排序方式: 共有18条查询结果,搜索用时 0 毫秒
1.
2.
遗传算法和小波神经网络PID在电机控制系统中的应用 总被引:1,自引:0,他引:1
提出了一种基于遗传算法和小波神经网络的PID参数整定方法.首先,利用具有自然进化的遗传算法对小波神经网络的初始权值进行优化训练,解决了控制器网络初始权系数对控制效果产生的影响;其次,利用小波神经网络对PID参数进行在线调节;最后,将此算法运用到电机控制系统的PID参数寻优中.仿真结果表明:基于此算法设计的PID控制器可以极大地提高寻优速度,鲁棒性强,改善了电机控制系统的动态性能和稳定性. 相似文献
3.
4.
5.
6.
针对蚁群算法在全局路径规划时无目的搜索、收敛慢和规划的路径不平滑等问题,本文提出了一种融合 A
∗ 蚁群和动
态窗口法(dynamic window algorithm, DWA)的平滑路径规划方法。 首先,对于传统蚁群算法,利用改进 A
∗ 算法非均匀分配初始
信息素,解决算法初期搜索无目的问题;给出算法自定义的移动步长和搜索方式,提高路径寻优效率;修改转移概率函数中的启
发函数值并增加障碍物影响因子,在避免死锁现象的同时加快收敛速度;采用二次路径优化策略,使得路径更短更平滑;其次在
动态窗口法的评价函数中引入动态避障评价子函数,提高路径的安全性。 仿真实验结果表明,改进 A
∗ 蚁群算法较传统蚁群算
法可减少 8. 75%的路径长度和 59%的转折点数,融合优化动态窗口法后,移动机器人既能保证在静态环境下规划出全局最优
的路径,又能实现动态环境下的路径规划,有效躲避环境中出现的动态障碍物。 相似文献
7.
A*算法通过启发信息指引搜索方向,被广泛应用于移动机器人的路径规划,但其规划出的搜索路径存在冗余节点且与障碍物相近,无法满足动态避障需求。对标准A*算法进行改进,设计安全A*算法并融合动态窗口法进行路径规划。定义安全距离因子引入A*算法的启发函数中,提高算法规划路径的安全性,同时采用平面结构法对算法规划得到的路径进行优化,根据相邻节点与障碍物之间的位置关系判断该相邻节点间是否存在障碍物,由此减少路径拐点数,提高路径平滑度。由于当移动机器人处于未知环境时,仅靠A*算法不能避开障碍物到达目标点,因此借助动态窗口法的局部避障功能。通过安全A*算法规划全局最优路径节点坐标,设计融合子函数改进动态窗口法的评价函数,解决动态窗口法易陷入局部最优的问题。实验结果表明,在复杂环境中,该方法通过融合安全A*算法和动态窗口法,能够确保在安全路径基础上实时随机避障,使机器人安全到达终点。 相似文献
8.
针对移动机器人在蚁群算法路径规划中存在陷入局部收敛且无法做到路径最优的问题,提出了改进变步长蚁群算法,使其能够在收敛迭代次数较少的情况下做到路径最优。针对蚁群算法应用在路径规划中的相关特性,优化信息素分配,降低局部信息素含量对算法的影响,避免蚁群在搜索路径时陷入局部最优,在转移概率公式中增加权重因子,提高移动机器人朝着终点方向移动的概率,有效减少蚁群收敛迭代次数,改变移动机器人移动步长,使其能在360°内自由无碰撞移动,有效缩短路径长度。仿真结果表明,在简单环境下,改进变步长蚁群算法的收敛迭代次数及最优路径长度分别为2次及28.042 m,传统蚁群算法的收敛迭代次数及最优路径长度分别为25次及29.213 m;在复杂环境下,改进变步长蚁群算法的收敛迭代次数及最优路径长度分别为2次及43.960 2 m,改进势场蚁群算法的收敛迭代次数及最优路径长度分别为16次及45.112 7 m。仿真结果验证了改进变步长蚁群算法的有效性和优越性。 相似文献
9.
10.