基于改进粒子群算法的三维路径规划研究

针对基本粒子群算法(PSO)收敛速度快、易早熟，容易陷入局部误区的问题，提出了粒子群-人工蜂群混合算法(PSO-ABC)，并将提出的算法应用于无人机三维环境下的路径规划。该算法在改进粒子群算法的基础上，融合了人工蜂群算法来对无人机三维路径进行全局规划。首先引入非线型惯性权重和收缩因子，改进粒子的速度公式，然后利用人工蜂群算法的搜索算子对最优解再一次寻优，解决了粒子群算法因局部搜索能力较差陷入局部误区的问题。本文在三维环境下设置了两组实验，对比粒子群-人工蜂群混合算法与粒子群算法、人工蜂群算法的路径寻优性能。实验结果显示，本文提出的算法路径寻优能力有所提高，相比于粒子群算法，提高了6.1%，相比于人工蜂群算法提高了6.9%。     

基于改进粒子群算法的移动机器人路径规划

由于惯性权重取值不合适和迭代后期粒子群体多样性下降,导致传统粒子算法在移动机器人路径规划研究过程中存在局部最优解问题。针对此问题提出了一种改进粒子群算法的移动机器人路径规划方法。首先建立机器人路径规划的栅格地图模型,在此基础上对传统的粒子群算法进行了改进。随后,引入了基于相似度概念的非线性动态惯性权值调整方法,从而使得粒子的更新速率能够适配寻优过程的各个阶段,并且通过引入免疫算法中的免疫信息调节机制,增加了粒子的多样性,增强了其摆脱局部最优值的能力。仿真结果表明,所提出的改进粒子群算法具有更高的最佳路径搜索能力,其综合性能显著优于传统的粒子群算法。     

改进QPSO和Morphin算法下移动机器人混合路径规划

为了提高机器人在复杂环境下路径规划的能力,提出了一种基于改进量子粒子群优化算法(QPSO)和Morphin算法的混合路径规划方法。利用栅格地图建立环境模型并确定起始点和目标点,通过引入自适应局部搜索策略和交叉操作对QPSO进行改进规划出一条最优的全局路径,机器人根据全局路径行走,当发现未知静态或动态障碍物立即调用Morphin算法进行局部路径规划,避开障碍物后回到原全局路径上继续行走至目标点。该混合路径规划方法的有效性和可行性通过Matlab仿真和实际应用得到很好地验证。     

基于捕食搜索策略的粒子群算法在输电网络扩展规划中的应用

针对标准粒子群算法粒子维数要求过高和收敛困难易陷入局部最优的缺点,提出一种基于捕食搜索策略的粒子群算法,并将其应用于输电网络扩展规划。捕食搜索在较差的区域进行全局搜索以找到较好的区域,然后在较好的区域进行集中地局域搜索以使解得到迅速改善。通过限制的调节,控制粒子群搜索空间的增大和减小,从而平衡探索能力和开发能力。局域搜索大大降低了粒子数的要求,全局搜索有效地避免陷入局部最优。算例分析证明了算法的有效性和正确性。     

改进 8 邻域节点搜索策略 A ∗ 算法的路径规划

针对传统 A ? 算法所规划路径存在易触碰障碍物,冗余节点过多等问题。 提出了一种改进 8 邻域节点搜素策略 A ? 算法 的路径规划。 首先,在 A ? 算法中改进节点搜索条件,使得获得的节点与周围障碍物节点保持一定安全距离;然后利用垂距限 值法剔除改进后路径上的冗余节点,并保留关键节点;最后,基于关键节点利用 B 样条曲线拟合出一条平滑路径。 在不同规模 的多障碍物地图环境下进行多次实验与对比,结果表明,相比于传统 A ? 算法,提出的改进 A ? 算法,获得的路径节点与障碍物 节点的安全距离平均保持在 0. 46,路径节点平均减少了 66. 8%,有效提升机器人的工作效率和安全性。     

基于语义分割网络的 AGV 路径规划算法

针对基于栅格地图的路径规划技术在面对大地图、高分辨率地图的情况下，存在的规划速度慢、内存占用高的问题，提出一种基于语义网络的网络搜索算法。首先使用语义分割网络对栅格地图进行预采样，其次通过图像学膨胀拓宽最优路径形成最优路径范围，增强算法鲁棒性，最后利用语义网络的特征图指导搜索算法规划，加快了高分辨率栅格地图的路径规划的速度。实验仿真表明，网络搜索算法较传统搜索算法，时间平均缩短72.5%,遍历点数平均减少51.6%,路径长度平均延长0.73%,网络搜索算法可以有效加快路径搜索速度，减少内存占用。     

基于动态调整学习因子的免疫粒子群算法及其应用

为了使风光水联合发电系统达到经济效益最大化优化调度的目的,针对粒子群算法在进化过程中易早熟、后期收敛速度慢并且精度较低的特点,提出一种动态调整学习因子的免疫粒子群算法。该算法对学习因子进行非对称线性动态调整,增强前期的全局搜索能力,以及后期的局部搜索能力,快速得到全局最优解。该算法在文中联合系统的求解中得到很好的应用,显著提高了搜索精度,表明了模型和算法的有效性。     

基于变权Voronoi图和混合粒子群算法的电动汽车充电站规划

针对城市电动汽车充电站规划布局及服务范围划分的问题,提出一种基于变权Voronoi图和混合离散粒子群算法的优化算法。为解决离散粒子群算法在达到最优解时容易发生变异的问题,改进了离散粒子群算法中的概率映射函数,提高算法迭代中后期的全局搜索能力;引入加权Voronoi图生成过程中可随充电站的服务能力和最大服务半径约束动态调整的变权重系数,使充电站服务范围的划分可控且更为合理;利用最短路径法求得用户充电行驶过程中的交通路径距离来取代传统的欧式距离,提高算法的准确性。运用改进后的混合离散粒子群-变权Voronoi图算法求解算例模型,通过算例结果验证了所提算法用于电动汽车充电站规划的有效性。     

复杂环境移动群机器人最优路径规划方法

研究了一类复杂环境下移动群机器人的建模与控制策略。采用栅格法对机器人工作环境进行建模,基于个体的有限感知能力和局部的交互机制设计了响应概率函数,解决群机器人任务分配与信息共享难题。通过施加螺旋控制于早期信号搜索,并将该搜索信息作为启发因子改进动态差分进化算法,对群机器人进行路径优化。仿真结果表明,当响应概率函数中距离变量调节因子β=0.006时,任务分配控制算法达到最好效果。同时,移动群机器人路径规划的平均路径长度珔S,平均移动时间珔T以及平均收敛代数珚M,相比扩展PSO算法分别提高了16%、57%及230%。最后,将该算法应用于ASUIII型轮式移动群机器人物理实验,并设计了协同控制平台,具有较好的工程应用价值。     

改进粒子群算法在电力系统无功优化中的应用

针对传统粒子群算法易出现早熟收敛、易陷入局部最优、搜索精度低等问题,从惯性权重和加速常数两方面对其进行改进.将改进后的粒子群算法应用到电网无功优化中,加快了收敛速度和提高了搜索精度.仿真结果证明了改进的粒子群算法的正确性及有效性.     

基于改进蜂群算法的工业机器人路径规划研究

针对工业机器人在复杂环境中运动的避障及路径优化问题,提出基于改进人工蜂群算法的工业机器人避障路径规划策略。首先针对传统人工蜂群算法搜索能力不足且容易陷入局部最优的问题,将禁忌搜索思想引入到人工蜂群算法最优解搜索过程中,形成了基于禁忌搜索的改进型人工蜂群算法,然后将其应用到工业机器人的路径规划问题中,并进行了仿真实验。结果表明,改进后的方法能够得到最优的路径,且寻优速度快、过程稳定。该方法可用于解决工业机器人路径规划问题。     

基于改进粒子群算法的开关磁阻电机本体优化

针对开关磁阻电机多变量、高非线性以及传统设计过程无法快速而准确获得最优方案的问题,提出一种基于Kriging模型和改进粒子群算法的参数优化策略。首先建立多目标优化模型,采用田口正交方法进行敏感性分析,依据灵敏度大小将优化变量分为两个子空间;其次为提高多目标粒子群算法的收敛速度和全局寻优精度,引入天牛须搜索算法中环境感应机制和遗传算法中交叉变异策略;最后建立Kriging模型,利用改进粒子群算法对两个子空间参数进行迭代寻优。实验结果表明,优化后的转矩脉动减少23%,平均转矩提高2.3%,在大幅度减少转矩脉动情况下保持了较大平均转矩。结论是改进的粒子群算法与Kriging模型相结合策略适用于开关磁阻电机优化过程,可显著提高优化效率,保证求解精度。     

机器人关节空间B样条轨迹设计的混沌优化

为了研究机器人关节空间轨迹时间最短的优化计算问题,依据混沌优化理论,采用改进的基于混沌变量优化算法,以时间最短为性能指标对轨迹进行优化求解.研究了均匀非周期四阶B样条曲线的优化,每一段B样条曲线的运行时间作为优化参数,优化问题模型包括关节角速度、角加速度、角加加速度及力矩4种约束.给出了PUMA560前三铰B样条轨迹优化算例,优化结果明显优于采用复合形法或有约束随机搜索方法的优化结果;该算法简单,易于实现,求解速度快,任给一组初值得到优化结果的可靠性达90%以上,逼近约束条件的误差几乎为零,进一步减少了运行时间,从而有效地实现了机器人在关节空间的轨迹优化.     

混合粒子群优化算法在电网规划中的应用

在含被动聚集因子的粒子群优化(particle swarm optimization with passive congregation,PSOPC)算法和和谐搜索(harmony search,HS)的基础上,构建了一种新的混合粒子群优化(heuristic particle swarm optimization,HPSO)算法。该算法根据电网规划的特点,采用“飞回机制”处理变量的约束条件,利用和谐搜索处理规划问题的约束条件,使粒子群在迭代过程中始终保持在可行域内,同时该算法中引入了被动聚集因子,有效改善了粒子的进化机制,提高了粒子的自由搜索能力。18节点算例验证了该算法应用于电网规划的正确性和有效性,HPSO算法、粒子群优化算法和PSOPC算法的比较结果表明该HPSO算法具有较好的收敛性能。     

对特高压变电站巡检机器人路径规划改进蚁群算法的研究

针对当前变电站巡检机器人路径规划算法存在的规划和适应性较弱等问题,在特高压变电站巡检机器人系统结构的基础上,提出了一种结合蚁群优化算法和人工势场算法的特高压变电站路径规划方法。将蚁群算法的传统单向搜索改进为双向搜索,在启发因子中加入人工势场力的合成方向,并对转移概率进行改进。通过栅格法构建特高压变电站仿真环境,进一步验证了所提规划方法的优越性。仿真结果表明,改进算法具有显著改善迭代次数和最小路径的效果,20×20栅格环境迭代15次收敛到长度26的最优路径,30×30栅格环境迭代70次收敛到长度43的最优路径。