自适应遗传算法在机器人路径规划的应用

针对现有遗传算法在求解机器人路径规划存在的收敛速度慢、易陷入局部最优等缺点,提出一种基于自适应遗传算法的机器人路径规划方法。该方法引入逆转算子,增加插入算子和删除算子,提出新的自适应策略对交叉和变异概率进行调整,更好地避免陷入局部最优,提高算法寻优效率。该算法在MATLAB和Inte3D平台中进行算例验证,实验结果表明改进的自适应遗传算法比现有遗传算法更为有效。     

移动机器人路径规划的仿真研究

研究移动机器人路径优化问题,由于移动机器人寻优中存在定位稳定性和避障准确性问题,机器人路径规划不仅找到一条无碰撞、安全的移动机器人路径,而且要求路径尽可能最短。传统单一栅格法和遗传算法搜索最优路径效率低,难以全局最优路径。为了获得机器人全局最优路径,提出一种栅格法和混沌遗传算法相融合的移动机器人路径规划方法。首先采用栅格法对移动路径进行规划,作为遗传算法的初始种群,采用遗传算法进一步寻找最优路径。最后对移动机器人路径规划进行仿真,结果表明,混合算法可以很好地避免障碍物,快速找到一条机器人最优移动路径,十分适合于复杂环境路径规划。     

基于时间窗模型的双向机器人路径规划方法

随着智能化与自动化的发展,机器人应用越来越广泛;多机器人路径规划和协作问题就成为当前关注的焦点。针对以上问题,提出了一种改进的遗传算法。在初始化总群时,通过选择中点的相邻点扩大选择范围确保线路连续。通过种群适应度函数改进路径平滑度防止转向次数过多。为了防止遗传算法陷入局部最优解,通过轮盘赌的方法确保一部分非最优个体。在优化后的遗传算法基础上根据优先级顺序,并结合提出的时间窗模型,对冲突类型进行分类处理并制定对应的协调方案。仿真结果表明,该方法可以有效地解决多机器人的路径冲突问题,通过合理地规划线路提高系统效率。     

基于遗传算法的焊接机器人路径规划应用研究

焊接机器人路径规划对于提高机器人的焊接效率至关重要。传统的机械臂焊接规划采用示教-再现方式,这种焊接模式难以达到高效率、低耗能的要求。对焊接机器人路径规划问题以及遗传算法进行研究,从时间最优角度重点对遗传编码方式、适应度函数、选择、交叉、变异等进行了分析,并采用VS2010对焊接机器人进行仿真,该遗传算法明显提高了焊接机器人的焊接效率。     

基于改进型遗传算法的深海集矿机路径规划

提出一种基于改进型遗传算法的深海集矿机路径规划新方法。针对路径规划中标准遗传算法易陷入局部最优的缺点,在标准遗传算法基础上,根据栅格地图的实际特点对算法的编码设计,初始群体设定及遗传操作做出了相应的改进,提高了染色体整体的进化效率,使得改进后的算法可以准确、快速地获取最优路径。实验仿真结果表明该算法的有效性。     

改进蚁群算法在移动机器人路径规划中的研究

移动机器人合理的路径规划是进行探索任务的前提,针对移动机器人路径规划的复杂性,把蚁群算法引入到机器人路径规划中;普通的蚁群算法存在收敛速度慢、效率低和容易陷入局部最优等缺陷,难以直接应用于机器人路径规划中;提出一种在蚁群算法中改进信息素的更新方式、引入最大最小蚁群系统以及改进状态转移规则的移动机器人路径规划方法,在栅格环境下对移动机器人的路径规划进行仿真测试,仿真结果表明该方法能缩小最优路径的查找范围,降低发现最优路径所需的循环次数,能有效提高最优路径的搜索效率,整体性能优于普通蚁群算法。     

基于改进遗传算法的移动机器人路径规划

针对传统遗传算法存在的搜索效率低、易于陷入局部最优解的问题,提出了一种改进的遗传算法;采用简单的一维编码替代复杂的二维编码,节约了存储空间;在遗传算子的设计中,重新定义了交叉算子和变异算子,避免了陷入局部最优;最后将最短路径和免碰撞相结合作为适应度函数进行遗传优化;在种群的各项参数均相同的情况下,分别对改进遗传算法和传统遗传算法进行了100次实验;其中,改进遗传算法搜索到最优路径的次数为95次,最短路径长度为20.970 6,平均搜索用时217 ms;传统遗传算法搜索到最优路径的次数为62次,最短路径长度为25.071 1,平均搜索用时345 ms;实验结果表明,相比于传统遗传算法,改进遗传算法搜索效率更高且能获得更好的解。     

改进量子遗传算法在多峰值函数寻优中的应用

针对标准量子遗传算法(QGA)在寻找多峰值最优时存在局部寻优能力较差和易早熟的缺陷,提出一种改进量子遗传算法(QQGA),运用基于概率划分的小生境协同进化策略初始化量子种群,并采用动态量子旋转角调整策略来加快收敛速度;加入量子移民和保优选择策略,提高规划效率,避免陷入局部最优。利用复杂二元函数测试改进量子遗传算法,结果比标准量子遗传算法效率高。     

基于改进蚁群算法的机器人路径规划研究

在二维静态环境下的机器人路径规划中,采用基本蚁群算法寻优存在搜索时间较长、效率较低、容易陷入局部最优等问题。针对这些问题对基本蚁群算法进行改进,改进的蚁群算法使用不同的期望值机制,采用挥发系数自适应方式更新信息激素,并加入拐点参数作为路径的评价标准之一。对这两种算法进行仿真分析,可得改进后的蚁群算法比基本蚁群算法搜索能力更强,算法效率更高,所寻路径更短。结果表明,该改进算法提高了算法效率,抑制了算法陷入局部最优并实现了机器人最优路径搜索,使机器人可以快速地避开障碍物安全到达目标点。     

基于学习分类器的多机器人路径规划收敛性研究

近年来,学习分类器LCS已广泛用于基于归纳学习的强化学习领域,但很少用于多机器人领域.提出了一种基于集成强化学习和遗传算法的学习分类器用于多机器人路径规划领域.由于遗传算法具有早熟收敛、局部最优解和占据较大的存储空间等缺陷,针对静态和动态环境因素对多机器人路径规划的不同影响,设计了在静态和动态环境下不同的适应度函数,在理论上推导并证明了信用分配算法的收敛性,为路径规划算法的收敛提供了理论保证.仿真实验结果也表明遗传算法和学习分类器结合用于多机器人的路径规划是有效的,遗传算法的早熟收敛、局部最优解、占据存储空间较大和收敛速度慢等难题得到很大改善,提高了多机器人发现安全路径的能力.所以LCS在机器人领域的应用前景是非常广阔的,是今后需要努力研究的方向.     

高空飞艇航迹规划的多种随机搜索算法

针对高空飞艇的航迹规划问题进行了分析和计算.考虑到高空飞艇的飞行特征,首先对其航迹规划问题进行了适当简化,转变为求解巡回旅行商问题(TSP),并给出相应的数学描述;然后在此基础上介绍遗传算法、蚁群算法和模拟退火算法,并运用这三种随机搜索算法求解高空飞艇最优航迹;最后通过仿真算例简要地分析和比较了各个随机搜索算法的性能.仿真结果表明以上三种随机搜索算法对于解决规模较大的高空飞艇航迹规划问题是行之有效的,求解效率高于传统搜索算法.     

遗传-蚁群算法在智能交通中的应用

随着私家车的增多,城市交通问题越来越严重。为了解决这个问题,人们将计算机技术运用于城市智能交通系统(intelligent transportation systems,ITS)中。行车路径规划是城市智能交通体系中重要的一个环节。目前,有不少路径优化算法被提出用于解决行车路径规划问题,但各有不足。因此,提出了一种混合遗传蚁群算法(GACHA)。从基本蚁群算法入手,结合遗传和蚁群算法的各自优点,将两种算法的寻优过程循环多次结合。在蚁群算法的一次迭代循环后,将蚁群算法产生的较优解代替遗传算法中的部分个体,用以加快遗传算法的迭代速度。同时,将遗传算法算出的解设为较优路径来更新蚁群算法中的信息素分配,实现参数调整。多次相互指导能有效解决蚁群算法前期效率低和遗传算法后期冗余迭代的问题。实验结果表明,遗传-蚁群混合算法可以有效地避免陷入局部最优解,提高计算效率。它具有良好的优化和收敛性,能够准确地找到满足路网综合要求的最优路径。     

基于灰度图像边缘检测的3D游戏路径搜索*

着重研究了3D游戏中路径搜索算法。其路径搜索算法内容包括障碍认知与标志、A*路径规划、高度代价函数与路径最短相结合的,由计算粒度引出的基于静态障碍物体碰撞检测的动态路径规划。该算法在实际的游戏引擎中进行了测试,其效率和实时性都满足要求。     

基于改进遗传算法的连锁便利店配送路径优化

提出一种针对软时间窗下连锁便利店配送路径规划的带时间窗口的多染色体遗传算法。为解决单车场多车型带密集半软时间窗问题,讨论解决方案预防其陷入局部最优解。对于上述配送路径问题,提出多染色体改进遗传算法在减少车辆运输成本、惩罚成本的目标下进行最优路径求解,并为连锁便利店的路径规划案例提出车辆与路径选择的优化方案,最后将该算法与传统遗传算法进行实验对比分析。实验结果表明,本文算法在密集半软时间窗下,相比传统遗传算法明显减少了总配送成本,从而验证了本文算法的有效性。     

基于遗传算法的飞行航路规划

飞行航路规划是一个大范围多目标多约束的三维规划问题。遗传算法是一种求解复杂问题的通用方法，该文在遗传算法中加入了飞行航路规划的相关知识来求解问题。首先，根据飞行航路规划中导航点属性复杂的特点，扩充导航点的模型，并在此基础上采用导航点链表形式的自由编码。第二，为加速规划的进程，同时保证充分的随机性和广泛性，初始群体构造采用端点启发初始化方法。第三，适应度函数由惩罚函数和代价函数组合计算，其中惩罚函数对应问题的约束条件，而代价函数对应问题的目标。第四，采用启发式交叉和启发式变异。最后，通过剖面优化操作实现高度维上的调整。仿真结果证明这是适于所研究问题的有效方法。     

一种限制搜索区域的多比例尺最优路径规划算法*

针对现有大区域范围路径规划算法存在的一些问题,提出一种限制搜索区域的多比例尺最优路径规划算法。该算法在进行路径规划时,一方面根据路网的多比例尺信息对路网进行分级,另一方面对搜索区域进行合理限制。测试实验表明此算法可以提高路径规划的效率。     

基于 A* 算法与自适应分片的大规模最优路径规划

路径规划引擎是在线地图系统中一个至关重要的部分,静态路径规划算法是重中之重。现有的对A*算法的改进主要是通过预处理算法,对路网数据进行静态分层预处理,其效率过低。文章提出了一种自适应分层的思想,同时对A*算法的启发式函数进行改进,引入了方向引导函数,使得A*算法在日常路网上的可用性有了较大的提高。实际的路网实验表明,提出的算法的搜索效率、效果均优于同类算法,与标准层次A*算法相比,文章算法的搜索空间降低为原来的42%,搜索时间仅为原来的13%。     

机器人三维路径规划问题的一种改进蚁群算法

本文研究移动机器人三维空间路径规划问题,针对三维空间的复杂地形特点,提出了一种基于改进蚁群算法的路径规划算法。文中首先描述了一种简单有效的环境建模方法,然后给出了算法在信息素呈现、路径点选取、信息素更新以及启发式函数设计等方面的改进方法。仿真结果证明了算法的可行性和可靠性。     

一种基于遗传算法的航迹优化技术

飞行器在低空突防任务执行过程时,需要以任务规划所得的参考航线为基准,采用一种基于遗传算法的航迹优化方法;优化过程中,采用特定的编码方法和适应度函数,并针对优化过程中的一些具体问题提出了解决方案;仿真结果表明,采用基于遗传算法的航迹优化技术所生成的参考航线,能严格经过飞行器的出发点和目标点,使威胁飞行器的因素最小,有效提高了任务生存能力.