一种基于粒子群算法的移动机器人路径规划方法*

针对结构化环境中移动机器人路径规划问题,提出一种基于粒子群的路径规划算法.该算法利用适应度函数描述环境约束及路径的距离信息,适应度函数通过神经网络计算;由路径节点构成粒子,通过混合粒子群算法进行寻优.最后,通过计算机仿真验证了该算法是合理的,并且可应用于机器人的实时导航.     

基于改进粒子群算法的移动机器人多目标点路径规划

针对移动机器人遍历多个目标点的路径规划问题,提出了一种基于改进粒子群算法和蚁群算法相结合的路径规划新方法。该方法将目标点的选择转化为旅行商问题,并利用蚁群算法进行优化,定义了每两个目标点之间的路径规划目标函数,利用粒子群算法对其进行优化。针对粒子群算法存在的早熟现象,将反向学习策略引入粒子群算法,并对粒子群算法的惯性权重和学习因子进行改进。性能测试结果表明,改进的粒子群算法能有效避免粒子早熟现象,提高粒子群算法的寻优能力及稳定性。仿真实验结果验证了新方法能有效地实现机器人的多目标点无碰撞路径规划。真实环境下的实验结果证明了新方法在机器人多目标点路径规划的实际应用中也具有有效性。     

基于改进粒子群算法的移动机器人路径规划

为了提高复杂环境下移动机器人的精准导航作用,提出了移动机器人路径规划的改进粒子群优化(PSO)算法,即利用粒子个体极值的加权平均值,同时加入惯性权重.建立了移动机器人工作环境的栅格模型,利用Matlab软件进行移动机器人路径规划仿真分析.仿真结果表明:改进后的粒子群算法容易使粒子移动到最佳位置,加强了全局寻优能力,在复杂环境中搜索路径性能优于传统算法.     

移动机器人路径规划中的仿真研究

研究移动机器人路径规划问题.针对传统移动机器人路径规划算法搜索时间长,效率低,寻优能力差等问题,提出了一种基于粒子群算法的机器人路径规划方法.该方法首先采用神经网络描述机器人工作环境,在此基础上通过坐标变换建立新地图;然后将机器人路径表示为粒子位置,并以路径长度为粒子群的适应度值;最后粒子之间的相互协作,不断更新粒子位置和速度,获得-条从起始点到目标点全局最优路径.在MATLAB平台上对该方法进行了仿真,实验结果表明,基于粒子群的机器人路径规划方法提高了路径规划的计算效率和可靠性,可应用于机器人的实时导航.     

一种混合搜索的粒子群算法

本文通过对粒子群算法个体极值、全局极值和种群极值的结合,提出一种混合搜索粒子群算法.用典型的非线性测试函数进行仿真,其实验数据和收敛曲线验证了该算法的有效性,具有快速收敛效果和寻优能力.     

基于混合粒子群算法的移动机器人路径规划

为了确定复杂环境中移动机器人最优轨迹,提出了一种混合粒子群优化算法(IPSO-GOP).首先对粒子群优化算法进行改进,在算法运行的各个阶段对惯性权重进行自适应调整来增强粒子的搜索能力,并采用混沌变量对粒子进行扰动以提高收敛速度;其次,为了提高算法寻优能力,摆脱局部极小值并增加种群的多样性,引入遗传算法继承的多重交叉和变异两个进化算子(GOP)优化改进版本的粒子群算法(IPSO);最后,使用三次样条插值对该混合算法生成的路径进行平滑处理,得到无碰撞最短的几何连续路径.实验结果表明,多障碍物环境下IPSO-GOP算法减少了陷入局部最优的发生,加快了收敛速度;同时,与原粒子群优化算法(PSO)相比,该算法寻优能力显著,在路径规划问题上有明显的优势.     

改进粒子群算法和动态窗口法的动态路径规划

针对粒子群算法收敛速度慢、精度低以及只适用于静态环境等问题，提出改进粒子群-差分进化和动态窗口法的混合算法.首先利用差分进化算法改进粒子群算法寻优机制，对粒子群算法进行优化，构造新的适应度函数，实现对全局的路径规划；然后，根据生成的路径，提取关键中节点作为动态窗口法的局部目标点，采用动态窗口法进行局部路径规划，使起始航向角继承上一次到达局部目标点的航向角，生成从起始点到目标点的最短且平滑的路径.最后，将所提算法应用于不同试验场景进行路径规划仿真试验，并与现有算法进行对比分析，结果表明所提算法可行性强，具有更高的搜索能力.     

一种改进量子行为粒子群优化算法的移动机器人路径规划

为实现移动机器人最优路径规划,提出了一种改进量子行为粒子群的优化算法(LTQPSO)。针对粒子群算法存在过早收敛的问题,利用个体粒子进化速度与群体离散度来动态调整惯性权重,使惯性权重具有自适应性与控制性,从而避免过早收敛;同时将自然选择方法引入传统位置更新公式中,以保持种群的多样性,加强LTQPSO算法的全局搜索能力,加快算法的收敛速度;将改进后的LTQPSO算法应用于移动机器人路径规划中;最后通过理论仿真与移动机器人平台实验验证了该方法的有效性与可行性。     

基于改进的量子粒子群算法在QoS组播路由中的研究

针对QoS组播路由问题,提出了一种改进的量子粒子群优化算法。为了更好地求解该问题,算法采用预处理机制。首先将图形网络拓扑转换为树形网络拓扑,在此基础上进行粒子的编解码,从而杜绝了坏粒子及环路的产生,减少了重复粒子;并利用量子粒子群算法进行粒子群遍历寻优,同时在每次粒子位置移动后,均进行粒子群体的交叉和选择操作,以提高粒子群个体的多样性,增强算法的全局寻优能力,加快算法的收敛速度。最后,将该算法与传统的粒子群优化算法进行编程对比。实验仿真结果表明:改进后的量子粒子群优化算法能获得比传统粒子群优化算法更优的解,同时具有更快的收敛速度及全局寻优能力。     

基于改进粒子群算法的智能机器人路径规划

针对粒子群算法局部寻优能力差的缺点,提出一种非线性动态调整惯性权重的改进粒子群路径规划算法。该算法将栅格法与粒子群算法进行有效结合,在路径长度的基础上引入安全度和平滑度概念,建立动态调整路径长度的适应度函数。与传统的粒子群算法相比,实验结果表明,改进算法具有较强的安全性、实时性及寻优能力。     

一种改进的粒子群优化算法及其仿真

粒子群优化算法(particle swarm optimization,PSO)是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点,在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题,提出了一种旨在保持种群多样性的改进PSO(IPSO)算法,以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能,而且还具有良好的稳定性。     

应用微粒群算法确定有机化合物分子式

针对基本微粒群优化算法（PSO）存在容易陷入局部最优和收敛速度慢的缺点,在整数空间使用带收缩因子的微粒群优化算法基础上,提出了一种带变异概率的微粒群优化算法（IPSO）,用于提高微粒群的多样性,避免算法陷入局部最优解。实验证明,改进后的微粒群优化算法在防止早熟和加快收敛方面优于基本PSO算法和基本PSO算法加一半微粒随机初始化算法（PSO_HPO算法）。IPSO算法应用到确定有机化合物分子式时,取得了很好的效果。     

An improved particle swarm optimization algorithm based on comparative judgment

Particle swarm optimization (PSO) algorithm is one of the most effective and popular swarm intelligence algorithms. In this paper, based on comparative judgment, an improved particle swarm optimization (IPSO) is proposed. Firstly, a new search equation is developed by considering individual experience, social experience and the integration of individual and social experience, which can be used to improve the convergence speed of the algorithm. Secondly, in order to avoid falling into a local optima, a location abandoned mechanism is proposed; meanwhile, a new equation to generate a new position for the corresponding particle is proposed. The experimental results show that IPSO algorithm has excellent solution quality and convergence characteristic comparing to basic PSO algorithm and performs better than some state-of-the-art algorithms on almost all tested functions.     

改进粒子群算法优化扩展卡尔曼滤波器电机转速估计

针对感应电机扩展卡尔曼滤波器转速估计中难以取得卡尔曼滤波器系统噪声矩阵和测量噪声矩阵最优值的问题, 提出了一种基于改进粒子群算法优化的扩展卡尔曼滤波器转速估计方法。算法通过融合遗传算法和粒子群算法的优点, 采用可调整的算法模型对粒子群算法进行改进, 将改进的粒子群算法对扩展卡尔曼滤波器中的系统噪声矩阵和测量噪声矩阵进行优化处理, 将优化后的卡尔曼滤波器应用于感应电机转速估计。仿真实验表明, 与试探法、标准粒子群算法及遗传算法比较, 改进粒子群算法优化的扩展卡尔曼滤波器能够有效提高转速估计的精度, 从而提高无速度传感器矢量控制系统的控制性能。     

一种改进PSO的室内机器人路径规划方法

针对室内空间局限性造成的移动机器人路径规划难度提升问题,文章分析了机器人室内移动中转弯、启停等运动特征,为获得最优规划路径引入了粒子群算法(particle swarm optimization, PSO),同时为改善经典算法中收敛度低,易早熟等问题,首先使用收敛因子、线性递减、非线性凹函数、随机分布方式等对PSO惯性权重的选取进行了讨论,并结合三次样条插值方法、选取罚函数作为适应度函数等对PSO进行了算法改进,最后,以实验室作为室内环境背景进行了仿真实验,并与经典的PSO路径规划方法进行了对比,实验结果表明,文章中改进的PSO路径规划方法精度高于经典PSO方法5%,平均寻优时间比经典PSO的少5s左右,能够有效的提高规划路径的平滑度,对于室内环境中机器人路径规划具有良好的实时性和有效性。     

An improved particle swarm optimization algorithm for flowshop scheduling problem

The flowshop scheduling problem has been widely studied and many techniques have been applied to it, but few algorithms based on particle swarm optimization (PSO) have been proposed to solve it. In this paper, an improved PSO algorithm (IPSO) based on the “alldifferent” constraint is proposed to solve the flow shop scheduling problem with the objective of minimizing makespan. It combines the particle swarm optimization algorithm with genetic operators together effectively. When a particle is going to stagnate, the mutation operator is used to search its neighborhood. The proposed algorithm is tested on different scale benchmarks and compared with the recently proposed efficient algorithms. The results show that the proposed IPSO algorithm is more effective and better than the other compared algorithms. It can be used to solve large scale flow shop scheduling problem effectively.     

基于改进粒子群优化算法的AGV全局路径规划

分析了用人工神经网络模型描述环境时,采用Sigmoid函数作为神经网络作用函数的不足之处,提出采用双曲正切函数作为神经网络的作用函数,使网络更有利于路径优化算法的寻优计算。粒子群优化（Particle Swarm Optimization,PSO）算法具有收敛速度快,需要调节的参数少等优点,但优化过程中容易发生“早熟”收敛,使优化陷入局部极小值。通过引入模拟退火算法、“交叉算子”和“变异算子”,提出了一种新的改进粒子群优化算法（Improved Particle Swarm Optimization,IPSO）来解决AGV全局路径规划问题。仿真结果表明,IPSO具有很强的全局寻优能力,并且收敛速度比PSO快,能够为AGV规划出理想的路径。     

基于改进粒子群算法的三维路径规划

针对粒子群算法解决建造项目中的无人机三维路径规划问题时,易陷入局部最优问题,提出了一种混合惯性牵引力的粒子群优化算法。通过在初始阶段起始点与目标点位置关系,引入自适应初始化机制,对粒子群的初始种群进行优化;采用线性递减的惯性权重方式,加强算法前期的全局搜索与后期的局部搜索性能;借助万有引力思想在速度更新中引入加速度,加强搜索的性能。采用有无自适应初始化机制的改进算法进行对比试验,结果验证了该机制更有利于提高算法的求解质量;通过IPSO算法、IHPSO算法与改进算法进行仿真实验,结果表明改进算法所的求解质量上更好,稳定性相对于IPSO较好69.75%,相对于IHPSO较好17.41%。