一种改进灰狼优化算法的移动机器人路径规划方法

针对移动机器人路径规划中存在易陷入局部最优、收敛速度慢、搜索路径消耗成本较大等问题,提出一种改进的灰狼优化算法对移动机器人进行路径规划。建立移动机器人避障路径规划二维空间模型,将灰狼优化算法中的线性收敛因子转变为非线性收敛因子,并将灰狼优化算法与粒子群算法结合,给予Omega狼意识;加入协同量子化优化灰狼群体;采用4类国际测试函数证明了改进算法在收敛精度、稳定性方面更优。将改进算法运用到移动机器人路径规划中,并与粒子群算法、原始灰狼优化算法进行对比,仿真结果验证了该算法的有效性。     

粒子群-蚁群融合算法的机器人路径规划

为了提升移动机器人在全局静态环境下搜寻到达指定目标点的最优路径的能力,提出一种粒子群算法和蚁群算法改进求解路径规划问题的融合算法。改进算法针对粒子群算法易陷入局部极值,利用蚁群算法获得全局最优路径;设置标识栅格,提升路径安全度;同时引入活跃因子增加粒子速度的多样性,根据粒子群算法最优解调整路径上信息素分布,解决蚁群算法中初始信息素缺乏的问题。融入简化算子,对路径做进一步处理,优化路径长度。仿真结果表明,融合算法具有较强的安全性以及改善了算法寻找最优解的能力。     

基于自适应变异粒子群优化算法的移动机器人路径规划

对路径规划中区域划分的建模方法进行改进,实现根据环境中障碍物的具体分布来自适应划分环境空间,将路径规划问题转化为带约束目标函数优化求解问题.针对粒子群算法的局部极小值问题,提出将自适应差分进化算子作为粒子群优化算法的自适应变异算子的改进方案.仿真结果表明:环境模型的自适应划分可以提高算法的搜索效率,缩短计算时间,使算法具有更好的实时性;加自适应变异算子的粒子群优化算法可以使目标函数快速跳出局部最优的束缚.     

基于改进鸽群算法与领航跟随法的无人车编队方法

针对无人车编队方法的不足，提出一种基于改进鸽群算法与领航跟随法的无人车编队方法。采用传统鸽群算法编队时有一定的局限性，故在算法初期提供一个初始解以提高计算效率，并在算法的地磁算子中加入相应的权重指标，提高算法在整体路径中的规划效率。在编队过程中，先利用改进鸽群算法为领航者规划出一条最优的路径，再运用领航跟随法控制每一辆跟随者以一定的距离和角度跟随领航者，从而实现以设定的队形运动。通过建立栅格地图进行仿真并在真实无人车上进行实际应用，验证该编队方法的可行性。结果表明：与量子粒子群优化算法与粒子群优化算法相比，改进的鸽群算法主要优势是最优路径短、运行时间短、收敛速率高。     

基于改进蚁群算法的机械臂焊接路径规划北大核心

针对传统蚁群算法在求解机械臂焊接路径过程中容易陷入局部最优,导致机械臂移动路径长、效率低等问题,提出一种改进蚁群算法。将焊点布局图进行转换并引入粒子群算法,通过编码的方法进行全局焊点路径寻优,引入全局最优路径片段及局部最优路径片段,改变信息素的更新方式。确定机械臂可视化范围并通过视觉反馈系统反馈障碍坐标,利用三维蚁群算法求解不同焊点间的路径,避免障碍发生。仿真结果表明,改进前算法及改进后算法规划路径长度分别为16379.5 mm和16298.6 mm,相比于改进前算法,改进后算法的路径长度缩短了0.47%,迭代次数减少了11.7%,同时改进算法可以在软件中应用且具有稳定性。     

基于改进粒子群算法的六自由度机械臂时间最优轨迹规划

针对六自由度机械臂时间最优轨迹规划问题,提出一种基于改进粒子群算法的4-3-4混合多项式插值轨迹规划算法。算法采用自适应惯性权重,它能根据搜索过程的各个阶段采用相应大小的权重,有利于跳出局部最优陷阱,保持粒子群多样性;以非线性学习因子代替传统粒子群算法中固定的学习因子,有效提高算法的收敛速度和求解精度。通过MATLAB进行仿真验证,结果表明改进粒子群算法收敛速度提高46%,寻优精度提高38%,同时机械臂轨迹规划时间缩短了大约36%,充分地证明了该轨迹规划算法的可靠性和优越性。     

一种改进粒子群算法及其在多目标冗余机器臂轨迹规划中的应用（英文）

针对5臂混凝土泵车臂架系统的冗余和原始粒子群算法存在的不足,提出了一种可以求解冗余臂架系统逆动力学问题的粒子群改进算法。改进的粒子群算法,对冗余臂架系统在有障碍和无障碍空间两种工况下的工作轨迹进行了规划,并分别考虑了多个不同重要程度的子目标。通过数值仿真和实验研究,验证了改进的粒子群算法的有效性。最后,通过与传统粒子群算法比较,进一步验证了所提出的改进粒子群算法的优越性。     

一种改进粒子群算法及其在多目标冗余机器臂轨迹规划中的应用

针对5臂混凝土泵车臂架系统的冗余和原始粒子群算法存在的不足,提出了一种可以求解冗余臂架系统逆动力学问题的粒子群改进算法.改进的粒子群算法,对冗余臂架系统在有障碍和无障碍空间两种工况下的工作轨迹进行了规划,并分别考虑了多个不同重要程度的子目标.通过数值仿真和实验研究,验证了改进的粒子群算法的有效性.最后,通过与传统粒子群算法比较,进一步验证了所提出的改进粒子群算法的优越性.     

一种基于量子风驱动优化算法的移动机器人路径规划

针对移动机器人路径规划过程中算法效率低、在复杂环境中自适应能力差、容易陷入局部最优的问题,将风驱动优化算法应用到路径规划中。首先使用包围点算法确定围绕关键障碍物的一组栅格点,在基于包围点算法生成初始路径后,使用量子风驱动算法对生成的路径进行优化。将风驱动优化算法与量子蝙蝠算法和量子粒子群算法分别在10张地图中进行测试,由测试数据可以看出量子风驱动算法在路径长度和算法效率上都优于其他两种算法。最后将3种算法应用到移动机器人中,风驱动优化算法的优势性与地图测试结果一致。     

基于状态转移规则改进蚁群算法的机器人路径规划

针对传统蚁群算法在全局路径规划中存在的收敛速度慢、局部最优解、算法优化能力低、种群多样性与收敛速度相互矛盾4种主要问题进行改进，提出了基于动态更新状态转移规则的蚁群算法。通过人工势场法改进启发函数，提高算法的优化能力；利用伪随机状态策略改进状态转移规则，提高了算法的收敛速度；引入动态信息素更新方式，解决局部最优问题，协调种群多样性与收敛速度的矛盾。利用剪枝法对改进后的路径规划算法进行优化。通过分步仿真、对比仿真的方法证明算法改进过程的合理性，提高了蚁群算法在路径规划中的性能。仿真结果表明，改进后算法的路径长度缩短44.08%,运算时间缩短45.13%,在解决4种问题的同时，有效提升了机器人全局路径的平滑性和安全性。     

基于混沌求偶萤火虫算法的移动机器人路径规划

针对传统萤火虫算法应用于移动机器人路径规划中存在陷入局部最优和搜索精度低的问题,提出一种基于混沌求偶萤火虫算法的移动机器人路径规划方法。设计一种混沌求偶荧火虫算法,该算法采用混沌映射策略初始化种群,优化种群分布不均和搜索范围不足问题;利用求偶学习策略指导雄性萤火虫向雌性萤火虫学习,提高算法的收敛速度和求解精度。建立移动机器人路径规划的环境仿真模型,应用混沌求偶萤火虫算法进行移动机器人路径规划仿真。仿真结果表明：混沌求偶萤火虫算法比传统萤火虫算法和粒子群算法在路径长度上分别减少了3.075%和2.428%,拥有更高的搜索精度和跳出局部最优的能力。     

大型三维复杂构件双机器人协同焊接智能路径规划方法

大型三维复杂构件是船舶、海洋装备、集装箱等的重要组成部分,其焊缝种类较多、空间分布复杂,部分焊缝存在协同同步弧焊焊接、焊接方向等特殊焊接工艺约束,现有协同焊接规划方法难适用于这类复杂场景。提出全局与局部相结合的双机器人协同焊接路径规划多阶段寻优方法;建立复杂构件三维空间焊缝模型以及双焊接机器人协同模型;根据协同同步焊焊缝的数量将构件划分出相应数量的分块,通过蚁群算法求解每一焊接分块的局部路径规划近似最优解;通过遗传粒子群算法进行多分块间的全局路径规划。仿真结果表明:通过分块划分多阶段寻优的方法可以有效地解决特殊焊接工艺约束下的大型三维复杂构件双机器人同步焊接路径规划问题。     

一种关节型机器人快速收敛的粒子群优化算法

快速收敛性的研究和应用对关节型机器人轨迹规划有着重要的意义和价值。以关节型机器人完成不同动作时轨迹的平滑度和所用的时间为主要优化目标,提出一种快速收敛的粒子群算法。将全局学习因子和局部学习因子联合起来,通过调整比例系数和全局学习因子的比重获得更快的收敛速度。实验结果表明：在迭代次数较少时,所提方法与改进的粒子群算法的应用效果接近;在迭代次数较多时,所提方法优于改进的粒子群算法。     

基于改进混合粒子群算法的机器人轨迹规划

针对机器人工作效率以及运行平稳性问题,提出一种基于改进混合粒子群算法的轨迹规划方法。建立新的模拟退火机制,并结合粒子群算法进行多目标优化;使用非线性惯性权重递减策略以及动态学习因子平衡局部和全局搜索能力。以某六自由度机器人(SFR-TA)为研究对象,使用5-7-5插值多项式构造轨迹曲线;利用权重系数法,将基于时间-脉动冲击的目标函数归一化处理以求得最优值。结果表明：相比于传统粒子群算法,该算法的运行时间更短,同时可有效减少机械臂脉动冲击,具有更好的稳定性。     

受能量约束的移动机器人最优路径规划

在确保移动机器人持续生存前提下,为了尽量减少机器人的能量消耗,通过定义一些基本运算操作符的运算规则对粒子群算法进行改进,并提出基于动态能量阈值和改进粒子群算法的单机器人多充电站最优路径规划方法,来达到能耗最优。单充电站与多充电站情况下的仿真对比证明:该算法具有很好的寻优能力与收敛效率;在确保移动机器人持续生存的同时,两充电站情况下的能耗比单充电站的能耗平均降低7.03%。因此,在合适的位置增设充电站更有利于降低能耗。     

基于CAPSO-RBF的磁悬浮系统控制研究

为解决传统控制器磁悬浮球系统快速性和稳定性易受干扰等问题,建立云自适应粒子群优化(CAPSO)的RBF神经网络监督控制器。通过RBF神经网络学习整定PD控制器的输出后采用云自适应粒子群算法对RBF网络的3个参数进行归一动态优化。采用原有RBF神经网络梯度下降法、粒子群算法、云自适应粒子群算法分别训练后进行对比控制仿真。结果表明：基于CAPSO-RBF的混合控制算法实现了磁悬浮球系统自适应控制,其动态性能和稳态性方面有较好的提升。