基于偏好粒子群算法的移动机器人路径规划

针对粒子群算法收敛速度快,但易陷入局部最优的问题,提出一种基于偏好粒子群算法的移动机器人路径规划方法.在对障碍物环境建模的基础上,根据避障偏好利用粒子群优化算法规划出全局最优路径.为避免搜索过程中算法陷入局部最优,采用深度优先搜索策略,保持了种群的多样性,提高了算法的搜索能力.实验结果表明:该方法能够有效地避开障碍物,并且获得较好的路径规划效果.     

基于自适应粒子群算法的机器人路径规划

针对粒子群算法在解决机器人路径规划中存在的路径易陷入局部最优、路径搜索后期收敛速度慢以及路径不平滑的问题,提出了一种基于模拟退火的改进自适应粒子群算法,该算法结合了模拟退火算法和粒子群算法的优点,路径搜索前期路径搜索速度快,路径搜索过程中路径具有概率突跳的能力,能够有效地避免陷入局部最优路径,而且利用3次样条插值使路径平滑,路径搜索后期路径收敛精度也很高。仿真结果表明,该算法在不同障碍物模型中均能够快速找到最短的平滑路径,而且效果优于传统方法。     

基于改进蚁群粒子群算法的移动机器人路径规划

全局静态地图下,针对蚁群算法规划机器人移动路径时存在计算时间长、搜索效率低,并且得到的优化路径转弯次数过多的问题,提出了一种改进蚁群粒子群算法：首先利用粒子群算法快速得到蚁群算法初始信息素,然后进行蚁群算法路径规划,对得到的路径采用惯性优化,对每个节点进行遍历,当 ２个节点间的路径上无障碍物时,将中间节点删除,转换为优化路径。仿真实验表明,该方法与传统蚁群算法及相关改进算法相比,能有效减少迭代次数、提高搜索效率、减少转弯次数、缩短路径长度,从而提高路径质量。     

基于混合遗传粒子群优化算法的层次路径规划方法

路径规划是移动机器人研究领域的一个重要基础性问题。针对单独使用某一路径规划算法存在着搜索速度慢,或易陷入局部极值的问题,提出了一种基于混合遗传粒子群优化算法的层次路径规划方法。该方法的主要步骤包括:一是采用三角形法进行空间环境路径建模;二是结合人工势场法的改进遗传算法设计初次路径规划;三是运用粒子群优化算法对初次路径规划的结果进行优化以实现更可靠的最优路径。通过实例仿真测试,结果显示所设计的方法能够融合各算法的优点,快速有效地找到最优路径。     

利用膜粒子群优化的条件随机域特征选择

提出了一种新的基于膜粒子群优化的特征选择方法．该方法利用了膜系统的分层结构和消息传递机制,将粒子群优化算法作为区域子算法部署到各个区域中．不同于传统粒子群优化算法,该方法将粒子群优化的搜索速率分解为局部搜索速率和全局搜索速率．膜系统的所有外层区域采用局部搜索速率,搜索局部最优解;最内层区域采用全局搜索速率,搜索全局最优解．所有外部区域将最优解传递给相邻内部区域,内部区域将最差解传递给相邻外部区域,最内区域向相邻外部区域传递最差解．当各个区域之间的解传递在一段时间内停止时,或者算法迭代次数达到限定次数时,算法收敛,取最内层区域的最优解为最终解．以条件随机域模型的最大似然估计函数为目标函数,利用膜粒子群优化计算各个特征权重系数,最后剔除那些权重系数小于阈值的特征．实验结果表明,在进行生物文本的基因名称识别时,利用该方法对条件随机域的特征进行选择后,可以消除冗余特征的干扰,能获得更高的准确度．     

一种适用于电网扩展规划问题的边界搜索粒子群优化算法

针对电网扩展规划问题,根据粒子群算法收敛性受初始粒子分布影响较大的特点,结合边界搜索思想,提出了一种粒子群初始化方法。该方法利用边界搜索策略对粒子群进行初始化,使粒子初始化在安全边界附近,优化了粒子群的初始化范围。最后通过算例证明了这种方法应用于电网规划的有效性。     

基于GA-PSO算法焊接机器人路径规划研究

焊接机器人在制造业中有广泛的应用。在焊接任务中通常有许多焊接接头,合理地规划焊接路径使其穿过这些焊接接头,对焊接效率的提高有积极的影响。传统的手工路径规划技术可以有效地处理少量焊接接头,但当焊接节点数目较大时,很难获得最优路径。传统的手工路径规划方法耗时长、效率低,不能保证最优。遗传粒子群优化算法（GA-PSO）基于遗传算法（GA）和粒子群优化算法（PSO）的优点来解决焊接机器人的路径规划问题。仿真结果表明,该算法具有较强的搜索能力和实用性,适用于焊接机器人路径规划。     

非完整运动规划的粒子群优化算法

讨论了粒子群优化和非完整运动规划问题。首先对粒子群优化算法的性能进行了分析，发现当搜索空间的维数较高时，粒子群将收敛到子空间的一个局部最优点，而该点并不是整个搜索空间的局部最优点。通过引入变异算子，则可以改进粒子群优化算法的性能。在此基础上，提出了一种求解非完整运动规划问题的带变异算子的粒子群优化算法。仿真结果表明，对于30维的球形函数，无变异操作的粒子群优化算法不能得到问题的最优解，而最优解可以非常容易地由带变异操作的粒子群优化算法得到。对独轮移动机器人非完整运动规划问题进行了仿真。结果表明，粒子群优化算法比牛顿法更有效。     

基于粒子群算法求解整数规划的改进方法

标准粒子群算法主要用于优化连续性,而对粒子群算法求解非线性整数规划,算法的粒子位置必须解决取整问题。基此,文章提出一种粒子位置最终取整的方法,以改进粒子群算法解决整数规划的具体过程。基准函数的仿真结果表明,改进后的取整方法的搜索成功率优于直接取整和随机取整,综合搜索效率更佳。     

基于蚁群-粒子群融合算法的无人机三维航迹规划研究

无人机飞行空间广阔,需要一种快速搜索最佳路径的方法,本文在飞行区域中建立航迹规划环境模型和防空威胁区模型,在满足无人机飞行约束条件的情况下,为无人机航迹规划提供一种蚁群-粒子群融合算法,充分利用蚁群算法良好的分布机制、信息反馈机制和粒子群算法收敛速度快、全局搜索能力强的特点,使无人机能够自动避开威胁区,搜索出一条安全有效航迹,并保证航线的完整性和最优性.用Matlab对算法进行仿真实验证明,算法能为无人机的三维航迹规划提供一种快速、安全、高效的搜索方法.     

基于一种改进PSO的移动机器人路径规划

提出了基于一种改进微粒群优化算法的移动机器人在已知环境信息下的路径规划方法。通过对算法中微粒的速度进化方式的改进，使算法能有效地对搜索空间进行搜索，避免陷入过早收敛，此外还将边界约束、静态避障和最短路径这3个条件表示成一个简单的适应度函数，使整个优化过程满足路径规划的任务要求。最后，通过仿真取得了很好的效果，证实了方法的可行性和有效性。     

面向无人机航迹规划的自适应乌贼算法

面向无人机在线/离线航迹规划应用,针对传统乌贼算法的长时搜索局域化及精度变差问题,提出了一种联合修正的自适应乌贼路径搜索算法.首先,提出联合混沌扰动与变异学习的混合调节机制来扩充乌贼搜索深度,以提高搜索精度;然后,引入自适应权重机制来减小乌贼搜索范围,以提高搜索效率;同时引入适应度自动筛选机制来改善乌贼种群多样性,以防止陷入局部最优.通过6个基准函数测试验证了所提算法的有效性与先进性,最后对所提算法进行不同场景下的航迹规划仿真验证.针对离线航迹规划,所提算法规划航迹成功率高达100%,规划航迹最接近全局最优,其航程均值相比传统乌贼算法可缩减7.3 units,比粒子群算法缩减可达28.3 units.仿真结果表明:所提算法全局规划性能和搜索精度显著增强,同时随着场景复杂度的提高,其航迹优化效果更加显著;针对在线航迹规划,首先将全局路径规划问题转化为若干个航迹分段的规划,然后引入启发式方法确定分段节点.仿真结果显示所提算法满足实时性要求,规划航迹精度高,进一步验证了所提算法的有效性.     

一种采用两段粒子群优化的路径规划方法

在路径规划中普遍采用多条短曲线拼接成一条长曲线,这种方法通常只实现了C1连续,导致相邻短曲线在连接处的二阶导数不连续。为解决这个问题,采用具有C2连续特点的三次B样条曲线作路径,并提出一种两段粒子群优化实现路径规划。在第一阶段确定B样条曲线的控制顶点数,在第二阶段搜索最优路径。为保证粒子的有效性,依据B样条曲线的特点改进了粒子的初始化方法。在适应度函数中通过弧长因子、碰撞因子分别考察路径的长度及碰撞检测,粒子通过循环逐步逼近全局最优解。实验结果表明粒子初始化采用改进的方法后更接近实际路径,采用两段粒子群优化算法能获得C2连续的路径。     

粒子群法在非完整移动操作机运动规划中的应用

研究了给定末端点路径条件下非完整轮式移动操作机运动规划问题,提出了基于粒子群法的运动规划方法.将移动操作机的末端点路径离散化.移动操作机从初始位形出发,利用粒子群法来搜索下一个最优位形,直至达到末端点路径终点.选择平台的控制输入矢量作为粒子,使得非完整约束条件自然被满足.在障碍环境下,将具有启发信息的势函数引入粒子的适应度函数,有效地实现了系统的无碰运动.通过计算机仿真验证了该算法的有效性.     

基于AI问题的一种“最优”解方法及实现

基于AI的搜索方法包括深度优先搜索、最低成本法搜索等,可以从众多的解决方案中寻找一个“最优”的解决方案。文章以列车信息搜索为例,采用路径删除法生成多种解,然后再用改进的深度优先搜索与最低成本法搜索相结合的方法从中寻找一个最优解。     

Powell搜索法和局部收缩微粒群算法的混合算法

提出一个求解无约束最优化问题的新的混合算法——Powell搜索法和惯性权重线性调整的局部收缩的微粒群算法的混合算法。该算法不需要计算梯度,容易应用于实际问题中。通过对微粒群算法的修正,使混合算法具有更加精确和快速的收敛性。主要目的是通过加入混合策略证明标准微粒群算法是能够被改进的。首先利用20个基准测试函数进行仿真计算并比较,计算结果表明,新混合算法在求解质量和收敛速率上都优于其它的3种算法(PSO,GPSO和NM-PSO算法)。同时将新混合算法和最新的各种协同的PSO算法进行分析比较,比较结果表明,新混合算法在解的搜索质量、效率和关于初始点的鲁棒性都远优于其他的进化算法。仿真结果证明了新算法是求解无约束最优化问题的一个高效的算法。     

一种新的混合XML文档聚类方法

为了提高大规模半结构化文档集的聚类质量,提出了一种新的XML文档聚类方法.从XML文档中提取层次路径序列,以此为依据将XML文档表示为VSM中的向量,将欧氏空间对应于粒子群模型的问题空间,采用粒子群聚类方法进行文档聚类.为了加速算法的收敛性,在算法的后续部分采用C-means进行快速局部调优,提出两阶段混合聚类方法,优点是能够跳出局部极值,搜寻整个问题空间的同时又保证了合理的时间.实验结果表明提出的方法具有较高的聚类准确性和较好的收敛程度.