城市作战仿真中CGF Agent战术路径规划

在城市作战仿真中,提出一种单CGF Agent战术路径规划方法。分析Agent路径规划过程中需要考虑的战术任务要求,建立距离代价与战术代价相结合的综合路径评价模型,设计基于改进概率路标图的战术路径规划方法。实验结果表明,该方法进行100次实验的平均规划时间为72.94 ms,最大和最小规划时间分别为110 ms和15 ms。     

基于云自适应遗传算法的NoC路径分配研究

路径分配是NoC设计流程中的两个关键步骤之一;路径分配的结果对NoC系统的性能尤其是通讯延时有着很重要的影响;多约束条件下的NoC路径分配问题是NP完全问题,要求出其最优解比较困难,目前常用的方法是利用启发式算法求得其较优解;文中提出一种基于云自适应遗传算法的NoC路径分配解决方案,该算法利用云模型对传统遗传算法加以改进,采取新的方法自动调整遗传算法过程中的交叉概率pc和变异概率pm,将适应度与云模型的3个参数Ex、En、He相互结合,从而达到优化遗传算法的目的;将此算法应用于2D-Mesh拓扑结构的NoC中,以平衡链路负载和联合优化为实验目标,以优化静态通讯分配结果;实验证明,文章所采取的算法在平衡链路负载和联合优化方面均取得了良好的效果。     

基于遗传算法的移动机器人动态路径规划研究

针对移动机器人未知、动态环境下路径规划的难题,对移动机器人进行了系统设计,采用动态栅格法对环境建模,在对传统遗传算法进行一定的改进的基础上,个体评价函数采取可行路径适应度函数和不可行路径适应度函数分别进行处理,通过算法设计和仿真可知,采用该方法对移动机器人进行动态路径规划时,与任何障碍物不发生碰撞,路径短而且规划曲线平滑,达到了满意的规划效果和收敛速度。     

基于改进遗传算法的路径规划问题研究

本课题研究基于改进遗传算法的机器人路径规划问题。对个体的编码方案和基本遗传操作等进行改进,并引入插入算法将离散路径点完善成一条连续无碰的路径。在总体流程上,仍然采用种群初始化、计算适应值、选择、交叉、变异等基本动作。仿真实验结果表明,本方法可以获得最优或较优解,达到了预期的效果。     

基于混沌遗传算法的机器人路径规划方法研究

针对机器人路径规划中,应用遗传算法时容易陷入局部最优解以及收敛速度较慢等问题,设计出一种基于混沌遗传算法的路径规划方法。在基本遗传算法的基础上采用自适应调整的选择概率,并引入混沌操作,从而增强移动机器人路径规划算法的鲁棒性,解决一般遗传算法的早熟和收敛速度慢问题。经MATLAB仿真,证明该方法具有良好的避障性能。     

基于遗传算法的机器人路径规划问题

机器人路径规划问题是机器人学的一个重要研究课题,目前有许多专家学者致力于该问题的研究,提出许多新的有效的方法,并且也不断对这些方法进行改进,达到一定的效果。主要介绍遗传算法的基本思想,分析基于传统遗传算法的机器人路径规划,总结基于传统遗传算法的机器人路径规划存在的问题。     

基于改进遗传算法的移动机器人路径规划

标准遗传算法在解决各类优化问题中获得成功,但它在具体的应用中由于缺乏对特定知识的利用,其性能有待提高。将改进遗传算法用于移动机器人的全局路径规划,复杂的二维编码问题简化为一维编码问题,建立边界约束,路径点必须在障碍物之外,路径点连线不能与障碍物相交等3个约束条件,以机器人行走路径最短作为适应度函数进行遗传优化。计算机仿真实验结果证明该算法在收敛速度、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移动机器人路径规划

标准遗传算法在解决各类优化问题中获得成功,但它在具体的应用中由于缺乏对特定知识的利用,其性能有待提高。将改进遗传算法用于移动机器人的全局路径规划,复杂的二维编码问题简化为一维编码问题,建立边界约束,路径点必须在障碍物之外,路径点连线不能与障碍物相交等3个约束条件,以机器人行走路径最短作为适应度函数进行遗传优化。计算机仿真实验结果证明该算法在收敛速度、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.     

基于改进遗传算法的移动机器人路径规划方法研究

路径规划是机器人技术研究领域中的核心问题。本文针对机器人路径规划问题,提出了基于遗传算法的解决方案。在遗传算子的设计中,通过加入自适应调整方法使得算法更加完善,解决进化过程中因陷入局部极小值而不能到达目标点的问题。最后,在模拟环境下进行路径规划仿真,验证了算法的有效性。     

基于遗传算法的移动机器人路径规划

本文提出的基于遗传算法的移动机器人路径规划,用栅格表示移动机器人的工作环境,采用序号编码和与此编码机制相适应的遗传操作算子,并增加了新的插入算子和删除算子,同时应用了最优保存策略,最后得到移动机器人在由栅格表示环境下的最短无碰路径.通过对算法进行仿真和实验,结果表明了所提算法的有效性和可行性.     

基于遗传算法的移动机器人路径规划

采用动态可变长编码的方法,以栅格表示环境。针对遗传算法大型障碍物难的问题,采用follow wall行为,较好地解决了基于遗传算法的快速路径规划和大型障碍物避障问题。该算法适应任何形状的障碍物,适用于静态和动态环境中。计算机仿真表明,该算法是一种正确和高效的路径规划方法。     

基于元胞遗传算法的机器人路径规划研究

使用基本遗传算法进行移动机器人路径规划时,面临路径进行插入修复无法保证解的可行性,且算法易陷入局部收敛的问题;针对上述问题,通过使用元胞遗传算法增强了路径规划环境建模的通用性,并在算法适应度函数中加入路径平滑因素改善了元胞遗传算法的路径;仿真实验表明,该算法和基本遗传算法相比,机器人行驶路径的长度减少,转角绝对值之和减小,得到了距离短且平滑的路径,提高了移动机器人的行驶效率和平稳性;由于算法良好的隐性迁移机制,因此在局部优化时保持了群体的多样性,一定程度克服了算法的早熟现象,有效解决了移动机器人路径规划问题。     

改进遗传算法在机器人路径规划中的应用研究

针对静态环境下机器人全局无碰撞的路径规划问题,提出了一种将顶点图像法与遗传算法结合起来的路径规划的方法。利用顶点图像法建立了机器人的路径模型,将候选路径表示为二进制位串的形式。在此路径模型的基础上设计了适应度增量计算法,提高了算法的收敛速度。提出了将差距大的染色体进行配对的改进染色体配对方式,保证了种群的多样性。仿真实验结果验证了该方法的有效性和可行性。     

基于改进遗传算法的移动机器人路径规划

针对传统遗传算法存在的搜索效率低、易于陷入局部最优解的问题,提出了一种改进的遗传算法;采用简单的一维编码替代复杂的二维编码,节约了存储空间;在遗传算子的设计中,重新定义了交叉算子和变异算子,避免了陷入局部最优;最后将最短路径和免碰撞相结合作为适应度函数进行遗传优化;在种群的各项参数均相同的情况下,分别对改进遗传算法和传统遗传算法进行了100次实验;其中,改进遗传算法搜索到最优路径的次数为95次,最短路径长度为20.970 6,平均搜索用时217 ms;传统遗传算法搜索到最优路径的次数为62次,最短路径长度为25.071 1,平均搜索用时345 ms;实验结果表明,相比于传统遗传算法,改进遗传算法搜索效率更高且能获得更好的解。     

基于遗传算法的多车体机器人路径规划方法

带拖车的移动机器人系统是一种复杂的多车体系统,在不同的转弯角度下所需的路径宽度也不同,其路径规划是个难题;在给出带拖车轮式移动机器人稳态和暂态过程运动学方程的基础上,推导得出了多车体移动机器人在最大转弯情况下所需的最大路径宽度,并将之定义为等效尺寸;应用遗传算法,提出了基于等效尺寸的多车体移动机器人的路径规划方法;首先通过等效尺寸的多步障碍扩张,对障碍物的临近区域和狭窄通道进行可行性约束的分析;然后应用遗传算法进行全局的路径规划,将路径的长度和宽度综合在适应度函数之中;在一定程度上,多车体移动机器人的路径规划问题得到解决;文章通过建立三维网格化地图,对障碍物的临近区域和狭窄的瓶颈通道区域进行了可行性约束的描述,遗传算法在较复杂的环境中实现了良好的避障,并得到了相对较短的有效路径。     

基于遗传算法的曲面最短路径求解

对曲面上两点间最短路径的求解是一个应用非常广泛,但理论求解困难的问题。遗传算法是一种新型的、较成熟的全局随机搜索算法,具有优良的性态。该文将遗传算法引入到曲面最短路径寻优的问题中。首先在离散化的模拟数字高程上依据起点和终点,以实数编码产生一系列初始群体,定义相应的适应度函数,然后对群体进行复制、交叉和变异等操作,求解出一条曲面上两点间的最短路径。在文章的最后给出了一个数值仿真实例来了证明该算法的有效性和实用性。     

基于改进遗传算法的机器人路径规划

在分析传统遗传算法的基础上提出一种移动机器人全局路径规划算法.采用方向的二进制串对染色体进行编码,在生成初始种群时,沿着正弦曲线轨迹生成部分染色体.另外选择和交叉操作采用了锦标赛选择算子和多点交叉算子,仿真结果显示本算法正确有效.     

基于遗传算法的UAV自适应航迹规划

根据遗传算法与动态的稀疏A*搜索(Dynamic Sparse A*Search,DASA)算法各自的特点,提出一种组合优化算法来实现在不确定战场环境中自适应航迹规划.在无人机(UAV,Unmanned Aerial Vehicles)飞行前,采用全局搜索能力强的遗传算法进行全局搜索,对从起始点到目标点的飞行航线进行规划,生成全局最优或次优的可行参考飞行航线;在无人机任务执行阶段,以参考飞行航线为基准,采用DASA算法进行在线实时航迹再规划.仿真结果表明,与遗传算法相比,该组合算法不但能生成近似最优解,而且能够满足在线实时应用的要求.