生物智能算法在机器人路径规划中的应用研究

提出并研究了一种应用于机器人路径规划的改进型生物智能算法。针对机器人路径规划的实际应用,在用Dijkstra算法链接图建模的地图中得到一个最优解的可行空间,又用优化蚁群算法得到全局的最优路径,具有较强的鲁棒性。在微粒群算法的基础上提出了矢量编码方案,有效避免了对地图建模过程的依赖,优化设计了交叉算子和变异算子,使得算法在保持较高收敛速度的同时能够避免陷入局部最优点。计算机仿真结果表明了算法的有效性。     

人工蜂群算法在移动机器人路径规划中的应用

研究机器人路径规划优化问题,机器人工作环境复杂,运动路径上存在许多障碍物.针对提高机器人安全导航性能问题,传统群智能算法存在早熟、搜索效率低等难题,难以获得全局最优路径.为了获得最优机器人运动路径,避免碰撞的发生,提出了一种人工蜂群算法的机器人路径规划方法.首先采用栅格法对机器人工作环境进行建模,然后机器人路径规划目标点作为蜜源,最后蜂群之间信息交换、协作搜索最优机器人运动路径.结果表明,人工蜂群算法解决了传统群智能算法存在的难题,加快了机器人路径规划求解速度,以较短时间找到最短机器人运动路径.     

新的融合算法在机器人路径规划中的应用

机器人路径规划一直是机器人学领域的一个非常重要的研究课题。提出了一种基于蚁群粒子群算法融合的机器人全局路径规划算法,该方法有效地结合了蚁群算法和粒子群算法的优点,利用粒子群算法的快速简洁等特点得到蚁群算法初始信息素分布;然后利用蚁群算法的并行性、正反馈性、求解精度高等优点,求得全局最优解。仿真实验结果证明了该方法的有效性和可行性。     

基于粒子群算法的移动机器人路径规划

提出一种分步路径规划方法，首先采用链接图建立机器人工作空间模型,用Dijkstra算法求得链接图 最短路径；然后用粒子群算法对此路径进行优化，得到全局最优路径.仿真结果表明:所提方法简便可行,能够满足 移动机器人导航的高实时性要求,是机器人路径规划的一个较好方案.􀁱     

蚁群算法在机器人路径规划中的应用研究

针对传统机器人路径规划方法无法保证寻找全局最优路径的问题,本文提出了一种基于蚁群算法求解机器人路径规划的方法.在此基础上构建了移动机器人路径规划模型,并通过Visual C 6.0进行仿真.结果表明该算法能够在动态和静态环境中迅速找到机器人的最优路径,与基于遗传算法的路径规划方法相比具有较大的优势.     

基于改进的混合蛙跳算法机器人路径规划的研究

对于采用混合蛙跳算法进行机器人路径规划容易产生局部最优、收敛速度慢等问题,把人工鱼群算法融合到混合蛙跳算法。人工鱼群算法的追尾行为有利于加快收敛速度,群聚行为提高了跳出局部最优解的能力。把机器人路径规划问题转化为最小化问题,使用改进的算法对其进行优化,最终得到全局最优路径。仿真结果表明,与改进前的算法相比,改进后算法具有较强的全局寻优能力和较快的收敛速度。     

融合改进A*算法和Morphin算法的移动机器人动态路径规划

在动态未知环境下对机器人进行路径规划,传统A*算法可能出现碰撞或者路径规划失败问题。为了满足移动机器人全局路径规划最优和实时避障的需求,提出一种改进A*算法与Morphin搜索树算法相结合的动态路径规划方法。首先通过改进A*算法减少路径规划过程中关键节点的选取,在规划出一条全局较优路径的同时对路径平滑处理。然后基于移动机器人传感器采集的局部信息,利用Morphin搜索树算法对全局路径进行动态的局部规划,确保更好的全局路径的基础上,实时避开障碍物行驶到目标点。MATLAB仿真实验结果表明,提出的动态路径规划方法在时间和路径上得到提升,在优化全局路径规划的基础上修正局部路径,实现动态避障提高机器人达到目标点的效率。     

基于改进蚁群和DWA算法的机器人动态路径规划

路径规划技术是移动机器人研究领域中的一个重要分支,使得机器人能够在多障碍物环境中安全快速地找到一条相对最优路径.针对全局路径规划时蚁群算法盲目性搜索、易陷入局部最优、收敛速度慢以及局部路径规划时DWA算法难以有效地规避动态障碍物等问题,提出一种改进蚁群算法与DWA算法的融合算法.首先,采用GRRT-Connect算法不等分配初始信息素,解决陷阱地图中局部最优问题;然后,增加蚁群接力搜索方法以解决蚂蚁禁忌表自死锁问题,并利用切片取优方法优化最优路径选择机制得到全局最优路径;接着,以最优路径关键点为子目标点运行DWA算法,提出自适应调节速度方法进行最优行驶;最后,提出预计算方法规避动态障碍物达到局部规划效果.仿真结果表明,与现有文献结果相比,融合算法最优路径长度缩短了10.28%,收敛速度加快了6.55%,验证了所提出算法的有效性和优越性.     

融合动态障碍物运动信息的路径规划算法

传统的路径规划算法只能在障碍物不发生位置变化的环境中计算最优路径。但是随着机器人在商场、医院、银行等动态环境下的普及,传统的路径规划算法容易与动态障碍物发生碰撞等危险。因此,关于随机动态障碍物条件下的机器人路径规划算法需要得到进一步改善。为了解决在动态环境下的机器人路径规划问题,提出了一种融合机器人与障碍物运动信息的改进动态窗口法来解决机器人在动态环境下的局部路径规划问题,并且与优化A*算法相结合来实现全局最优路径规划。主要内容体现为：在全局路径规划上,采用优化A*算法求解最优路径。在局部路径规划上,以动态障碍物的速度作为先验信息,通过对传统动态窗口法的评价函数进行扩展,实现机器人在动态环境下的自主智能避障。实验证明,该算法可以实现基于全局最优路径的实时动态避障,具体表现为可以在不干涉动态障碍物的条件下减少碰撞风险、做出智能避障且路径更加平滑、长度更短、行驶速度更快。     

人工免疫算法在机器人路径规划中的应用

人工免疫算法是一种新兴的优化方法,在计算、控制等各方面都已得到应用.将免疫算法应用于移动机器人路径规划,提出一种任意多边形障碍物复杂布局环境下的机器人路径规划的人工免疫算法,仿真证明该算法可以准确地找到全局最优路径,而且能够适应各种复杂的环境.     

基于衰减因子和动态学习的改进樽海鞘群算法

樽海鞘群算法是一种新型的群智能优化算法.与其他智能优化算法相比,樽海鞘群算法的优化求解策略仍有待改进,以进一步提高该算法的求解精度和寻优效率.本文提出一种基于衰减因子和动态学习的改进樽海鞘群算法,通过在领导者更新阶段添加衰减因子,提高算法的局部开发能力,在跟随者更新阶段引入动态学习策略,提高算法的全局搜索能力.本文对16个测试函数进行实验,将提出的改进算法与其他智能优化算法比较,实验结果表明,本文提出的改进算法在收敛精度和收敛速度方面有较大提升,具有良好的优化性能.     

一种基于竞争型群体优化的数据聚类方法

数据聚类在智能信息处理中具有非常重要的作用。传统的数据聚类方法，如K-means算法，存在对初始聚类中心敏感等问题。随着智能优化算法的发展，人们用智能优化算法进行数据聚类取得了一定的效果，但存在容易陷入局部最优等问题。为此，本文将在高维优化问题中取得良好效果的竞争型群体优化算法中引入数据聚类，利用竞争型群体优化算法强大的全局探索能力搜索聚类中心进行数据聚类，在UCI的5个数据集上的实验结果表明竞争型群体优化算法比遗传算法、粒子群算法不仅能得到更好的聚类效果，而且收敛性能更好。     

微粒群算法参数的仿真分析

微粒群算法是近年来兴起的一种智能优化算法,而算法参数是影响算法性能和效率的关键,本文对微粒群算法的几个重要参数进行了深入的仿真分析,最终得出了能够保证算法收敛并具有一定指导性和有意义的结论。     

A novel intelligent particle swarm optimization algorithm for solving cell formation problem

The formation of manufacturing cells forms the backbone of designing a cellular manufacturing system. In this paper, we present a novel intelligent particle swarm optimization algorithm for the cell formation problem. The proposed solution method benefits from the advantages of particle swarm optimization algorithm (PSO) and self-organization map neural networks by combining artificial individual intelligence and swarm intelligence. Numerical examples demonstrate that the proposed intelligent particle swarm optimization algorithm significantly outperforms PSO and yields better solutions than the best solutions existed in the literature of cell formation. The application of the proposed approach is examined in a case problem where real data is utilized for cell reconfiguration of an actual company involved in agricultural manufacturing sector.

     

基于QPSO训练支持向量机的人脸识别

遗传算法和粒子群算法等智能搜索技术可在较少的时间开销内给出问题的近似解.量子粒子群优化(QPSO)算法是在经典的微粒群算法的基础上所提出的一种高效的收敛性,稳定性的进化算法.将操作简单而收敛快速的QPSO算法运用于训练支持向量机(SVM),结合KPCA特征提取方法,用于人脸图像的分类识别中,为人脸识别问题的研究开辟了新的途径.     

遗传-粒子群的投影寻踪模型

以前的投影寻踪研究都是采用遗传算法来寻找最优的投影方向,但遗传算法对初始种群的选择有一定的依赖性,收敛速度较慢,而且得到的也未必是最优解。粒子群算法是一种模拟鸟群飞行觅食的行为,通过个体之间的协作来寻找最优解的进化计算技术。根据遗传算法和粒子群算法的优缺点,将两者有效地结合在一起,提出了遗传-粒子群的投影寻踪模型。该方法能有效地解决投影寻踪模型中投影方向的寻优问题,并将该方法应用于文本分类,在Reuters-21578文档集上分别采用KNN和朴素贝叶斯方法进行实验,结果表明此方法能有效提取投影方向,取得了满意的分类效果,也提高了算法收敛到最优解的能力。     

混合蛙跳算法研究综述

针对混合蛙跳算法(SFLA)是一种结合了基于遗传基因的模因演算算法和基于群体觅食行为的粒子群优化算法的亚启发式协同搜索群智能算法,系统地介绍了SFLA的基本原理和算法流程,讨论了SFLA的研究进展和应用现状,并指出了SFLA的发展趋势和下一步的研究方向.     

一种自适应权重的并行PSO快速装箱算法

随着智能制造时代的到来,生产线后期产品的智能装箱已成为工业生产的重要环节,如何更快速地得到装箱结果对于提高生产效率尤为重要。以快速装箱为目标,文中提出了一种适用于工业生产线的智能化装箱算法。该算法采用自适应权重法改进了粒子群优化算法,相较于标准粒子群优化及遗传等传统启发式算法有更快的收敛速度;并采用GPU加速,实现了高性能的并行计算,大幅加快了计算速度。实验表明,所提算法同样能得到很好的空间利用率, 同时其收敛速度也显著优于传统算法。     

Glowworm Swarm Optimization for Dispatching System of Public Transit Vehicles

The intelligent schedule of vehicles operation is one of the problems which need to be solved in the dispatching system of public transit vehicles, it relates to the development of the city and civic daily life. In this paper, a transit vehicle scheduling optimization algorithm which balancing between the benefits of bus companies and passengers is proposed. The glowworm swarm optimization (GSO) with random disturbance factor, namely R-GSO is applied to the schedule of vehicles. Finally, we provide some comparisons of R-GSO with artificial fish-swarm algorithm, particle swarm optimization and GSO, the simulation results show R-GSO algorithm has higher efficiency and is an effective way to optimize the public transit vehicle dispatching.     

基于差分演化和粒子群优化的改进WSN覆盖算法

动态部署传感器节点随机性大,无法保证特定目标区域的覆盖质量,引入智能优化算法后有效提高了节点动态部署的质量,但一般的智能优化算法在动态部署时存在“早熟”等缺陷。为了进一步提高节点动态部署的质量,针对节点的覆盖问题进行研究,结合粒子群优化和差分演化的优点,前期用粒子群优化算法,发挥粒子群擅长前期搜索收敛较快的特点,后期用差分演化算法,发挥差分演化擅长局部搜索的特点,这样取双方所长,克服双方所短,从而使算法有更好的搜索能力。仿真结果表明,本文提出的算法相对于改良惯性权重的粒子群算法、结合虚拟力的粒子群算法以及基本差分演化算法,具有更好的搜索能力,优化后的网络覆盖率更高。