路径规划问题的自适应改进樽海鞘群算法求解研究

路径规划问题的求解具有理论与实际应用价值.为寻到最短路径,解决传统算法存在收敛速度不快,寻优精度不高和全局最优值易陷入局部最优解区域的问题,提出一种基于扰动因子和自适应惯性权重的改进樽海鞘群算法(DISSA).首先,在领导者位置更新阶段添加扰动因子,扩大搜索范围来提高局部搜索能力,引导个体探索其他位置,以增加种群的多样...     

基于阶梯式Tent混沌和模拟退火的樽海鞘群算法

针对樽海鞘群算法寻优迭代过程中存在容易陷入局部最优、收敛速度慢的问题,提出一种改进的樽海鞘群算法.引入Tent混沌映射初始化种群来提高算法迭代前期的收敛速度,通过惯性权值"阶梯式"调整策略来更好地兼顾算法全局探索能力和局部开发能力,通过模拟退火增强樽海鞘群算法迭代后期跳出局部最优解的能力,以基准测试函数和磁导航自动导引车模糊控制器参数寻优问题为例测试了算法性能.仿真结果表明,对于单峰和多峰测试函数,改进后的樽海鞘群算法具有更快的收敛速度和更强的全局寻优能力.相比较标准樽海鞘群算法的参数调节法,改进后的樽海鞘群算法所设计的磁导航自动导引车模糊控制器对磁偏差值控制性能更为优化,在控制器设计方面具有潜在的应用价值.     

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。     

一种改进RRT的多机器人编队路径规划算法

多机器人路径规划是机器人领域的一个热点问题,相比于单机器人路径规划,其算法难度和复杂度都有所增加,在规划时需要兼顾多机避障、相互协作等难点问题.本文提出一种改进快速扩展随机树的多机器人编队路径规划算法,用于解决多机器人在复杂环境下的编队路径规划问题.针对多机器人在编队规划中的位置约束问题,定义机器人之间的领航-跟随结构,并对机器人队形建模.针对规划过程中编队朝向变化问题,建立搜索树扩展方向与队形方向之间的联系,通过调整队形方向改变规划时的编队朝向.针对具有质点模型和非完整约束动力学模型两种不同模型的多机器人系统,分别进行了仿真实验.仿真结果表明该算法在处理多机器人编队路径规划问题时可以取得良好的效果.     

基于双层蚁群算法和动态环境的机器人路径规划方法

针对动态环境未知时变的特点,提出一种机器人路径规划新方法.在该方法中,首先对栅格法建立的环境模型进行凸化处理,以避免机器人沿规划路径移动时陷入U型陷阱,从而加快路径规划的速度;其次,提出双层蚁群算法（DACO）,在每次迭代中先用外层蚁群算法寻找一条路径,然后以该路径为基础构造一个小环境,接着在该环境下用内层蚁群算法重新寻优,若寻得的路径质量更高,则更新路径并执行本文给出的一种新型信息素二次更新策略;最后,针对环境中不同动态障碍物的体积和速度,提出三种避障策略.动态环境下,机器人先由DACO算法规划一条静态环境下从起点到终点的全局最优路径,然后从当前起点开始,通过自带传感器获取动态环境信息,并根据需要执行等待、正碰或追尾避障策略,到达新的起点.仿真实验表明,该方法可以在动态环境下实时地为移动机器人规划出一条安全且最短的路径,是求解移动机器人路径规划问题的一种切实有效的方法.     

改进的A＊算法在机器人路径规划中的应用

文中提出了一种改进的A＊算法并应用于机器人路径规划中。采用基于A＊算法的二次路径规划策略,机器人行走时遇到突然出现的未知障碍物时能有效地进行路径重规划;采用基于优先级的子节点生成策略,考虑到了现实中机器人的体积,使规划路径能在现实中得到执行;最后,通过MATLAB仿真平台进行了仿真,验证了此算法的有效性和可靠性。改进的A＊算法提高了机器人的智能水平和实时路径规划能力。     

一种基于混沌蚂蚁群算法的系统参数辨识方法

提出了一种基于混沌蚂蚁群算法的控制系统辨识方法,这种方法在给定控制系统数学模型的条件下,将控制系统的参数辨识问题转化为参数的寻优问题,之后利用混沌蚂蚁群算法的全局优化搜索能力对问题进行求解.以典型控制系统为例进行了计算机仿真,实验结果表明,使用混沌蚂蚁群算法可以得到很好的参数估计结果.     

复杂环境下多机器人协同覆盖搜索路径规划

为提高复杂环境下多机器人协同搜索的覆盖效率及适应性,提出一种多机器人协同覆盖搜索路径规划策略。首先,在目标区域中利用协同进化粒子群优化(CCPSO2)算法进行传感器位置部署;其次,利用改进的K-means方法对传感器部署点进行聚类,实现有效的任务区域划分;最后,以部署的传感器位置为路径点求解旅行商问题(TSP),获取每个机器人的封闭路径,从而实现协同覆盖搜索。实验结果表明,所提算法能够在保证良好避障和覆盖周期最小化的同时,为每个机器人获得更均匀的覆盖路径,实现多机器人的有效协同覆盖搜索,且能够有效适应外部复杂环境,具有良好的鲁棒性。     

基于模糊算法的移动机器人路径规划

为了解决移动机器人最优路径规划问题,提出一种基于模糊算法的移动机器人路径规划策略.利用超声波传感器对环境进行探测,得到关于障碍物和目标的信息.运用模糊推理将障碍位置信息与目标位置信息模糊化,建立模糊规则并解模糊最终使机器人可以很好的避障,从而实现了移动机器人的路径规划.仿真实验结果表明了模糊算法优于势场法和A*算法,具...     

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。     

无人机三维路径规划的粒子群混合算法

路径规划是无人机控制过程中的重要环节之一,现有基于粒子群等算法的传统路径规划方法存在容易陷入局部最优等问题,无法适应现实场景中复杂环境及高搜索速度的要求。针对已有方法的缺陷,提出了一种无人机路径规划的高性能细菌觅食-遗传-粒子群混合算法,以传统粒子群优化算法为基础,引入细菌觅食算法及遗传算法思想,提高算法计算速度与能力,同时考虑实际场景中无人机的运行约束,进一步提高了方法的可用性。最后,利用仿真实验验证了所提方法的有效性,并通过与传统方法对比证明了所提方法在运行时间、规划航程等方面的优越性。     

New Particle Swarm Optimisation Algorithm with H′enon Chaotic Map Structure

A new Particle swarm optimisation (PSO) algorithm based on the H′enon chaotic map (hereafter HCPSO algorithm) is presented in this paper to deal with the premature convergence problem of the traditional PSO algorithm. The HCPSO algorithm changes the structure of the traditional PSO algorithm and deviates from the structures of conventional hybrid algorithms that merely introduce chaotic searching into PSO. Based on the con-vergence condition of PSO, the HCPSO algorithm can im-prove solution precision and increase the convergence rate by combing using the targeting technique of chaotic map-ping. For validation, fourteen benchmark functions were used to compare the proposed algorithm with six other hy-brid PSO algorithms. The experimental results indicated that the HCPSO algorithm is superior to the other algo-rithms in terms of convergence speed and solution accu-racy.     

基于改进遗传算法的移动机器人路径规划研究

文中针对栅格环境下移动机器人的路径规划问题,提出了一种改进的遗传算法,其主要研究工作和创意点如下:1)使用栅格方法创建实验模拟模型;2)鉴于遗传算法在生成初始种群时的盲目性,对初始化种群算法作出相应改进,从而保障路径的无障碍性;3)改良交叉、变异算子,提高种群多样性。仿真实验结果表明,改进的遗传算法比文献[1]和文献[2]中的算法具有更好的优化效果。     

改进粒子群算法优化低功耗自适应集簇分层的路由算法

针对LEA低C功H算法的簇头分布不合理、网络能耗不均的问题,在耗自适应集簇分层路由算法。首先将分割线的选择LE问A题CH转协议的基础上,提出了一种改进粒子群算法优化化成带约束的非线性优化问题,然后利用粒子群算法求解,并针对粒子群算法的不足进行相应的改进,最后采用仿真实验测试算法的性能。仿真结果表明,相对于其它改进LEACH路由算法,本文算法有效提高了网络的能量利用率,能够实现节点之间的能耗均衡,使无线传感器的网络生存时间得到延长。     

基于粒子群优化算法的机器人路径规划

文章提出一种机器人路径规划的有效算法,为机器人找到一条从起点到终点最短的无碰撞路径,主要是优化了粒子群的惯性权重,然而其在不同的阶段采用不同的权重值。通过实验发现,改进后粒子群能够收敛得更快,数据收敛得更精确。     

基于量子混沌粒子群优化算法的分数阶超混沌系统参数估计

为了对分数阶超混沌系统中的未知参数进行准确估计,提出一种量子混沌粒子群优化算法（Quantum chaos particle swarm optimization,QCPSO）.该算法通过对量子粒子群优化算法（Quantum behaved particle swarm optimization,QPSO）的实现机理进行分析,并结合量子纠缠与混沌系统之间的相关性而实现.首先,将量子势阱中心视为混沌吸引子围绕的不动点,处于吸引子外部的粒子会逐渐聚集于吸引子之内,而处于吸引子内部的粒子会出现快速分离扩散的现象;然后,采用基于随机映射的粒子更新机制,充分保证混沌粒子的初值多样性;最后,提出了基于不动点中心的尺度自适应策略,解决了算法后期的搜索停滞问题.运用QCPSO算法对典型分数阶超混沌系统参数进行估计,结果表明,该算法在收敛速度与精度上优于改进的差分进化算法、自适应人工蜂群算法以及改进的量子粒子群优化算法.     

免疫算法在移动机器人路径规划中的应用

具体阐述了免疫算法在移动机器人路径规划中的应用,使机器人从给定点到目标点可以有效地躲避障碍物而且找到一条最短的路径;构建了机器人的数学模型和亲和力函数,并且说明了机器人的控制方式,给出了算法的具体实现步骤以及仿真实验。实验结果表明,免疫算法在应用到移动机器人路径规划时具有良好的性能。     

A Heterogeneous Network Access Selection Algorithm Based on Attribute Dependence

In order to solve the problem which fails to consider the degree of attribute dependence in current network access selection schemes, a novel heterogeneous network access selection scheme based on attribute dependence is proposed in this paper. The scheme translates the network access selection problem into the problem of multi-attribute decision making based on attribute dependence and solves it using the chaotic glowworm swarm based algorithm. First, the degree of attribute dependence is measured and the access selection model is established based on the degree of attribute dependence. Then, the chaotic glowworm swarm based algorithm is used to solve the optimal weight in the model. Finally, the user accesses the network with the best performance based on the access selection model. The simulation results demonstrate the improved performance of the proposed access selection scheme compared with other schemes. The proposed scheme can reduce blocking and handoff dropping rate, as well as the number of handoff. Moreover, the proposed scheme achieves the load balance of each network.