为解决障碍物环境与多目标约束下主动传感器网络自组织运动规划问题,提出了一种分阶段无碰撞运动规划方法。首先,将目标价值及距离代价转化为收益,以系统收益最大为目标,设计了一种基于拍卖算法的多目标选择机制。在每个传感器节点选择各自目标基础上,提出一种改进的快速扩展随机树算法。相比于传统的快速扩展随机树算法,所提出的改进算法引入了启发式函数,减少了不必要的轨迹路径,进而降低轨迹规划时间。最后,给出了主动传感器网络在不同障碍环境下的规划路径,验证了所提算法的优越性选择目标时更倾向于选择上一次选择的目标，所以提出在选择目标过程中，增大上一次选择目标的价值，如在第n次选择时，网络自组织运动规划-数控滚圆机滚弧机折弯机张家港电动滚圆机弯管机滚弧机机器人i选择了目标j，则在第n+1次选择时，目标j对于机器人i的价值就会发生改变:vij=V+εNj，(5)其中，V为目标初始价值，ε＞0为动态选择过程中目标j对于机器人i的价值增量。ε值确定的原则是当环境中目标点数目发生变化时不影响机器人对这种变化做出反应，也就是说机器人可以灵活更换目标点。这里确定ε范围为0＜ε＜V2。(6)改进拍卖算法流程如图1所示。

转载 机器人首先读入坐标信息，计算收益rij，并确定竞拍价格。拍卖平台由某一价格P(定义为目标初始价值V)开始叫价，当前叫价等于或小于机器人i出价vij时，机器人i将作出应答，并选择对应目标，增大该目标对于机器人i的价值，退出拍卖。同时，该机器人将所选择目标信息广播给系统中剩余机器人，剩余机器人接收到广播信息后，更新目标价值函数中的N值，并重新计算价值函数及收益函数。剩余机器人继续进行目标选择，直到所有机器人选择了目标后，系统的一次选择结束，准备进行下一轮选择。1．3改进拍卖算法分析通过在价值函数中加入增量ε后，机器人能保持选择固定目标，并且当监控场景目标数目发生变化时，能对该变化做出响应，及时更换目标。定理1当V=4Lmax+α，ε的大小满足公式(6)时，加入该增量并不影响机器人选择新增加的目标。其中，Lmax是机器人与目标最远距离，α是正实数。证明:(反证法)当系统中出现新目标w时，并且目标数目小于执行任务的机器人数量，新目标w未被机器人选择。其中，机器人i选择新目标w时代价为L网络自组织运动规划-数控滚圆机滚弧机折弯机张家港电动滚圆机弯管机滚弧机 转载