一种移动机器人全局路径规划新型算法

针对模拟退火算法收敛速度慢这一缺陷，提出了一种基于共轭方向法和模拟退 火算法相结合的新型混合优化算法，并成功应用于机器人神经网络路径规划中．该算法可以 使优化解不陷入局部极值解而得到全局最优解．仿真实验研究表明：本文提出的这种新型混 合优化算法，计算简单，收敛速度快，显著提高了求解移动机器人全局最优化问题的计算效 率．     

一种移动机器人全局最优路径规划算法

针对移动机器人全局最优路径规划问题,首先提出一种基于线性操作的遍历式算法,该算法通过场扫描方式生成步长转换矩阵(STM,Step Transform Matrix),并在步长转换矩阵中搜索考虑方向一致的最短路径,从而可以得到避免不必要路径转折的全局最短路径.其次提出了一种评价标准来区分路径优劣.最后通过仿真与圆形波传播算法进行了路径规划对比实验,实验结果表明本文所提算法在所提出的路径评价标准下可以获得比波传播算法更优的路径.     

一种新的移动机器人全局路径规划算法

提出了一种新的移动机器人全局路径规划算法．该算法不需要对环境中的障碍物特征做任何假设,也不需要建立障碍物的连通图模型,有效地克服了传统路径规划算法因为搜索而带来的计算复杂性问题,提高了算法的适应性和实时性．仿真结果证明了算法的有效性．     

基于改进的生物激励神经网络机器人路径规划算法

针对传统生物激励神经网络（BINN）在点对点全局路径规划中存在的路径偏离和路径非最优问题,提出了基于路径修正和无障碍理想路径制导的生物激励神经网络算法。路径规划的初始阶段,通过判断起始单元外部激励输入和起始单元活性值大小决定是否触发路径生成策略,从而实现初始路径修正;在生成下一位置单元的算法中结合无障碍理想路径的导向,引入实际路径单元与无障碍理想路径单元间的理想路径接近率使路径神经元活性值增大,从而实现路径优化。在静态复杂环境下,分别以三种算法进行了对比实验。实验结果表明,改进后的路径规划算法相比传统生物激励神经网络算法和基于目标制导的生物激励算法,不仅解决了路径规划初始阶段的路径偏离问题,而且使路径长度和路径转折次数更低,效率更高。     

基于神经网络的机器人路径规划算法

机器人路径规划技术是机器人研究的一个重要领域.针对未知的全局环境,使机器路径最优化,利用机器人传感器网络建立可视区域,将整体任务分解为环境信息已知的一系列子任务,利用神经网络高速并行计算的优点,建立神经网络罚函数,提出一种实时性较高的变参数方法离散化求取罚函数的负梯度方向,控制机器人快速高效地完成子任务,从而驱使机器人到达目标点并进行仿真.仿真结果证明了复杂环境静态和动态目标指引下方法的有效性和实用性,特别适用于实时性要求高的场合.     

一种改进的移动机器人全局路径规划算法

基于移动机器人的安全考虑，提出了一种改进的可视图法。该方法用尽可能远离障碍物的路径表示弧，先确定可能的路径点作为节点，然后考虑可能路径，建立结点间的弧，并用Dijkstra算法求出图中的最短路径。最后通过仿真研究表明，用文章提出的方法规划的路径可以达到或接近最优路径。     

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.     

一种移动机器人路径规划算法的性能仿真分析与参数优化

本文首先介绍了一种基于神经网络的移动机器人路径规划算法 .然后给出了该算法的具体实现步骤 .最后通过计算机仿真的方法分析了算法参数对其性能和效率的影响 ,为算法付诸实际应用时的参数优化选择提供了有意义的指导     

动态环境下机器人路径规划的一种新方法

提出了一种动态环境下实用于机器人路径规划的新方法。该方法先利用链接图法对环境建模,再通过遗传算法搜索出全局最短路径。然后在机器人行进过程中再分别遇到障碍物的类型不同而采取不同的局部路径规划策略完成避障,同时顺利达到目的地。仿真表明该方法具有可行性。     

基于遗传神经网络的车辆导航路径规划

研究使用混合 GA-BP 神经网络算法来解决交通路径规划中的非线性问题。反向传播(Back-Propagation, BP)神经网络虽然能够很好地解决非线性问题,但它存在着容易陷入局部极小的不足,而遗传算法(Genetic Algorithm, GA)具有很强的宏观搜索能力和良好的全局优化性能,可以弥补BP的不足。用A*算法快速粗算出的几条可选路径作为 GA 的初始种群,然后用混合的 GA-BP 神经网络算法进行路径规划精算。仿真结果显示混合GA-BP神经网络算法在寻找路径规划的全局最优解上具有一定的优势。     

基于神经网络租遗传算法的足球机器人路径规划

针对足球机器人在动态环境下的安全路径规划,提出一种将神经网络和遗传算法相结合的路径规划方法。用hopfield神经网络描述存在障碍物的动态环境,然后用遗传算法对代表路径的控制点进行寻优,并把路径安全性和最短路径要求融合为一个适应度函数。通过仿真实验表明该方法具有较高的实时性和有效性。     

基于神经网络和遗传算法的足球机器人路径规划

针对足球机器人在动态环境下的安全路径规划,提出一种将神经网络和遗传算法相结合的路径规划方法.用hopfield神经网络描述存在障碍物的动态环境,然后用遗传算法对代表路径的控制点进行寻优,并把路径安全性和最短路径要求融合为一个适应度函数.通过仿真实验表明该方法具有较高的实时性和有效性.     

复杂环境下路径规划问题的遗传路径规划方法

本文主要研究复杂环境下路径规划问题的遗传算法求解方法．介绍了适于求解路径 规划问题的遗传算法,针对复杂环境的特点设计了有效的路径遗传算子,在此基础上提出一 种新的度量路径个体适应度的计算方法．试验表明,该算法有很强的鲁棒性,适合于复杂环 境下的路径规划．     

基于小波神经网络的图像重构训练算法研究与实现

针对传统的图像重构算法的不足，提出一种基于小波神经网络的图像重建快速学习算法，运用小波神经网络对图像重构进行了仿真研究，实验表明，对于不同的误差模型，小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近，收敛速度快，近似精度高，而且网络规模也较小，计算量少，对计算机视觉和图像处理具有良好的应用价值。     

基于改进RRT-Connect算法的机械臂路径规划

针对RRT^*算法速度较慢问题,提出一种快速收敛至最优路径的最优双向快速扩展随机树(Optimal Bidirectional Rapidly-exploring Random Trees,Obi-RRT)算法。Obi-RRT使用改进的RRT-Connect算法快速得到较低成本路径,通过路径修剪得到关键点,围绕关键点提出三种采样空间并进行采样,通过不断更新关键点从而得到最优或接近最优的路径。平面和机械臂关节空间下的仿真实验表明,Obi-RRT算法运行时间仅为RRT^*算法的十分之一,并且路径成本更低。     

一种基于NFCS形态的模糊神经网络的学习算法

神经网络与模糊逻辑协同系统（NFCS）是神经网络与模型系统深度融合的一种形态，传统的BP算法也可作为NFCS的学习算法，但收敛性能不佳，针对NFCS形态的模糊神经网络提出了BP算法的一种新的改进算法（NFCS－BP），即在误差传播时不仅改变网络的连接权值，同时也改变模糊逻辑神经元模型的补偿参数，首先介绍了NFCS的协同机制和典型结构，然后详细推导了改进算法的迭代公式，实践证明，与传统BP算法相比，该算法具有收敛性能好，函数逼近精度高的优点。     

基于改进层次遗传算法优化的神经网络信道均衡器

层次遗传算法的性能与评价个体进化优劣的适应度函数密切相关,对适应度函数的参数进行了研究,提出了依据信道零点和单位圆之间距离设定参数值的新方法,降低了函数复杂度,减少了人为因素影响,提高了算法确定RBF神经网络均衡器结构的效率及性能。仿真结果验证了算法的有效性和稳定性。     

基于神经网络的混沌加密算法

首先用神经网络来训练已知混沌序列,并利用该模型产生的非线性序列实现了明文、密文之间的转换,该算法的优点之一是神经网络（NN）隐式混沌映射关系使直接获取映射关系变得困难,经理论分析选择了较好的神经网络学习方法,实验进一步表明,该算法产生的序列随机性、抗破译性能良好;加密弹性大,可扩展性好;加密速度快。