基于改進人工蜂群算法的核電巡檢機器人路徑優化策略設計

王遠國，俞海兵，李云臣，卓廉程，曹洋

（大亞灣核電運營管理有限責任公司，廣東深圳 518124）

隨著人工智能技術的高速發展，智能機器人在工業制造、搶險救災、物流貨運與廠站巡檢等領域的應用較為廣泛[1-3]。當前，核電站的巡檢仍主要依賴于人工巡檢。但傳統人工巡檢存在工作量較大、設備異常狀態易被誤判及危險環境對工作人員人身安全威脅較大等缺點[4-5]。因此，將機器人應用于核電站的巡檢工作已逐漸成為一種必然趨勢。

智能巡檢機器人可利用其攜帶的紅外、紫外、圖像與超聲波等先進傳感器技術，來實現對核電站設備運行狀態的監測，并能夠極大地減少人工投入及誤判率[6-8]。由于核電站設備種類繁多、環境復雜，如何對巡檢機器人的路徑進行優化，減少巡檢路徑，從而提高巡檢效率，是亟待解決的關鍵問題之一。針對上述問題，該文提出了一種改進的人工蜂群算法，并將其應用于核電巡檢機器人的路徑規劃中，以提高機器人的巡檢效率。

1 蜂群算法

1.1 基本原理

人工蜂群（Artificial Bee Colony，ABC）算法是一種模擬蜜蜂群體搜尋花蜜覓食行為模式的啟發式智能算法。該算法參數設置少，且搜索收斂速度較快，因此能夠在一定程度上跳出局部最優解，從而避免算法早熟，故受到了廣大研究學者的青睞[9-10]。

ABC 算法與優化問題求解的對應關系如表1 所示。其核心思想是模擬引領蜂、跟隨蜂與偵查蜂對蜜源搜索的過程：隨機生成初始蜜源位置，并分配給引領蜂；其會對蜜源進行鄰近搜尋，以發現新蜜源；引領蜂將蜜源信息傳遞給跟隨蜂，該蜂從引領蜂的蜜源中選取一個蜜源，并進行領域搜尋；當引領蜂在一個蜜源位置進行多次領域搜尋而未找到新的蜜源時，則舍棄該蜜源；此時引領蜂轉為偵查蜂，并隨機生成新的蜜源位置，且重復上述搜尋過程。

表1 算法優化參數對應關系

假設蜂群種群規模為S，其中有M個引領蜂，通常取M=S/2，最大更新迭代次數為Gmax，迭代控制參數為ε，待求解優化問題的解空間維度為D，則ABC算法主要步驟如下[11-12]：

1）初始蜜源生成

首先在優化問題的D維解空間中隨機生成M個初始蜜源位置并分配給引領蜂，則第i個蜜源為：

式（1）中，xij為第i個蜜源第j維的取值，其計算方式如下：

式（2）中，rij為區間(0,1)范圍內的隨機數；xj,max和xj,min分別為第j維解空間的上下限。

2）領域搜尋更新

引領蜂在蜜源位置進行領域搜尋，得到新的蜜源位置Vi=[vi1,vi2,…,vij,…,viD]，搜尋方法如下：

式（3）中，vij為領域搜尋生成新蜜源Vi的第j維取值；xkj為第k個蜜源第j維的取值，k為在集合{1,2,…,M}中生成的隨機數；φij為[0,1]范圍內生成的隨機數。

進一步，引領蜂根據貪婪原則更新蜜源，更新機制如下：

式（4）中，f(·)為蜜源適應度函數。

3）跟隨蜂選擇蜜源

在引領蜂進行一次領域搜尋后，每個跟隨蜂根據輪盤賭原則從當前蜜源集合中選取其中一個，并按照上述步驟2）進行一次領域搜尋更新。

基于輪盤賭原則的選擇過程：隨機生成一個隨機數，若該隨機數小于該蜜源被選擇的概率pi，則該蜜源將被選中。蜜源被選擇的概率計算如下：

4）全局更新原則

按照上述步驟進行解空間的搜尋，當一處蜜源位置在進行ε次領域搜尋后，其位置仍未得到更新，則舍棄該蜜源，引領蜂轉變為偵查蜂。偵查蜂根據式（1）隨機生成新的蜜源位置，重新轉變為引領蜂，繼續按照上述步驟依次循環執行，直至滿足迭代終止條件為止。

1.2 算法改進

針對傳統算法存在收斂速度慢、容易陷入早熟的缺點[13]，該文提出了一種改進的蜂群（Improved Artificial Bee Colony，IABC）算法，具體的改進方法如下：

1）改進的領域搜尋方法

在傳統的ABC 算法中，蜂群在進行領域搜尋時，根據隨機選取的蜜源位置及[0,1]范圍內隨機控制參數進行搜尋。該種方式具有較大的盲目性，且大幅降低了算法的收斂速度。因此該文提出一種改進的領域搜尋方法，引入最佳蜜源位置與等距控制參數，整體提高算法的收斂速度。

Xbest=[xbest,1,xbest,2,…,xbest,j,…,xbest,D]為當前最優蜜源，對于蜜源位置Xi，根據改進領域搜尋方法，生成位置Vi=[vi1,vi2,…,vij,…,viD]和Ui=[ui1,ui2,…,uij,…,uiD]，然后從Xi、Vi和Ui中選擇最優蜜源進行Xi的更新如下：

式（6）中，β為等距控制參數，其計算法方式如下：

式中，g為當前迭代次數。

2）改進的蜜源選取方法

傳統ABC 算法中，跟隨蜂采用輪盤賭原則來選取蜜源，這意味著蜜源適應度值越高，其被選取的概率也越高。進而也會使蜂群陷入適應度值較高的局部最優解，并導致算法過于早熟。因此，該文提出了一種改進的并行蜜源選取方法：在按照式（4）選取蜜源Xi的同時，按式（8）所得到的概率pj來選取另一個蜜源Xj，跟隨蜂再根據Xi和Xj并行進行領域搜尋，pj計算如下：

3）改進的全局更新方法

傳統ABC 算法通過全局更新原則，實現了在解空間范圍內的隨機搜尋，但這種方法大幅降低了搜尋效率。文提出了一種基于花香濃度的全局更新方法：即在偵查蜂生成蜜源位置時，搜尋的方向并非隨機，而是按照解空間不同維度的花香濃度有所側重地選擇搜尋方向。改進的全局更新方法如下：

式（9）中，γj為第j維解空間的搜尋權重，其計算方法為：

式（10）中，qj為第j維解空間的花香濃度。

2 核電巡檢機器人路徑規劃

2.1 核電站巡檢環境建模

該文采用柵格法對核電站巡檢環境進行建模[14]，根據巡檢機器人的行進步長l，將巡檢范圍劃分為柵格，X軸和Y軸的柵格數分別為：

JEV P3株C基因的PCR擴增產物經瓊脂糖凝膠電泳檢測的結果如圖1，C基因大小約381 bp，與理論大小相符。

式中，lx,max和ly,max分別為X軸與Y軸方向機器人巡檢范圍的最大距離。

如圖1 所示，將劃分后的柵格進行編號，使該編號與柵格位置坐標形成逐一對應關系，則柵格編號h與其坐標的對應關系為：

圖1 基于柵格法的巡檢環境

其中，mod(·)和int(·)分別為求余及取整函數。

2.2 機器人路徑優化模型

核電站巡檢機器人路徑規劃問題為：按照一定的評價標準為機器人搜尋從起始節點到目的節點的最優路徑[15-16]。該文按照式（13）建立路徑優化問題的目標函數：

式（13）中，f為目標函數值；L為路徑的總長度；P為與路徑到障礙物最短距離相關的懲罰值。

L的計算方式如下：

式中，(xi,yi)為路徑中的第i個節點，A為路徑中的節點總數。P的計算方式如下：

2.3 基于IABC的路徑優化求解方法

基于所提IABC 算法的核電巡檢機器人路徑優化求解流程如圖2 所示。

圖2 路徑優化求解流程

3 算例分析

以某核電站的實際場景為基礎進行仿真驗證，將核電站巡檢范圍劃分為15×15 的柵格，應用所提算法進行巡檢機器人的路徑規劃。

3.1 算法性能對比分析

為驗證該文所提算法與傳統算法的性能優劣，將其應用于該核電站巡檢機器人的路徑規劃。

基于ABC 算法的路徑規劃結果如圖3 所示，該路徑總長度為29.88（以單元格為單位），迭代次數為213 次。而基于IABC 算法的路徑規劃結果如圖4 所示，該路徑總長度為21.03，迭代次數為67 次。對比圖3 和圖4 可知，基于傳統ABC 算法的路徑規劃結果轉折點更多，路徑總長度也更長；而所提IABC 算法的路徑規劃結果轉折點較少，路徑長度也較短。

圖3 基于ABC算法的路徑規劃結果

圖4 基于IABC算法的路徑規劃結果

3.2 算法穩定性對比

為進一步驗證所提算法的穩定性，該文采用ABC 與IABC 算法分別進行10 次計算，算法的各項指標對比如表2 所示，其數值均以單元格為單位。

表2 算法的穩定性對比

由表2 可知，相比于傳統ABC 算法，該文方法得到的路徑總長度更短、標準差更小、迭代次數也更少。因此，所提方法在收斂速度、穩定性及全局尋優能力方面均具有更出色的性能。

4 結束語

該文針對核電站巡檢機器人的路徑優化問題，在傳統ABC 算法的基礎上，提出了一套相應的改進方案。通過仿真實驗結果表明，該文算法不但規劃出的路徑短，而且標準差和計算開銷也較小。但該文方法僅適用于靜態巡檢機器人的路徑規劃，無法解決實際巡檢過程中應對突發情況的實時路徑規劃問題，需在下一步的研究中展開。