, lo que dificultará su implementación. (3) Método de cuadrícula, es decir, se utiliza una cuadrícula codificada para representar el mapa y las cuadrículas que contienen obstáculos se marcan como cuadrículas de obstáculos; de lo contrario, son cuadrículas libres y la búsqueda de ruta se realiza sobre esta base. El método de la cuadrícula se utiliza a menudo como técnica de modelado del entorno para la planificación de rutas. Como método de planificación de rutas, es difícil resolver problemas complejos de información ambiental y, por lo general, debe combinarse con otros algoritmos inteligentes. (4) El diagrama de Voronoi es la estructura de datos básica sobre la proximidad espacial. Divide el espacio a través de algunos gráficos básicos llamados elementos y determina los lados de los elementos a través de líneas verticales entre cada dos puntos. Finalmente, todo el espacio se divide en un diagrama de Voronoi compacto y luego se utiliza el algoritmo para optimizar la búsqueda. polígonos. Una red de caminos compuesta de aristas. La ventaja es que los obstáculos se pueden evitar de manera efectiva rodeándolos en elementos. Redibujar el mapa de defectos lleva tiempo y no es adecuado para entornos dinámicos grandes. Cuando los algoritmos biónicos inteligentes abordan problemas de planificación de rutas bajo información ambiental dinámica compleja, la inspiración de la naturaleza a menudo juega un papel muy bueno. Los algoritmos biónicos inteligentes son algoritmos descubiertos a través de la investigación biónica. Los más utilizados incluyen: algoritmo de colonia de hormigas, algoritmo de red neuronal, algoritmo de optimización de enjambre de partículas, algoritmo genético, etc. (1) La idea del algoritmo de colonia de hormigas (ACA para abreviar) proviene de la exploración del comportamiento de búsqueda de alimento de las colonias de hormigas. Cuando cada hormiga busca comida, deja una cierta concentración de feromonas en el camino que toma. El camino más corto dentro del mismo período de tiempo tiene una alta concentración de feromonas debido a la gran cantidad de hormigas que lo atraviesan. Las siguientes hormigas elegirán un camino en función de la concentración de feromonas, que actúa como una retroalimentación positiva. Se encontrará rápidamente una alta concentración de feromonas. Este algoritmo simula el comportamiento de búsqueda de alimento de las colonias de hormigas y logra el objetivo mediante iteración. Tiene las ventajas de una fuerte capacidad de optimización global, paralelismo intrínseco y una fácil implementación informática. , Pero la cantidad de cálculo es grande y es fácil caer en la solución óptima local, pero se puede mejorar agregando hormigas de élite. (2) El algoritmo de red neuronal es un algoritmo excelente en el campo de la inteligencia artificial. Simula principalmente el comportamiento de las redes neuronales animales y realiza un procesamiento de información paralelo distribuido. Sin embargo, su aplicación en la planificación de rutas no tuvo éxito porque es difícil utilizar fórmulas matemáticas para describir el entorno complejo y cambiante en la planificación de rutas.
Si se utiliza una red neuronal para predecir puntos fuera del espacio de distribución de la muestra de aprendizaje, el efecto será muy pobre. Aunque las redes neuronales tienen excelentes capacidades de aprendizaje, su defecto fatal es la escasa capacidad de generalización. Sin embargo, debido a su gran capacidad de aprendizaje y buena robustez, su combinación con otros algoritmos se ha convertido en un punto de investigación en el campo de la planificación de rutas. (3) El algoritmo Geic (GA) es una rama importante de la ciencia de la inteligencia artificial y un modelo computacional que simula la selección genética darwiniana y la selección natural. Sus ideas se originan en las leyes naturales de la herencia biológica y la supervivencia del más apto. Es un algoritmo de búsqueda iterativo basado en los principios de la genética. La mayor ventaja es que es fácil de combinar con otros algoritmos para aprovechar al máximo sus ventajas iterativas. La desventaja es que la eficiencia operativa no es alta y no es tan buena como el algoritmo de colonia de hormigas, pero su algoritmo mejorado también es el foco de la investigación actual. Aplicación de planificación de rutas La planificación de rutas tiene una amplia gama de aplicaciones, tales como planificación de rutas de brazos robóticos, planificación de rutas de aviones, planificación de rutas de misiles de crucero, planificación de rutas del problema del viajante (TSP) y su vehículo derivado (VRP), planificación de rutas de ensamblaje virtual, planificación de rutas Planificación de rutas basada en red, mapa electrónico Búsqueda y planificación de rutas de navegación GPS, problemas de rutas, etc. El problema de planificación de ruta más corta de dominio discreto pertenece al problema de planificación de ruta más corta de dominio discreto, como problemas de planificación de ruta basados en redes de carreteras, búsqueda de ruta de navegación CPS y problemas de planificación en mapas electrónicos, problemas de enrutamiento, etc. (1) La planificación de rutas basada en la red de carreteras y la navegación GPS basada en mapas electrónicos pueden considerarse como un problema de planificación de rutas basado en SIG (Sistema de Información Geográfica). La forma de resolver estos problemas es extraer la información de la carretera requerida a partir de información de datos compleja, utilizar las intersecciones como nodos y la información de la carretera como información de la ruta, construir una red topológica de información de la ruta compleja y ubicar el punto de partida y el punto de destino en esta red topológica. Para dos nodos, se utiliza un algoritmo de búsqueda de ruta para planificar la optimización de la ruta más corta. (2) Las cuestiones de enrutamiento son el foco de la investigación sobre tecnologías de la comunicación. La función principal del problema de enrutamiento es transmitir sin problemas información de datos desde el nodo de origen al nodo de destino. De acuerdo con los requisitos de diseño de Qos, se pueden establecer diferentes pesos en la ruta y se pueden definir parámetros de ruta. Busque de manera estable y eficiente la ruta óptima en la topología de la red y agréguela rápidamente. Control de congestión de la red en tiempo real, enrutamiento dinámico basado en condiciones específicas. (3) Desde la perspectiva de la planificación del camino más corto, las características de este tipo de problema son similares. Todos ellos son problemas de planificación de ruta óptima desde un nodo inicial conocido hasta un nodo de destino cuando se conoce la información de la ruta (número de nodos, información de parámetros de ruta, estructura de topología, etc.). ). La información de ruta es principalmente información estática. Incluso si la información cambia, el algoritmo inteligente tiene la capacidad suficiente para hacer planes de emergencia oportunos. Los algoritmos más utilizados incluyen: algoritmo de Dijkstra, algoritmo de búsqueda A*, algoritmo de recocido simulado, algoritmo de colonia de hormigas, algoritmo genético, algoritmo de optimización de enjambre de partículas, algoritmo de Floyd, algoritmo de respaldo, etc. El problema de la ruta óptima transversal del dominio discreto pertenece al problema de la ruta óptima transversal del dominio discreto, incluida la planificación de la ruta de ensamblaje virtual, el problema del viajante de comercio (TSP), varios problemas de vehículos (VRP) y los problemas logísticos derivados de ellos. Porque el núcleo de la planificación de la ruta del ensamblaje virtual es la planificación de la secuencia del ensamblaje, y la planificación de la secuencia es un problema típico de TSP. Las características generales de este tipo de problema son: la información de la ruta conocida es información estática. Para el problema de la bicicleta, el punto de partida es único, el nodo objetivo final es el punto de partida y hay varios nodos secundarios en el medio. Se requiere que el vehículo comience desde el punto de partida con el camino más corto, atraviese todos los nodos secundarios y regrese al punto de partida. Por supuesto, algunos problemas apuntan al menor tiempo o al menor costo, por lo que la información de ruta correspondiente se puede ajustar a la información de tiempo de ruta o a la información de costo de ruta, y los nodos correspondientes permanecen sin cambios. Además, existe el problema de control general de múltiples vehículos, múltiples puntos de partida y la consideración de la carga y otros factores, que es una extensión del problema de planificación de rutas basado en vehículos scooter. Los algoritmos inteligentes comúnmente utilizados para resolver tales problemas de ruta incluyen: algoritmo de colonia de hormigas, algoritmo de búsqueda tabú, algoritmo de recocido simulado, algoritmo de red neuronal, algoritmo genético, algoritmo de optimización de enjambre de partículas, etc. El problema de planificación de ruta global en dominio continuo pertenece al gráfico de planificación de ruta global en dominio continuo. Estos problemas incluyen la planificación de trayectorias de movimiento autónomo para brazos robóticos, la planificación de trayectorias para vehículos aéreos no tripulados y la planificación de trayectorias para misiles de crucero. Desde la perspectiva de la planificación de rutas, este tipo de problema es cómo evitar obstáculos y encontrar el camino más corto hacia el destino dentro de un rango seguro cuando la información ambiental es conocida y estacionaria. La solución de estos problemas a menudo depende de una combinación de algoritmos inteligentes y modelos ambientales. Los algoritmos de planificación de rutas aplicados directamente a tales problemas incluyen: método de visibilidad, método de espacio libre, método de diagrama de Voronoi, método de cuadrícula, método de función de penalización, algoritmo de recocido simulado, etc.
Los algoritmos inteligentes indirectos incluyen: algoritmo de búsqueda A*, algoritmo de colonia de hormigas, algoritmo genético, algoritmo de optimización de enjambre de partículas, método de campo de potencial artificial, etc. Planificación de rutas locales en el dominio continuo Los campos de aplicación de la planificación de rutas locales y la planificación de rutas globales en el dominio continuo son básicamente los mismos. Se enfrentan a diferentes entornos y resuelven diferentes problemas de campo de aplicación. La planificación local tiene como objetivo la información ambiental dinámica y en tiempo real. Es una planificación en línea y requiere buenos algoritmos en tiempo real, eficientes y estables. Es el foco de la investigación actual. Los algoritmos de planificación de rutas para este tipo de problemas incluyen: algoritmo de colonia de hormigas, algoritmo genético, algoritmo de enjambre de partículas, algoritmo de búsqueda A*, método de campo de potencial artificial, algoritmo de enjambre de partículas cuánticas, algoritmo de red neuronal, etc. Planificación continua de rutas transversales de dominio La planificación continua de rutas transversales de dominio se utiliza principalmente para robots de limpieza, cortadoras de césped, robots de barrido de minas, robots de búsqueda y rescate, detectores de minerales, etc. Su característica es que el robot necesita cubrir cada rincón del área de trabajo en el camino más corto, requiriendo máxima cobertura y mínima tasa de repetición. Para resolver este tipo de problemas, primero es necesario modelar el entorno. El método más utilizado es el método de cuadrícula. Más tarde, Neumann de Carvalho y otros inventaron el método del modelo de plantilla. Los algoritmos comúnmente utilizados para resolver este tipo de problemas incluyen: algoritmo de red neuronal, algoritmo A*, algoritmo genético, algoritmo de optimización de enjambre de partículas, algoritmo de colonia de hormigas, etc. El desarrollo de la planificación de rutas futuras Con el desarrollo continuo de la ciencia y la tecnología, el entorno de la tecnología de planificación de rutas se volverá más complejo y cambiante. Esto requiere que el algoritmo de planificación de rutas tenga la capacidad de responder rápidamente a cambios ambientales complejos. Este no es un problema que actualmente pueda resolverse mediante un algoritmo único o unilateral. Por lo tanto, en la tecnología de planificación de rutas del futuro, además de la investigación y el descubrimiento de nuevos algoritmos de planificación de rutas, también existen los siguientes aspectos dignos de atención: (1) Mejora de los algoritmos avanzados de planificación de rutas. Cualquier algoritmo tiene muchas dificultades en la aplicación práctica, especialmente sus propias limitaciones. Por ejemplo, el algoritmo A*, como algoritmo de búsqueda heurística, tiene las características de buena robustez y velocidad de respuesta rápida, pero aún tiene deficiencias en aplicaciones prácticas. En vista de las deficiencias del algoritmo A* en la planificación de rutas de vehículos aéreos no tripulados, Li Ji et al propusieron un algoritmo A* mejorado, que resolvió el problema de que el algoritmo A* era difícil de cumplir con la restricción de vuelo directo y la restricción del radio de giro mínimo. de la aeronave. (2) Una combinación eficaz de algoritmos de planificación de rutas (es decir, algoritmo híbrido). Es imposible que un solo algoritmo de planificación de rutas resuelva todos los problemas prácticos de planificación de rutas, especialmente cuando están involucrados nuevos problemas interdisciplinarios. La investigación sobre nuevos algoritmos es difícil y las ventajas complementarias de los algoritmos de planificación de rutas brindan la posibilidad de resolver este problema. Para el problema de planificación de rutas de múltiples estaciones espaciales, Jin et al combinaron el algoritmo de colonia de hormigas con el método de red neuronal para resolver el problema, evitando el problema mínimo local cuando se usa solo el algoritmo de red neuronal. (3) Combinación de tecnología de modelado ambiental y algoritmo de planificación de rutas. Sin embargo, los algoritmos sólo pueden hacer una cantidad limitada cuando se trata de información ambiental dinámica continua compleja bidimensional o incluso tridimensional. La combinación de una buena tecnología de modelado y excelentes algoritmos de planificación de rutas será una forma de resolver este problema. Como la combinación del método de cuadrícula y el algoritmo de colonia de hormigas, la combinación del método del espacio C y el algoritmo de Dijkstra. (4) Diseño de algoritmo de planificación de rutas paralelas de múltiples agentes. Con el desarrollo de la ciencia y la tecnología, se ha aplicado la colaboración paralela de múltiples agentes. Entre ellos, el problema del conflicto de rutas en la colaboración de múltiples robots y la colaboración de dos manipuladores ha atraído cada vez más atención. Cómo lograr una planificación de rutas sin colisiones se convertirá en uno de los puntos calientes de la investigación futura.