基于粗糙集移动机器人微种群路径规划算法

针对机器人的路径规划,提出了一种将粗糙集和微种群遗传算法相结合的路径规划算法.该算法采用栅格法划分机器人的工作空间,十进制路径编码方式.在粗糙集生成初始路径的基础上,通过运用微种群遗传算法对这些初始路径进行优化后,得到了一条最优或近似最优路径.在Matlab环境进行的机器人路径规划仿真实验中,笔者用到的微种群遗传算法与一般遗传算法相比,具有优化效果明显,环境适应性强等优点,能够有效地提高机器人路径规划速度,结果表明作者提出的方法是正确和有效的.     

粗糙集遗传算法在机器人路径规划中的应用

提出了一种基于粗糙集和遗传算法混合方法的机器人路径规划方法,以提高机器人路径规划的速度和准确性.首先利用粗糙集获得机器人路径的决策规则,建立初始决策表,利用粗糙集理论进行化简,获得最小决策表,从中提出最小决策规则,然后利用所得的最小决策规则训练得出一系列可行路径的集合,最后利用遗传算法对这个种群优化,获得最优行走路线.对于两种不同环境分别进行仿真实验,验证了两种方法的混合算法在提高机器人路径规划速度上的优势.     

基于遗传算法的机器人路径规划

采用栅格法表示机器人工作环境模型，用序号编码，直角坐标与序号混合应用，采用遗传算法产生初始路径种群，并对其优化找出最短路径，然后增加删除，插入算子达到路径规划中避障的要求。用MATLAB语言进行的仿真研究，仿真结果表明遗传算法进行避障和路径规划的有效性和可行性。     

基于混沌遗传算法的移动机器人路径规划方法

结合遗传算法优化的反演性和混沌优化方法的遍历性,基于混沌遗传算法的移动机器人路径规划方法能够有效改善遗传算法的局部搜索能力和搜索精度,避免单纯使用遗传算法规划机器人路径时容易出现的早熟收敛现象．仿真试验表明,提出的路径规划方法在稀疏环境和密集环境下均能收敛到全局最优路径,具有更强的鲁棒性．     

基于人工智能算法的采摘机器人最优路径规划研究

在复杂多变的工作环境,特别是在多丘陵等特殊地理位置,快速选择最优路径,避开障碍物,完成作业,需要进行采摘机器人的路径规划.基于改进蚁群算法对拣选机器人路径进行规划,搜索效率较低,存在早熟收敛的可能,基于此,提出基于人工智能算法的采摘机器人最优路径规划方法.构建环境模型,为减少初始寻路时间,提高搜索速度,增强全局优化能力...     

遗传算法在机器人路径规划中的应用研究

采用栅格法对机器人工作空间进行划分,用序号标识栅格,并以此序号作为机器人路径规划参数编码,应用遗传算法对机器人路径规划作了研究。文中引入间断无障碍路径新概念以简化初始种群产生,定义了插入算子和删除算子以保证路径的连续性和简明性。应用遗传算法工具箱ＮＰＵＧＡＴｏｏｌｂｏｘＶｌ．０对所提方法作的仿真研究结果表明,该方法可行。     

一种基于改进遗传算法的机器人路径规划方法

在应用遗传算法进行机器人路径规划时,为了解决传统遗传算法"早熟收敛"和"收敛速度慢"的问题,设计了一种用于路径规划的改进遗传算法.该算法根据规划问题的具体要求,对染色体编码,种群初始化等操作进行了改进,编码采用二维浮点数变长度的编码方式,种群初始化采用知识启发的策略,以加快收敛速度.在控制参数设定方面引入自适应调整控制参数.采用MATLAB软件进行仿真,将改进算法与标准算法进行对比,结果得出改进算法缩短了路径长度和运行时间.证明了本算法的正确性和高效性.     

一种基于APGA的移动机器人路径规划算法

提出了基于自适应并行遗传算法的移动机器人路径规划算法,其基本思想是结合多种群并行进化及自适应调整控制参数,提高了搜索的范围和效率,缓解了传统遗传算法早熟收敛问题,从而克服了使用单种群遗传算法进行路径规划的不足．实验结果表明了该算法在移动机器人路径规划中的可行性和有效性．     

基于免疫遗传算法的多机器人环境探索

针对多机器人环境探索中的任务分配和路径规划问题,将环境中所有待探索的任务点根据短距离优先策略分配至个体机器人,利用改进的免疫遗传算法对机器人分配到的任务点进行优化探索,提出了带有初始任务点优化的路径规划方法,使机器人能够不重复并且高效地遍历工作环境中的所有探索点.通过建立多机器人仿真实验系统,随机产生环境中的任务点和机器人等数据信息,并在此条件下对本文方法进行实验验证.结果表明,本文方法能够有效地实现多机器人环境探索问题.     

基于改进遗传算法的机器人路径规划方法

针对基本遗传算法在机器人路径规划中存在收敛速度慢、易陷入局部最优解的问题,提出一种改进的遗传算法. 在适应度函数中增加带有惩罚项的平滑度函数; 引入精英保留机制,保留每一代最优个体; 自适应调整交叉概率和变异概率,使交叉概率和变异概率随进化次数变化而变化. 利用MATLAB在两种障碍物地图中与其他两种算法进行仿真对比分析,实验结果表明,改进后的算法在路径规划的应用中有效减少了机器人的转弯次数,提高了逃离局部最优路径的能力,寻优能力更强.     

基于遗传算法的移动机器人路径规划及人机协同控制研究

在分析传统遗传算法在路径寻优时易过早出现"最优解"及易陷入局部最优等不足,本文提出了一种改进的遗传算法.在生成初始种群时,产生可行且较优的父代,同时为了减小传统遗传算法在随机交叉和变异时引起的不稳定性,设计自适应交叉、变异概率,以提升算法效率,然后引入灾变算子防止算法陷入局部最优,过早得到"最优解".最后设计了移动机器...     

一种μGA+Quasi-Newton的混合优化算法

提出了一种新型的优化算法。此算法利用微种群遗传算法(μGA)的全局最优性在大范围内搜索可能的极值，而用拟牛顿(Quasi—Newton)法的目标函数梯度下降特性在极值点附近快速搜索，从而实现了全局最优与快速搜索的有机结合。同时，通过几个典型的试验函数对此混合算法与微种群遗传算法的寻优效果做了比较。     

基于遗传算法的电子商务物流配送研究

针对电子商务在物流配送中存在的问题,本研究以车辆可行驶最大路程为限制条件,将遗传算法与节约算法相结合,利用节约算法产生遗传算法的初始解,构造节约遗传算法解决电子商务环境下的物流配送路径优化问题。仿真结果表明,节约遗传算法比遗传算法更具有全局最优性,求得最短路径的效果明显高于遗传算法;随着进化代数的增加,两种算法都越来越趋向于最优值,节约遗传算法的进化起点远高于遗传算法的进化起点,其最优值比遗传算法最优值好;节约遗传算法中的进化代数和种群规模对算法的性能有一定的影响;有路程限制与无路程限制所取得的货车运行路线不同,车辆的最大运行距离也不同。该研究可以提高物流配送效率、缩短配送距离,对节约物流成本和提高客户服务水平具有重要意义。     

基于均分法的小生境遗传算法

为了避免遗传算法种群中个体过早陷入局部最小,在以往随机初始种群的基础上提出一种均分法,使得初始种群随机平均地分为若干个子种群,形成小生境,这样既维持了种群的多样性,也使得种群中的个体不会过早出现早熟现象,更提高了算法的收敛速度.同时采用了自适应技术控制交叉和变异的概率,使得算法能更快速地找到最优解.仿真结果表明,与传统的遗传算法优化RBF网络相比较,新算法的迭代次数更少,精度更高,大大提高了收敛速度.     

基于二进制粒子群算法的移动机器人路径规划

由于用PSO进行机器人路径规划的研究尚局限于用连续模型规划连续描述的环境中的路径,使算法受到一定的局限性.为此,研究了一种全新的基于栅格法的机器人路径规划二进制粒子群算法.首先用栅格法描述机器人工作环境,在此基础上,将机器人路径表示为粒子位置的二进制编码,并以路径长度为适应值,产生初始种群后,再对粒子位置和速度进行更新,经过多次迭代,即可获得从起始点到目标点的一条全局最优路径.该方法模型简单,算法复杂度低,收敛速度快,计算机仿真实验证明了该方法的有效性和先进性.     

求解AGV路径优化问题的遗传算法参数优化

介绍了基于AGVS的有向图模型求解AGV路径优化问题的遗传并行路径规划算法和有关遗传算子.根据遗传算法的运行流程,首先对AGV路径进行初始路径集生成和确定复制算子;其次用实验的方法对交叉算子和变异算子进行了性能比较,确定AGV路径优化中选用部分交叉算子和反转变异算子;最后研究了种群的大小对遗传算子收敛速度的影响.本文给出了部分遗传算子的实验数据和不同种群规模时的收敛情况.本文工作是研究AGV动态调度遗传算法及其仿真与实验的基础.     

基于遗传模拟退火算法的静态路径规划研究

针对传统遗传算法在基于神经网络模型的移动机器人静态路径规划中求解最优路径时存在的收敛较慢、易陷入局部极值点的问题，提出了一种基于遗传模拟退火算法的静态路径规划方法．通过对算法进行实验仿真，结果表明提出的静态路径规划方法是正确有效的．     

解空间种群均匀化自适应遗传算法的应用

提出了一种新型解空间种群均匀的自适应遗传算法，并采用随机方法对初始种群加以改进，使初始种群均匀分布于解空间之中.在优化进程中，引入自适应算法，使交叉的变异算子具有自适应性；将自适应调节机制引入适应值函数中，使适应值函数同样具有自适应性.为证实所提出的改进遗传算法的可行性和有效性，对几种典型的多峰值函数进行了寻优测试.优化测试结果与解析解及标准遗传算法优化结果相对比，证明改进遗传算法的全局搜索能力和收敛性都远优于标准遗传算法.     

基于GA-PSO算法焊接机器人路径规划研究

焊接机器人在制造业中有广泛的应用。在焊接任务中通常有许多焊接接头,合理地规划焊接路径使其穿过这些焊接接头,对焊接效率的提高有积极的影响。传统的手工路径规划技术可以有效地处理少量焊接接头,但当焊接节点数目较大时,很难获得最优路径。传统的手工路径规划方法耗时长、效率低,不能保证最优。遗传粒子群优化算法（GA-PSO）基于遗传算法（GA）和粒子群优化算法（PSO）的优点来解决焊接机器人的路径规划问题。仿真结果表明,该算法具有较强的搜索能力和实用性,适用于焊接机器人路径规划。     

基于云模型的网格任务调度遗传算法研究

针对网格环境动态多变性的特点,为了克服传统遗传算法易陷入局部最优的缺陷,提出了一种基于云模型的网格任务调度遗传算法。该算法由正态云模型的Y条件云发生器实现交叉操作,由基本云发生器实现变异操作,对调度模型进行优化求解,并在任务调度中对初始种群的产生、选择、变异和交叉操作进行了改进,通过实验分析,表明了该算法的可靠性、有效性和实用性。