基于改进粒子群优化算法的移动机器人路径规划

为了实现微型足球机器人的平滑最优路径规划,提出了一种结合Ferguson样条路径描述和改进粒子群优化算法的路径规划方法。利用Ferguson样条描述移动机器人路径,将路径规划问题转化为三次样条曲线的参数优化问题,借助改进的具有速度变异的粒子群算法进行路径优化。仿真实验表明,算法可以有效进行障碍环境下机器人的无碰撞路径规划,改进的粒子群算法进行路径优化迭代80次左右即可收敛,规划路径平滑、合理,有一定的实用价值。     

基于粒子群三次样条优化的局部路径规划方法

为解决机器人在静态未知环境下如何利用局部环境信息规划出连续平滑的路径问题,提出一种基于粒子群三次样条优化与滚动窗口结合的局部路径规划方法。借助三次样条描述路径,根据机器人实时探测到的局部环境信息,在滚动窗口中运用粒子群算法解决样条参数的优化问题,使各部分路径光滑且一阶连续,从而实现最优局部路径规划。仿真结果表明：所提算法可以在静态环境下快速有效地实现机器人的无碰撞局部路径规划,且所规划路径平滑,便于运动控制。     

基于改进粒子群三次Bezier曲线优化的路径规划

为了实现在障碍环境空间下移动机器人的平滑最优路径规划,提出了一种利用Bezier曲线描述路径与改进粒子群优化算法相结合的路径规划方法。借助三次Bezier曲线描述路径,可以将路径规划问题转换为生成Bezier曲线有限个点的位置优化问题,通过改进的具有指数变化的认知因子的粒子群优化算法进行最优路径搜索。仿真实验表明,该算法可以有效地进行平滑的无碰撞路径规划,并具有较强的跳出局部最优的能力。     

改进粒子群优化算法的移动机器人路径规划

针对单一智能优化算法求解机器人路径规划时易陷入局部误区的问题,提出改进粒子群优化算法(GB_PSO)用于机器人路径规划.该算法以粒子群优化算法(particle swarm optimization,PSO)为主体,由于遗传算法(genetic algorithm,GA)和细菌觅食算法(bacterial foraging optimization algorithm,BFO)更新策略所受环境影响的不同,拟合两种环境参数;然后计算粒子与不同环境参数之间的相关性将粒子群划分为两类,分别通过GA的选择、交叉、变异算子和BFO的趋化操作并行加强局部优化;最后通过改进的粒子群更新公式对粒子进行更新,实现机器人全局和局部路径的优化.实验结果表明,改进粒子群优化算法进行路径规划提高了局部和整体的搜索能力,路径规划速度快且路径距离短,同时具备更强的鲁棒性.     

未知环境下机器人路径规划的粒子群优化

研究了全局静态环境未知时机器人的路径规划问题,提出了一种新颖的基于粒子群算法的滚动规划算法。该方法在机器人视野域内产生若干个同心圆进行环境建模,然后利用粒子群优化算法规划出一条导航路径,机器人每前进一步,都由粒子群优化算法重新规划导航路径,因此,机器人前进路径不断动态修改,从而能使机器人沿一条全局优化的路径接近终点。仿真实验结果表明,即使在障碍物非常复杂的地理环境,用该算法也能迅速规划出一条优化路径,且能安全避碰,效果令人满意。     

未知环境机器人路径规划环境建模

针对未知环境下机器人路径规划算法存在的运算耗时较高、响应慢等问题，提出一种适用于未知环境信息情况下的动态路径规划方法及规避策略。通常情况，一般机器人主要是设计出最短路径，但本文的机器人的路径要求解决避开障碍物快速到达幸存者位置并给予治疗的优化路径。本文首先提出对栅格法中如何确定栅格大小的方式优化方案；换取滚动窗口算法中的启发式算法，应用改进后的粒子群算法实现局部环境的路径规划；在适应度函数中加入安全因子和平滑因子。机器人在搜索环境中，通过正确的适应度函数，规划一条从起点到目标点的最优路径，采用改进后粒子群算法进行路径规划，机器人可以安全避开所有障碍物。     

基于粒子群三次样条优化的图像边缘描述算法

针对手工选点生成的三次样条曲线无法准确地描述图像边缘的问题,以粒子群三次参数样条曲线优化算法为基础对现有的图像边缘算法进行了改进。在图像边缘上取若干点作为样条曲线的型值点,利用粒子群算法对这些型值点进行优化,使得到的样条曲线对图像边缘有很好的贴合。实验表明,该算法不仅能够快速拟合样条曲线,而且优化后的样条曲线形态能较好地贴合图像边缘轮廓。     

一种障碍环境下机器人路径规划的蚁群粒子群算法

针对机器人在障碍环境下寻找最优路径问题, 提出了一种障碍环境下机器人路径规划的蚁群粒子群算法.该方法有效地结合了粒子群算法和蚁群算法的优点, 采用栅格法进行环境建模, 利用粒子群算法的快速简洁等特点得到蚁群算法初始信息素分布, 以减少迭代次数, 加快算法的收敛速度; 同时利用蚁群算法之间的可并行性, 采用分布式技术实现蚂蚁之间的并行搜索, 求解精度高等优点, 求精确解. 仿真实验结果证明了该方法的有效性, 是机器人路径规划的一种较好的方法.     

改进粒子群在水下机器人路径规划中的应用

在海洋环境中水下机器人路径规划具有规划范围广阔、障碍物相对稀疏、海流的影响不可避免的特点。应用粒子群优化(PSO)算法实现水下机器人在复杂海洋环境中的路径规划,并从参数控制策略及拓扑模型方面进行改进,得到收敛精度更好的改进粒子群优化算法。设计了综合路径长度、海流和转向费用的适应度函数,使算法很好地适应海流的变化,很大程度减小了海流对水下机器人能量消耗和控制的不利影响。经仿真实验验证了算法的有效性,并能够很好地满足在复杂海况环境水下机器人路径规划的要求。     

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.     

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。     

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.     

动态环境中基于改进粒子群的机器人路径规划

提出一种模糊隶属度函数对动态环境中机器人的运动状况进行建模,该建模方法不会无谓地牺牲机器人的可运动空间,可尽量减少机器人路径规划的约束强度;同时提出通过调整位置加权趋向无约束最优解的算子改进粒子群算法,提高算法的寻优速度。仿真结果表明,通过两者结合,可快速获得动态环境中的优化路径。     

基于改进PSO算法的移动机器人路径规划

针对粒子群优化(PSO)算法收敛速度快但容易陷入局部极值和细菌觅食优化(BFO)算法全局搜索能力强但效率低的问题,提出了一种将BFO算法的趋化、迁徙和复制操作引入到粒子群搜索过程的具有全局搜索能力和快速收敛的混合算法.在BFO算法和PSO算法的原理、操作步骤基础上,分别使用了PSO算法、BFO法和混合算法对移动机器人进行全局路径规划仿真试验,并分别给出了各算法的迭代次数、适应值曲线.仿真结果表明:与PSO算法和BFO算法相比,所提出的混合算法具有搜索时间短、迭代次数少的优点,较好验证了混合算法在移动机器人路径规划方面的可行性和有效性.     

基于多目标蝗虫优化算法的移动机器人路径规划

在静态多障碍物环境下的移动机器人路径规划问题中，粒子群算法存在容易产生早熟收敛和局部寻优能力较差等缺点，导致机器人路径规划精度低。为此，提出一种多目标蝗虫优化算法（MOGOA）来解决这一问题。根据移动机器人路径规划要求将路径长度、平滑度和安全性作为路径优化的目标，建立相应的多目标优化问题的数学模型。在种群的搜索过程中，引入曲线自适应策略以提高算法收敛速度，并使用Pareto最优准则来解决三个目标之间的共存问题。实验结果表明：所提出的算法在解决上述问题中寻找到的路径更短，表现出更好的收敛性。该算法与多目标粒子群（MOPSO）算法相比路径长度减少了约2.01%，搜索到最小路径的迭代次数减少了约19.34%。     

基于改进PSO算法的机器人路径规划及实验

针对粒子群优化（PSO）算法存在的优化精度低以及早熟的缺点,提出一种改进的PSO算法用于机器人路径规划．根据梯度下降法中变量沿负梯度方向变化的原则,提出了改进的粒子速度更新模型．为了提高粒子的搜寻效率及精度,增加了自适应粒子位置更新系数．引入ε贪心策略设计了改进的粒子群优化算法．在部分优化测试函数上的多次试验结果表明,所提算法较其他算法模型搜索精度至少提高2倍,收敛速度也有大幅度的提升．将所提算法和改进的DC-HPSO（动态聚类混合粒子群优化）算法应用于静态障碍物下的路径规划仿真和实际试验,结果表明所提模型具有高精度、高效率、高成功率的优点．