基于改进遗传算法的移动机器人路径规划研究

基于传统遗传算法在移动机器人路径规划中应用的不足,对遗传算法进行了一定的改进.在初始化种群中采用闵科夫斯基和原理扩展障碍物,选择真正可行的区域,在可行区域中去初始化种群,这样提高了进化的速度;在选择算子中引入了相似性的概念,扩大父代的种类,避免快速进入局部最优解;在交叉算子中采用了动态确定变异概率,这样可以提高个体的质量;通过仿真证明了改进的遗传算法能够更快的收敛到全局最优解,方法是正确有效的.     

室内移动机器人路径规划算法

路径规划是移动机器人导航技术中的核心问题。在以往的研究中,机器人被视为一个点并且优化的目标为使路径最短,这种建模方法得到的路径往往不具有良好的可执行性。讨论了一种考虑路径平滑度和路径安全度的规划算法,并通过带惩罚函数的粒子群算法对其进行求解。最后在MATLAB中通过仿真试验验证了算法的有效性。     

改进遗传算法在移动机器人路径规划中的应用研究

针对基本遗传算法解决移动机器人路径规划问题存在收敛速度慢等不足,对遗传算法进行了改进,提出了一种改进自适应遗传算法。根据进化过程中个体适应度值的大小自动调节交叉概率和变异概率,从而使算法能够跳出局部最优解,克服早熟的缺点。同时采用栅格法对机器人工作空间进行建模。对移动机器人路径规划进行仿真实验,对比结果表明:该改进的遗传算法是有效可行的,能够有效的提高机器人路径规划的质量。     

基于改进神经网络的移动机器人路径规划方法

通过分析基于神经网络的移动机器人路径规划的优缺点,指出该算法存在搜索区域过大,搜索具有盲目性,效率不高的问题和不足.针对此问题提出了3种优化该算法的方法:通过BP反向学习算法优化神经网络连接权值,来学习外部环境;采用组合光学探测器减小模拟退火算法搜索区域;陷入局部极小值时采用后退策略,跳出局部极小值.最后通过仿真实验具体实现了这两种算法,通过对比两种算法的有效性和收敛性,后一种算法较前一种有较大提高,证明了此算法应用到全局移动机器人路径规划中的有效性和正确性.     

基于改进蚁群算法的移动机器人路径规划研究

实际环境下,移动机器人从给定起始位置移动至给定目标点位置的路径是多条和复杂的。针对传统蚁群算法基本参数的设定多凭经验设定,提出了多参数级联编码遗传算法优化蚁群算法参数的方法。采用了上海未来伙伴创新核IN-R机器人研究平台对其进行实验验证。优化了蚁群算法参数,为蚁群算法参数设定提供了一定的理论依据。     

基于改进蚁群算法的移动机器人路径规划研究

针对传统蚁群算法在移动机器人路径规划中存在收敛速度慢、易陷入局部最优和规划路径不平滑等问题,提出一种用于移动机器人路径规划的改进蚁群算法。首先在状态转移概率中引入平滑函数,使蚂蚁在进行路径节点选择时,考虑路径的平滑性。然后在对路径信息素更新时,引入多目标评价函数;同时提出一种基于熵权的分段信息素更新方式,每次迭代规划路径按多目标评价函数数值进行排序并分段,对不同的分段,引入不同的信息素强度放大系数,提升了算法的收敛速度。最后对规划路径进行二次优化,即先对路径节点进行优化,减少不必要的转弯节点,减小了路径转弯角度以及路径长度;再利用贝塞尔曲线对节点优化后路径的转弯拐点处进行平滑。在20×20的简单和复杂栅格环境中进行仿真实验,结果表明,改进蚁群算法规划出的路径长度更短、转弯角度更小和路径更加平滑,同时改进蚁群算法的迭代收敛速度更快,验证了改进蚁群算法在移动机器人路径规划中的优越性。     

基于改进蝗虫优化算法的移动机器人路径规划

为提升蝗虫优化算法(GOA)在移动机器人路径规划中的应用效果,将基于Levy飞行的局部搜索策略和基于线性递减参数的随机跳出策略引入到GOA中,提出了改进蝗虫优化算法(IGOA)。相比于GOA,IGOA中的Levy飞行局部搜索策略增强了算法的随机性,线性递减参数的随机跳出策略降低了算法陷入局部最优的概率。移动机器人2种不同行驶环境的路径规划实例中,IGOA获得的结果更优。     

基于改进蚁群算法的移动机器人路径规划研究

传统的蚁群算法在移动机器人路径规划过程中,在加速算法收敛时易陷入局部最优问题,针对此问题提出了一种新型蚁群算法的移动机器人路径规划方法。首先建立了机器人路径规划数学模型,在此基础上对传统的蚁群算法进行了改进,将环境中局部的机器人路径信息引入到蚁群信息素的初始化和路径选择概率中,提高了蚁群算法的收敛速度并防止算法早熟。通过引入交叉操作并对蚁群算法中参数进行调整,避免了算法陷入局部最优。仿真结果表明,所提方法能够明显提高最佳路径搜索能力,整体性能优于传统蚁群算法。     

基于改进蚁群算法的移动机器人全局路径规划

为提高机器人全局路径规划的通用性,将机器人的环境地图分为目标点在障碍物内和障碍物外两种情况,采用了伪随机比例规则和随机选择机制,使蚂蚁下一节点的选择在倾向于目标点的同时又不会陷入局部最优解,既提高了蚂蚁的搜索效率又扩展了搜索范围,并采用最大一最小蚂蚁思想来限制信息素的强度以防止早熟收敛现象的发生。为提高算法的实用性,运用几何方法对路径进行了修正处理,实现了机器人的快速全局路径规划。仿真研究表明：该算法具有较强的通用性、实用性和路径较优的特点。     

基于改进Voronoi图的移动机器人在线路径规划

针对移动机器人在部分环境信息已知下的路径规划问题,运用Voronoi图理论及动态路径最优算法(D*算法)理论,研究了一种基于传感器信息的移动机器人在线路径规划的方法.该方法利用现有的已知环境信息离线生成路图,并根据起点与终点的位置规划出一条无碰撞的全局最优路径,然后移动机器人沿着最优路径前进,安装在机器人上的传感器不断地探测环境新信息以在线完成路图的重构及路径的重规划,实时搜索一条全局最优路径.最后,通过在自制的小车平台上的实验证明方法的可行性.     

基于改进蚁群算法的移动机器人路径规划研究

为了提高机器人路径规划算法的收敛速度和收敛精度,提出了基于改进遗传算法的机器人路径规划方法。介绍了栅格建模方法,分析了传统蚁群算法原理。提出了蚂蚁相遇策略提高了算法搜索效率,提出了蚂蚁回退策略避免陷入U形陷阱,设置了信息素感应阈值扩大了算法前期的搜索范围,改进了信息素残留方法使蚁群能够记忆最优路径,提出了信息素自适应调整方法,兼顾了算法前期的大范围搜索和后期的快速收敛。经仿真实验验证,相比于传统蚁群算法,改进算法具有更快的收敛速度、更优的规划结果,且改进算法的蚁群轨迹更加集中至最优解附近。     

基于改进蚁群算法的移动机器人路径规划研究

针对蚁群算法在复杂环境下收敛速度慢且易陷入局部最优值的问题,提出一种改进的蚁群优化算法。该方法依据起始点和目标点位置信息选择全局有利区域增加初始信息素浓度,提高前期蚂蚁搜索效率;增加避障策略,避免蚂蚁盲目搜索产生大量交叉路径并有效减少蚂蚁死锁数量;采用动态参数控制的伪随机转移策略,提出优质蚂蚁信息素更新原则,自适应调整挥发系数,提高算法全局性;进行二次路径规划,优化路径并降低移动机器人能耗的损失。实验结果表明,该算法有较高的全局搜索能力,收敛速度明显加快,并且可以有效提高移动机器人工作效率,验证了该算法的有效性和优越性。     

基于改进蚁群算法的移动机器人最优路径规划

针对传统蚁群算法用于移动机器人路径规划时存在初期盲目性搜索、收敛速度慢及转弯次数多等问题,提出了一种改进蚁群算法.该算法将栅格法建立的环境模型划分为3种不同搜索区域,运用数学模型按距离比值方法对初始信息素差异化分配,避免蚂蚁前期盲目性搜索;基于可选孙节点个数的区域安全信息和转角启发信息选择下一子节点,并构造目标性启发函...     

基于改进蝙蝠算法的移动机器人路径规划方法研究

针对智能算法解决移动机器人路径规划问题时存在的效率低下、易陷入局部最优等问题,将黄金正弦算法融合到蝙蝠算法中,提出一种具有快速收敛能力和全局搜索能力的混合算法.该算法利用黄金正弦对精英蝙蝠个体位置进行更新,增加算法寻优方式,提高收敛速度,同时使用平均种群位置对剩余个体进行引导,改善种群多样性;其次对最优个体分阶段进行单...     

基于改进粒子群算法的移动机器人全局路径规划

在标准粒子群算法的基础上加入混沌初始化、变异以及杂交操作。改进算法在保持标准粒子群算法结构简单、收敛速度快等特点的同时增加了种群的多样性,扩大了粒子搜索空间,有效克服了算法的早熟收敛问题,获得了从起点到终点的最优路径,证明了该方法的有效性和实用性。     

遗传算法在自主移动机器人局部路径规划中的应用

针对自主移动机器人的导航,为便于路径的规划,使用了遗传算法的轨迹规划策略实现实时动态避障,移动机器人和障碍物的位置和方向可由视觉系统检测。着重于应用的编码技术和选择适应度函数来加速遗传算法的执行以便用于实时控制,所提出的算法的效率由实验验证。     

基于改进遗传算法的虚拟装配路径规划研究

装配路径规划是虚拟装配技术的核心,为了获得最优装配路径,在凸四边形障碍物环境中,通过对初始种群选取方法的重新定义,保证了参加演化算法的每条染色体都是可行的,同时对传统遗传算法中的变异算子和杂交算子进行改进,提高了算法的有效性。最后实验证明将改进的遗传算法运用到机械式减速箱装配中可得到更优的装配路径。     

基于改进遗传算法的多模型加工路径规划

在数控加工中,为提高整体的加工效率,往往将多个模型在一块坯料中进行排布,然后进行整体加工规划。为解决多模型整体加工中的路径规划问题,提出对模型及其连接点进行多次调整的方法。在将模型位置简化为加工轮廓的几何中心点的基础上,采用遗传算法对加工轮廓的几何中心点进行排序,确定整体的最短加工顺序。然后在保证加工模型间不发生干涉的情况下,通过对模型的姿态和加工起始点的位置进行调整,进一步缩短模型间的空间跳刀长度。为解决遗传算法易于早熟和难以跳出局部最优解等问题,采用父子代参与竞争和自适应遗传算子等方式对遗传算法进行改进。试验结果表明,该方法能有效地缩短多模型加工的整体路长,并且改进的遗传算法具有很好的收敛效果。     

改进MMAS算法的移动机器人的路径规划

移动机器人路径规划是机器人研究领域的重要内容之一,具有非线性、约束性和复杂性等特点。MMAS算法是近年来发展起来的一种智能优化算法,该算法在解决许多复杂问题方面已经展现出其良好的性能和巨大的发展潜力,但在应用上还存在一定的缺点。通过对MMAS算法的改进对移动机器人在复杂地图中全局路径规划问题进行了研究。