机器人路径规划中的改进型遗传算法

提出了一种应用于机器人路径规划的改进型遗传算法。针对机器人路径规划的实际应用,优化设计了交叉算子和变异算子,引入了自定义的插入和删除两种遗传操作。通过把地图特征信息作为参与决策的已知条件来约束遗传算子的操作过程,提高了算法的进化效率。自定义遗传算子的使用,使得算法对复杂地图也表现出良好的适应能力。计算机仿真实验证明该算法在最优解输出概率方面相对于基本遗传算法有了显著提高。     

基于改进遗传算法的舰船路径规划

遗传算法在解决非线性问题上具有良好的适用性,但是也存在着收敛性慢和局部最优解的缺陷,并且在实际应用中缺乏特定知识的利用.针对舰船路径规划的特点,对标准遗传算法进行了改进和优化,采用基于坐标的一维编码方式,设计了插入算子、删除算子、平滑算子和扰动算子,提高了进化效率.计算机仿真结果表明,该算法在收敛速度和输出全局最优解的概率相对于标准遗传算法都有了显著提高.     

基于改进遗传算法的机器人路径规划

文中提出一种基于改进遗传算法的移动机器人路径规划方法,将复杂的二维编码问题简化为一维编码问题,优化改进标准遗传算法的选择算子和交叉算子,引入路径规划特定的遗传算子(修正算子),最后以移动机器人行走路径最短作为适应度函数进行遗传优化.此算法克服了标准遗传算法的早熟收敛、运算结果稳定性差等问题,提高遗传算法的进化效率.仿真实验结果验证了该算法在移动机器人路径规划中的可行性和有效性,以及规划结果的稳健性.     

改进微粒群算法在机器人路径规划中的应用

研究机器人路径规划问题,是为了设定合理最短路径、最快速度、小能耗的优化路径.由于目前微粒群算法应用在路径规划中易陷入局部最优、搜索时间长等缺点,在微粒群算法基础上,提出一种引入了交叉算子和变异算子的改进算法进行路径规划设计,并采用栅格法对机器人实际运动环境进行三维空间建模.在微粒群算法中引入交叉算子,使成对的粒子可以进行信息交换,以便粒子具有了向新的搜索空间飞行的能力;同时引入变异算子,使其坐标值被随机更新,增强了微粒群算法跳出局部最优点的能力.仿真结果表明改进算法简单有效,收敛速度快且具有优秀的搜索能力,为优化机器人路径规划性能提供了依据.     

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。     

知识引导遗传算法实现机器人路径规划

针对传统遗传算法求解机器人路径规划问题存在的收敛速度较慢的缺陷,设计一种知识引导遗传算法,在染色体的编码、初始种群的产生、各种遗传算子和优化算子中加入相关的领域知识.综合考虑机器人路径的长度、安全度和平滑度等性能指标,在对机器人进行路径规划的同时,利用删除、简化、修正和平滑4种优化算子进行路径优化操作.仿真结果表明,所提方法能够有效提高遗传算法求解实际路径规划问题的能力和效率.     

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。     

基于改进遗传算法的机器人路径规划与仿真

针对标准遗传算法解决机器人处于障碍环境下寻找最优路径局部寻优精度较差、规划效率低的问题,提出一种改进遗传算法的机器人路径规划方法。该算法采用一维编码表示路径,构造了路径最优化的目标函数和适应度函数,利用多个种群拓宽搜索空间,提高了规划效率,采用保优选择策略,避免陷入局部最优。仿真结果表明,改进遗传算法比标准遗传算法路径规划质量高,能够获得平滑的低代价路径,稳定性好,是机器人路径规划的一种较好的方法,且具有一定的推广意义。     

微粒群算法在机器人路径规划中的应用

提出并研究了一种应用于机器人路径规划的改进微粒群算法;提出了矢量编码方案,有效地避免了对地图建模过程的依赖;在解的评价函数中引入了障碍物排斥函数项,实现了关于所求路径到障碍物距离的优化。最后,在基本微粒群算法的基础上引入了交叉算子和变异算子,使得算法在保持较高收敛速度的同时能够很好的避免陷入局部最优点。计算机仿真结果表明了改进算法相对于基本微粒群算法的优越性,并在100次的重复实验中达到了100%的成功率。     

基于传统遗传算法的改进排爆机器人路径规划研究

针对传统遗传算法进化速度慢、容易陷入局部最优点等缺陷,提出了改进后新的路径规划算法.在判断路径中,基于闵科夫斯基原理对障碍物进行扩展;在构造路径中基于可视图原理进行改进,构造机器人的真正可行区域;在最短路径中对遗传算法中种群的初始化,个体的编码方法等问题做了详细的研究,并在选择算子中引入相似度的概念,大大扩大了初始种群...     

遗传算子的分析

阐述了遗传算法的特点,分析了遗传算法中选择算子、交叉算子和变异算子的特性,讨论了不同遗传算子对算法最优结果的获得所起的作用,提出了改善算法性能的措施,并设计了切实可行的选择算子、交叉算子和变异算子。模拟结果表明,遗传算法能在较短的时间内提供优化解,为解决复杂的优化问题提供了可行方案。     

基于学习算子的自学习遗传算法设计

遗传算子是影响遗传算法优化效果的重要因素。针对目前遗传算法研究中忽视个体能动性，没有充分利用进化经验信息的不足，提出反映个体学习能力的学习算子。给出了以个体适应度的变化方向和速度为依据的学习算子设计方法及其计算过程。在此基础上与现有的改进遗传算子结合，提出一种新的改进遗传算法-自学习遗传算法，分析了自学习遗传算法与自适应遗传算法之间在原理上的区别。以一个弹道导弹射程优化问题为算例对算法进行了性能测试，结果表明，在采用相同的改进遗传算子的条件下，学习算子能够以较低的代价提高遗传算法的收敛速度，并获得更好的最终优化结果。     

约束优化问题的改进遗传算法设计

遗传算子是影响遗传算法优化效果的重要因素,针对目前遗传算法研究中对约束优化问题求解的不足,提出基于退火思想的退火选择算子和加权适应度算子,并给出了退火选择算子和加权适应度算子设计方法及其计算过程.在此基础上与现有的遗传算子结合,提出一种新的改进遗传算法,分析了改进遗传算法与基于罚函数遗传算法之间在原理上的区别.最后以两个测试函数为算例对算法进行了性能测试,结果表明改进的遗传算法具有良好的优化性能,能获得更好的优化结果.     

基于两种新型遗传算子的优化组合遗传算法①

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码对搜索空间描述精细、容易位值计算的特点,从矩阵遗传算子和布尔遗传算子的角度,分别对全局搜索和局部搜索的性能进行改进,并将二者组合应用,构造基于这两种新型遗传算子的优化组合遗传算法,避免了传统遗传算法中杂交率和变异率参数的选取,保证了算法的全局收敛性。实验结果表明,该算法具有更好的整体搜索性能。对应用二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义。     

基于两种新型遗传算子的优化组合遗传算法①

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码对搜索空间描述精细、容易位值计算的特点,从矩阵遗传算子和布尔遗传算子的角度,分别对全局搜索和局部搜索的性能进行改进,并将二者组合应用,构造基于这两种新型遗传算子的优化组合遗传算法,避免了传统遗传算法中杂交率和变异率参数的选取,保证了算法的全局收敛性。实验结果表明,该算法具有更好的整体搜索性能,对应用二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义。     

扩散遗传算法及其应用研究

针对遗传算法在局部搜索能力方面的缺陷,提出了一种基于扩散算子的遗产算法(简称扩散遗产算法)。该算法中包含的扩散算子是变异算子,其主要作用是在遗传搜索中进行局部搜索。用扩散遗传算法和实数编码遗传算法分别训练用于解XOR问题的神经网络,对比结果表明,论文提出的算法兼具强的全局搜索能力和局部搜索能力,因此,该算法可以不借助其它局部搜索算法而单独作为神经网络训练算法,从而简化训练算法,提高训练效率。该算法对提高遗传算法搜索效率和求解精度具有重要的意义。     

一种启发式遗传算法及其在最短路径求取中的应用

对经典的遗传算子(选择算子、交叉算子和变异算子)进行重新设计,提出了一种启发式遗传算法。它能够根据种群的进化情况,动态地调整遗传算子,维持种群的多样性,克服过早收敛并加快了搜索速度,得到高品质解。将算法用于最短路径求取中,仿真结果证实是合理而有效的。     

应用布尔遗传算子求解N皇后问题

应用回溯法求解规模较大的N皇后问题时,时间开销巨大。从提出布尔遗传算子角度,增强遗传算法局部搜索性能,与具有良好全局搜索性能的矩阵遗传算子组合应用,对N皇后问题求解。采用自然数和二进制互换的编码方式,应用N皇后的约束条件构造适应度函数,保证了算法的全局收敛性。通过与回溯法和相关遗传算法比较,实验证实了该方法应用于求解N皇后问题,具有良好的搜索效率和求解质量。     

融入遗传算法的混合蚁群算法

为了提高基本蚁群算法的收敛性能和全局求解能力,对基本蚁群算法进行了改进,提出了一类融入遗传算法的混合蚁群算法.在每代进化中保留最优解和次优解的公共解集后引入遗传操中的交叉算子和变异算子进行运算.对优秀解公共解集的保留加快了算法收敛速度,引入交叉和变异扩大了解的搜索空间,提高了解的全局性.通过对TSP问题的仿真运算表明,融入遗传算法的蚁群算法在收敛速度和解的全局性上都有较大的改善.