基于可视图与改进遗传算法的机器人平滑路径规划

针对传统遗传算法在路径规划中存在收敛速度慢、易早熟和路径质量差等缺点,提出一种基于可视图与改进遗传算法的路径规划算法。首先,利用可视图法压缩地图信息,减少搜索节点;然后,对路径个体采用浮点数编码,引入模拟二进制交叉(simulated binary crossover,SBX)算子和多项式变异算子,并采用精英保留策略和轮盘赌相结合的选择算子以防止优质个体丢失;之后,将贝塞尔(Bezier)算子引入遗传算法,改善路径的平滑性;最后,分段优化贝塞尔控制节点,防止优化路径与障碍物碰撞。在仿真地图中进行测试,实验结果表明,所提算法相比于其他算法可以规划出一条更平滑、更短的路径。将算法应用在康复助行机器人中进行测试,实验结果表明,所提算法能有效解决机器人的全局路径规划问题,提升全局路径规划的效率。     

遗传算法非效率操作的改进方法

在分析传统遗传算法性能的基础上,提出模式控制方式GA,它能提高解的发现能力,保证遗传操作过程中的“型质”遗传性,并能解决控制收敛方向这一根本性问题。以路径规划问题为例,验证了模式控制方式GA在复杂问题优化中的有效性。     

基于GA的网络最短路径多目标优化算法研究

针对现有基于遗传算法(GA)优化的网络最短路径算法存在优化目标单一、遗传编码质量低、搜索策略间平衡性差、适应度分配效率与灵活性较低等问题,建立一种多目标优化最短路径自适应GA模型,提出了优先级编码和优先级索引交叉算子,引入了遗传算子参数的模糊控制机制和基于自适应加权的适应度分配方法.实验结果表明,该算法的准确性和稳定性高、复杂度合理,实现了对网络设计优化中多目标最短路径问题的高质量求解.     

求解动态组播路由问题的混合优化遗传算法

分析了具有网络时延和时延抖动限制的动态组播路由问题的数学模型。在此模型的基础上提出了一种基因库(GP)与传统遗传算法(GA)混合的优化算法GP-GA。该算法利用基因库保存进化过程中得到的解路径以指导后继进化过程,同时改进了交叉和变异算子来加快算法的收敛速度。考虑到问题可能陷入的局部最优情况,又构造了基于“保留和不保留”的进化控制策略来增强寻优能力,很大程度上避免了算法“早熟”现象的发生。大量的仿真实验表明：GP GA算法相对现有的遗传算法求得最优解的概率更高,相对于动态的组播环境也有很好的代价性能。     

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.     

改进遗传算法在移动机器人路径规划中的应用研究

为解决遗传算法(GA)在自主移动机器人路径规划中，过早收敛以及由于交叉和突变产生大量的不可行路径问题，对传统遗传算法进行了改进，采用二进制编码的方式来存储路径以便后续的交叉、变异等遗传操作。结合粒子群优化算法(PSO)进行局部搜索，加快了遗传算法的搜索速度，提高了搜索效率。同时引入修复机制，通过利用修复机制研究所有的不可行路径，并确定其不可行的原因进行修正。仿真结果表明，在单目标简单情况下，改进的遗传算法具有更快的收敛速度同时避免了局部最优，在多目标复杂环境下，能够得到合适的路径解。     

遗传算法中的自相似现象

遗传算法(GA)的执行过程可看作复杂自适应系统的演化过程，以GA运行过程中输出的适应值序列为研究对象，通过功率谱和重标定域两种方法发现GA的输出序列存在自相似行为，研究表明，算法执行过程中最优解的输出与Hurst指数的变动密切相关，算法在全局搜索阶段呈现明显的自相似性，而在到达最优值附近则呈现明显的白噪声特征，这一发现为深刻理解GA运行机理和优化GA设计带来了新的思路。     

面向端元提取的粒子群优化遗传算法

现有的粒子群优化(PSO)算法和遗传算法(GA)无法很好地解决高光谱影像端元提取这类离散解空间内的大规模取样优化问题。针对该问题,借鉴凸面几何学理论,利用局部模式粒子群优化的原理改进遗传算法,提出一种面向高光谱影像端元提取的粒子群优化遗传算法(PSOGA)。利用模拟数据和PHI影像对PSOGA算法和GA算法进行实验对比。分析结果证明,PSOGA算法的收敛速度优于GA算法。     

能力风暴机器人的全局路径规划

基于Messy遗传算法(Messy GA),设计了移动机器人的通用路径规划算法,其中的优化目标包括最短路径、一定的平滑度和最优安全距离.在算法中加入了优化算子及交叉率和变异率的自适应调整,加快了收敛速度.仿真结果验证了所提方法的有效性.根据能力风暴机器人(AS-R)的实际运行要求,修改算法以扩大路径与障碍物之间的间隔度,并提出采用平滑的方法来优化路径.以AS-R为平台进行了轨迹跟踪实验.实验结果表明算法在随机摆放障碍物和实验室环境下可以实现路径规划,并能够最终实现AS-R机器人的全局路径规划.     

嵌套式模糊自适应遗传算法

针对简单遗传算法(SGA)收敛速度慢和早熟收敛现象,将模糊逻辑理论应用于遗传算法,并采用两级嵌套的遗传算法,随主遗传算法GA1求解优化问题的进化进程用模糊控制的方法自适应地调整遗传算法的交叉概率和变异概率;利用另一个遗传算法GA2优化模糊规则库,实现了一种嵌套式模糊自适应遗传算法(NFAGA)。仿真结果表明,这种算法的全局搜索收敛速度和解的质量明显优于SGA和一般的自适应遗传算法(AGA)。     

基于遗传算法的飞机定检离位工作流程优化

首次将遗传算法(GA)应用于飞机定检离位工作流程优化中。本文借鉴关键路线法思想建立离位工作流程多约束优化模型,根据可行解变换法思想设计编码和解码方法,并采用经过模拟退火算子和精英选择算子改进后的GA求解。仿真结果表明,在解决多约束优化问题上,改进遗传算法的最优解搜索能力较基本遗传算法有明显提高;优化后离位工作完成时间较优化前缩短14.70%,验证GA在解决定检离位工作流程优化问题上的适用性。     

改进遗传模拟退火算法在TSP优化中的应用

针对旅行商问题(TSP)优化中,遗传算法(GA)容易陷入局部最优、模拟退火算法(SA)收敛速度慢的问题,提出一种基于改进遗传模拟退火算法(IGSAA)的TSP优化算法.首先根据优化目标建立数学模型;然后对遗传算法部分中的适应度函数、交叉变异算子进行改进,使算法能够更加有效地避免陷入局部最优;最后根据旧种群和新种群每个对应个体的进化程度提出一种改进自适应的Metropolis准则,使模拟退火算法部分的染色体跳变更具有自适应性,利于算法寻优.对不同TSP实例的实验结果表明,与其他路径优化算法优化结果相比,所提出的IGSAA算法能够对不同TSP实例优化得到更优的旅行路径.     

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。     

开放式车辆路径问题的混合算法

为研究开放式车辆路径问题(Open Vehicle Routing Problem,OVRP),建立了数学模型.针对遗传算法(Genetic Algorithm,GA)与禁忌搜索算法(Tabu Search Algorithm,TSA)的不足,提出了一个采用GA和TSA相结合的混合算法求解OVRP.混合算法中以GA为主,把TSA用在GA的变异操作中,增强算法的爬山能力.通过仿真,将提出的混合算法与文献中其它算法比较,结果表明它可以快速、有效求得最优解或近似解.     

混沌遗传算法(CGA)的应用研究及其优化效率评价

利用混沌运动的遍历性,提出了一种求解优化问题的混沌遗传算法(CGA,Chaos Genetic A1gorithm). 该算法的基本思想是把混沌变量加载于遗传算法的变量群体中,利用混沌变 量对子代群体进行微小扰动并随着搜索过程的进行逐渐调整扰动幅度.研究结果表明,该方法 效果显著,明显提高了优化计算效率.本文将"平均截止代数"和"截止代数分布熵"作为评价指 标,对混沌遗传算法(CGA)的优化效率进行了研究,定量地评价了CGA的优化效率,通过与遗 传算法(GA)进行比较,进一步说明了CGA的优化效率高于GA.     

基于遗传退火算法的飞机定检原位工作流程优化

将遗传算法(GA)应用于飞机定检原位工作流程优化中。首先,建立原位工作流程优化模型;其次,提出"排序调整法"来保证个体对应解符合工序约束;最后采用精英选择算子。模拟退火算子和自适应机制对基本遗传算法(SGA)进行改进。仿真结果表明,改进遗传算法在最优解搜索能力上较SGA有明显提高,克服了其容易"早熟"的不足;优化后原位工作完成时间较优化前缩短19.78%,验证了GA在解决定检工作流程优化问题上的适用性。     

基于GA的网络最短路径多目标优化算法研究

针对现有基于遗传算法(GA)优化的网络最短路径算法存在优化目标单一,遗传编码质量低,搜索策略间平衡性差$适应度分配效率与灵活性较低等问题,建立一种多目标优化最短路径自适应GA模型.提出了优先级编码和优先级索引交叉算子,引入了遗传算子参数的模糊控制机制和基于自适应加权的适应度分配方法.实验结果表明,该算法的准确性和稳定性高,复杂度合理,实现了对网络设计优化中多目标最短路径问题的高质量求解.

     

遗传算法在旅行商问题中的实践与探究

TSP问题是组合优化领域的经典问题之一,旨在求出遍历若干个城市的最短路径。本文通过遗传算法GA的选择和变异算子的确定和、交叉算子的改进,并在TSP问题中的实践来探索这个经典的NP(Nondeterministic Polynomial)难题。     

GA与PSO解DE与LP问题的效率比较

遗传算法和粒子群算法都具有很强的搜索能力,在最优化问题中有着极其广泛的应用.文章针对常微分方程(DE)近似解和一般线性规划(LP)问题的解利用遗传算法和粒子群算法求解,深入的比较和分析了GA与PSO在这两种优化问题中的效率.在固定其他参数而调整群体数量的基础上比较了GA与PSO在微分方程近似解和LP问题解的优化能力.     

遗传优化核极限学习机的数据分类算法

为了提高核极限学习机(KELM)数据分类的精度,提出了一种结合K折交叉验证(K-CV)与遗传算法(GA)的KELM分类器参数优化方法(GA-KELM),将CV训练所得多个模型的平均精度作为GA的适应度评价函数,为KELM的参数优化提供评价标准,用获得GA优化最优参数的KELM算法进行数据分类.利用UCI中数据集进行仿真,实验结果表明:所提方法在整体性能上优于GA结合支持向量机法(GA-SVM)和GA结合反向传播(GA-BP)算法,具有更高的分类精度.