基于改进免疫优化算法的冷链多式联运路径优化研究

针对运输损耗的冷链多式联运路径优化问题,提出一种基于改进免疫优化算法的冷链多式联运路径优化方法。采用Weibull三参数分布函数来描述冷链运输途中的变质损耗变化情况,构建以总运输成本最低为目标的路径优化模型。利用粒子群算法中双寻优的特点对免疫优化算法进行改进,提高了算法的收敛速度。设计多OD的算例进行验证,结果表明,优化后的算法能够解决冷链物流运输路径不合理的问题,降低总物流成本。     

无人机全局路径规划算法研究

针对无人机自主飞行控制技术中的全局路径规划问题,简要分析了几种路径规划算法,提出了一种基于遗传算法的改进型无人机全局路径规划算法,算法以旋翼型无人机为例设计了时间约束条件模型,对适应度函数参数和遗传算法算子进行了优化。试验结果表明,所提出的路径规划算法能够求得近似最优解,为无人机自主飞行决策控制提供可行方案。     

考虑碳排放约束的多式联运路径优化

探讨考虑碳排放约束的多式联运路径优化问题。全球对环境问题的关注和低碳运输的推广使得多式联运备受关注。本研究设计了基于遗传算法的路径优化模型,综合考虑碳排放、运输成本和客户需求等多个目标,解决运输路径选择的挑战。通过实验验证,遗传算法在碳排放约束的多式联运路径优化中表现出有效性和优越性。研究结果显示,优化路径显著降低碳排放量,同时满足运输成本和客户需求。本研究对推动多式联运的可持续发展具有重要意义,能够为物流企业提供路径决策和资源利用的参考和指导,实现高效低碳运输。未来研究可进一步探索其他优化算法和模型,提升多式联运路径的效率和可持续性。     

基于改进自适应遗传算法的机器人路径规划

为解决自适应遗传算法应用于机器人路径规划时存在的收敛速度慢和易陷入局部最优的问题,提出了一种改进的自适应遗传路径规划方法。该方法引入转弯角评价指标,提高了路径规划目标函数的实用性;优化交叉概率和变异概率的自适应调整策略,增加灾变操作和逆转操作,有效提升了路径规划的全局寻优能力和收敛速度。仿真实验结果表明,该算法与传统自适应遗传算法相比,全局寻优能力更强,需要更少的迭代次数,且路径规划性能优于其它改进算法。     

基于环境模型的移动机器人路径规划

介绍了一种新的移动机器人路径规划方法。采用链接图法,对工作空间建模。用Dijkstra算法决策出全局最短路径,然后用遗传算法对此路径进行优化,得到全局最优路径。最后提出了一种对路径几何改进的方法。仿真结果表明,该方法方便简单,对所规划的路径质量有所提高。     

求解多旅行商问题的改进分组遗传算法

该文针对总路径长度最小的多旅行商问题,提出一种改进分组遗传算法。在该算法中,设计了一种有序分组编码,采用新编码方式的个体与多旅行商问题有效解之间具有一一对应的关系。为了减少算法的运行时间,根据编码的特点构造了一种快速交叉算子。同时,结合贪婪算法和2-opt算法设计了一种新的局部搜索算子,以提高算法的收敛精度。实验结果分析表明,所提算法能够有效地解决多旅行商问题,具有可靠的全局收敛性,较高的计算效率。     

基于混合免疫遗传算法的车辆调度问题

免疫算法是模仿生物体高度进化,复杂的免疫系统仿生的一种智能化启发式算法。在描述车辆调度问题数学模型及免疫算法综述的基础上,引入了一种基于抗体亲和力的混合免疫遗传算法,改进了抗体的交叉算子,解决了路径长度受限的车辆调度问题,实验结果表明,与遗传算法相比较,混合免疫遗传算法能更有效的解决车辆调度问题。     

避障机器人路径规划算法的研究

结合移动机器人的实际应用场景,针对常规算法规划出的路径存在折点多、转弯角度过大、与障碍物距离较小、搜索的路径较长等问题,对在栅格地图下混合全局路径规划与局部路径规划算法进行了研究,采用人工势场算法与蚁群算法混合,为移动机器人规划出全局最优路径,同时实时躲避局部障碍物。经过仿真测试,移动机器人可以根据全局路径规划的路径得到最优的整体路径,通过局部路径规划算法避开局部区域的障碍物,使移动机器人能够从起点平稳无碰撞地行驶至目标点。     

基于多种群遗传算法的多机器人路径规划

本文针对遗传算法在解决多机器人路径规划问题上存在的缺点,采用了一种基于多种群遗传算法的路径规划方法。将遗传算法并行应用于数个相对独立的子种群,并在路径规划过程中引入移民算子和人工选择算子。将多机器人路径规划问题简化为带制约条件限制的多背包问题和旅行商问题,并建立相对应的路径规划数学模型。由两种算法在MATLAB中仿真实验结果的对比分析可知,多种群遗传算法规划的路径在稳定性、收敛速度以及长度方面上具有优势。     

基于RRT算法的无人机路径规划应用研究

经典的路径规划算法大都需要在全局已知空间中对环境进行建模,包括人工势场法、遗传算法、启发式算法、仿生学算法等.由于需要预先构建环境,因此这些方法并不适合解决在高维度空间中的路径规划问题.基于快速扩展随机树(RRT)的路径规划方式其优势在于可以避免对全局环境的构建,通过对状态空间进行随机采样,检测碰撞点,能够有效地解决在...     

多式联运运输方案选择的和声搜索算法

考虑多式联运路径上运输方案选择问题,建立了降低运输总成本和缩短运输总时间的多目标数学模型,通过加权两个目标函数,设计新的和声生成方式及微调方式,采用新和声竞争式替换记忆库中最差和声的方式,提出一种基于字符编码方式的和声搜索算法,最后用示例验证了算法的有效性。     

基于遗传算法解决车辆最优路径诱导问题

遗传算法是智能计算中的一种关键算法之一,它在处理全局寻优问题时是一种非常有效的工具、这篇文章在解决目标最优路径的问题时采用了遗传算法,通过改进遗传算法中的一些参数和细节来提高算法解决此问题的能力.     

飞行器航迹规划与三维显示

主要讨论了航迹规划的国内外现状及意义,建立了简化威胁源模型,并采用改进遗传算法进行参考航迹规划,算法采用飞行指令编码和自适应交叉、变异算子,改进了简单遗传算法,仿真结果表明该方法快速收敛到全局最优解并能够很好的规避威胁,是一种有效的航迹规划方法。最后通过OpenGL导入三维模型,并利用算法改变飞行器的飞行姿态,逼真地展现了飞行器的三维航迹。     

基于改进小生境遗传算法的微波/光混合链路中继卫星资源调度方法

针对微波/光混合链路中继卫星系统多资源约束下的多目标综合调度问题,分析了微波与激光混合链路的主要特点和影响因素,建立了混合链路资源调度多目标约束规划模型;将小生境技术引入遗传算法,并设计了基于精英保留的选择机制和自适应的交叉、变异算子,提出了一种改进的小生境遗传算法对模型进行求解。所提算法可有效避免遗传算法局部优化能力差及容易陷入局部最优等缺陷,同时能够防止最优解的丢失,解决了混合链路多资源约束下的多目标综合调度问题。仿真结果表明,相对与传统的遗传算法,本文算法在保持种群多样性和求解全局最优解方面具有优势,有效解决微波/激光混合链路中继卫星系统的多目标综合调度问题。     

基于改进克隆选择的移动机器人路径规划

针对障碍物已知的全局路径规划问题,提出了一种基于改进克隆选择的移动机器人路径规划方法,详细介绍了该算法的主要设计思想与算法流程。采用栅格法建立机器人工作的环境模型,并对克隆选择算法进行了两处改进:对抗体进行接种疫苗操作,提高了抗体的亲和度,加快了算法收敛速度;引入了抗体浓度的概念,保证了群体在进化过程中的多样性。最后对算法进行了仿真实验,验证了其可行性;并与遗传算法进行对比,结果表明改进克隆选择算法规划出的路径质量更高,收敛速度更快,还能有效地防止早熟收敛与局部收敛。     

基于IAFSA和AGA混合算法的移动机器人路径规划

针对人工鱼群算法在移动机器人路径规划中存在易陷入局部最优、结果精度不高以及遗传算法存在易早熟、收敛速度慢等问题,提出一种改进人工鱼群算法(IAFSA)和自适应遗传算法(AGA)相融合的移动机器人路径规划方法。首先用栅格法建立移动机器人的环境模型,然后用IAFSA搜索移动机器人的初始可行路径,将搜索到的初始可行路径作为AGA的初始种群,最后采用AGA优化移动机器人的全局最优路径。仿真结果表明,混合算法在结果精度和稳定性方面优于标准人工鱼群算法,在跳出局部最优和收敛速度方面优于标准遗传算法。     

蚁群-遗传算法的无线传感器网络路径优化

为了提高无线传感器网络路径优化效率,快速找到最优路径,提出基于蚁群-遗传算法的传感器路径优化方法.利用遗传算法的快速全局搜索能力和蚁群算法的正反馈机制,实现了两种算法的融合.仿真结果表明,蚁群-遗传算法在时间和性能上都优于单独的蚁群算法和遗传算法,能快速找到无线传感器网络最优路径,有效延长了网络的生命周期.     

基于改进粒子群优化的物流运输车路径规划方法

物流运输车路径规划问题是一个复杂的组合优化问题,因此,文章提出了一种基于改进粒子群优化算法的物流运输车路径规划方法,对粒子群优化算法中的惯性权值、学习因子和随机数进行了改进,并在算法的优化过程中引入了Levy flight模型,以避免过早的粒子群优化。并将该方法与蚁群算法和遗传算法进行了实验对比。实验结果表明,该方法能够有效降低了运输车的路径距离,显著提高物流运输的效率,降低了运输成本。     

基于改进双向A*势场混合算法的灭火机器人路径规划方法研究

在灭火机器人的运行中,由于其工作环境的复杂性对机器人的路径规划提出了很高的要求,因此本文提出了一种改进A*算法和人工势场法相结合的路径规划算法。本文采用双向搜索方式的A*算法进行全局规划,解决了传统A*算法耗时长的不足;本文采用改进的人工势场法进行局部动态路径规划,解决了目标不可达和局部极小值问题。本文通过MATLAB平台,分别对改进A*算法和人工势场法进行仿真分析,结果表明混合算法有效减少规划时间并可生成更优路径。最后,在Turtlebot2移动平台上对该融合算法应用进行实验,结果表明融合算法减少了规划计算时间,使路径搜索效率和规划指标得到显著提升。     

基于改进A-star与DWA相融合的移动机器人动态路径规划算法

A-star算法常用于移动机器人的全局路径规划,但在复杂场景中A-star算法存在耗时长、搜索节点过多、路径不平滑、不能避开环境中未知的障碍物等问题。针对于此,本文提出一种融合路径规划算法。首先,在A-star算法的基础上引入环境中的障碍物信息和搜索节点到起始位置的距离信息动态调节启发函数的权重,减少搜索节点数,提升A-star算法的性能;然后,利用自适应分段步长的高阶贝塞尔曲线对路径进行优化,减少转折点提升路径的平滑性;最后,将改进A-star算法规划的全局路径作为引导,将路径节点作为DWA算法的中间目标,实现全局路径规划和局部规划的融合,使移动机器人在找到全局最优路径的同时,能够避开环境中的未知障碍物,实现移动机器人的动态路径规划。仿真结果验证了该算法的有效性。