融合改进A*蚁群和滚动窗口法的平滑路径规划

针对蚁群算法应用于移动机器人路径规划时,出现的死锁、收敛慢、易陷入局部最优以及路径不平滑的问题,提出了一种融合改进A*蚁群算法与滚动窗口法的平滑路径规划方法.首先,用改进的A*算法初始化蚁群信息素,解决前期蚁群效率低的问题.然后,改进状态转移概率函数,在函数中考虑可行路径"活跃度"以及终点位置,避免死锁现象.同时,基于...     

卡车-无人机协同救灾物资避障配送问题研究

针对洪涝灾害中存在积水障碍区的卡车-无人机协同配送的最优路径及最短配送时间问题,建立了一种整数规划模型,并提出了一种两阶段启发式算法,第一阶段将积水障碍区进行二维网格化处理并确定无人机运输救灾物资时卡车的安全等待点以及各等待点无人机运送客户的集合,第二阶段提出阶段性规划算法,结合改进A*算法与非线性收敛因子的模拟退火鲸鱼算法对卡车绕积水障碍区的配送路径进行优化,在确保卡车行使安全的前提下,将A*算法的全局寻优性及鲸鱼算法的局部搜索精确性结合。解决存在积水障碍区的救灾物资配送问题,最后通过实例验证了所提出方法可以快速安全地解决洪涝灾害中救灾物资的避障配送问题。     

多无人机协同攻击路径规划研究

如何实现多架无人机规避复杂威胁区域对敌重要目标实施协同打击成为近来研究的难点,研究实现协同打击的关键是规划出多无人机从各自起始点到目标的最优协同攻击路径,以解决路径规划的关键技术为目的。对复杂威胁区域中,多无人机最优协同攻击路径规划进行了研究。首先,构建了多无人机最优协同攻击路径规划系统框架;其次,以人工智能A*算法为基础,结合无人机运动学方程对A*算法进行了改进,得到一种基于步长搜索的无人机路径快速生成算法;再次,基于改进的路径快速生成算法,以多无人机同时攻击目标为约束条件,进行变步长的协同攻击仿真计算。仿真验证了路径规划算法和协同攻击算法的有效性。     

瞬态搜索金枪鱼优化城市物流无人机路径规划

针对复杂城市物流无人机路径规划易收敛于局部最优的不足,提出一种自适应瞬态搜索金枪鱼优化算法的无人机路径规划方法。设计Kent混沌初始化丰富初始种群多样性,提出自适应瞬态搜索平衡全局搜索与局部开发,利用透镜成像对立学习和柯西变异混合扰动防止算法陷入局部最优。利用改进金枪鱼优化算法求解城市物流无人机路径规划问题,结合城市飞行环境三维建模,设计评估路径规划的多目标代价函数,并对物流无人机路径规划方案迭代求解。实验结果表明,改进算法能够得到安全避障且代价更小的路径。     

双层优化A*算法与动态窗口法的动态路径规划

为满足动态环境中移动机器人既要动态避障抵到终点,又要尽可能地做到全局最优的路径规划需求,提出了一种双层优化A*算法与动态窗口法相结合的移动机器人路径规划算法。在传统A*算法求得的全局路径轨迹基础上,首先通过一层全局优化,计算路径节点间斜率,提取关键转折点,大幅度减少路径转折点数量;再通过二层全局优化,延长路径段求得路径交点,判断交点是否通过障碍物的方法,将路径转折点数降到最低;设计动态窗口法的轨迹评价函数,解决了机器人容易陷入“凹”“C”形障碍物的问题,同时保证了障碍物安全距离并选取全局最优的路径轨迹。最后分别在静态与动态的二维栅格地图中对传统A*算法、一层优化A*、二层优化A*以及融合算法进行仿真实验。实验结果表明一层优化A*算法大幅度降低了转折次数;二层优化A*算法将转折点数降到最低,但是路径长度小幅度增加;融合算法实现了机器人实时动态避障抵到终点,而且在保证安全距离的同时更加贴近全局最优规划。     

A＊算法改进算法及其应用

路径优化问题是现代生活和工作中的一个重要而复杂的问题,路径优化算法则是解决路径优化问题并推广应用路径优化问题的关键.在回顾Dijkstra算法和A*算法的基础上,提出了A*改进算法,并结合例子对算法求解过程进行说明.最后编程实现了Dijkstra算法、A*算法和A*改进算法,并对运行结果进行比较分析.     

考虑航线危险天气的动态绕爬路径规划

针对传统的A*算法在对航路上危险天气的路径规划过程中搜索的栅格多、搜索范围大、算法效率低的问题,采用Br-esenham算法对A*算法的底层框架进行优化.在无障碍节点的情况下通过对探索节点的判别使算法探索栅格数量减小,减少无效探索;在有障碍节点的情况下通过对障碍节点周围环境点的探索收集信息选择最优路径,保证运行效率提高.根据A*算法当存在多个最小值时不能保证搜索路径最优的情况,在循环语句中嵌套选择语句分别对不同情况下的阶段性运行结果做出决策,实验结果表明,改进后的算法大幅度提高了算法的运行效率.     

基于改进A*算法的无人机航迹规划

在无人机航迹规划问题的研究中,针对在执行飞行任务前,需要根据所经区域内已知的地形、地貌、障碍和威胁等信息以及飞机本身机动能力的限制计算出飞行航迹, 并根据规划出的航迹完成飞行任务.能准确识别起始点到目标航路,提出了一种基于改进A*算法的无人机航迹规划方法,将无人机自身的性能和飞行任务结合到A*算法中去,在节点的搜索过程中解决了A*算法大空间搜索耗时多的问题.通过简单的路径消减算法去除不必要的航迹点,使得规划出来的航迹能够最大程度上满足无人机的运动特性.仿真结果表明采用的方法计算速度快并且规划达到最优性能.     

引入莱维飞行与动态权重的改进灰狼算法

针对求解复杂优化问题时,灰狼（GWO）算法存在全局搜索能力不足、容易陷入局部最优值等问题,提出一种引入莱维飞行与动态权重策略的改进灰狼算法（LGWO）。基于Singer混沌映射初始化灰狼个体位置,增加种群多样性;收敛因子采用新的非线性更新策略,在种群迭代全期平衡全局搜索与局部搜索能力;在种群位置更新公式引入莱维飞行与动态权重策略,增加种群跳出局部最优值的概率,提升寻优准确度。通过8个基准函数的测试,并与其他优化算法和改进算法进行对比,LGWO取得了最优的收敛速度与预测精度,并验证了LGWO算法优化高维复杂问题的有效性。     

基于遗传算法的UAV自适应航迹规划

根据遗传算法与动态的稀疏A*搜索(Dynamic Sparse A*Search,DASA)算法各自的特点,提出一种组合优化算法来实现在不确定战场环境中自适应航迹规划.在无人机(UAV,Unmanned Aerial Vehicles)飞行前,采用全局搜索能力强的遗传算法进行全局搜索,对从起始点到目标点的飞行航线进行规划,生成全局最优或次优的可行参考飞行航线;在无人机任务执行阶段,以参考飞行航线为基准,采用DASA算法进行在线实时航迹再规划.仿真结果表明,与遗传算法相比,该组合算法不但能生成近似最优解,而且能够满足在线实时应用的要求.     

基于离散灰狼算法的喷涂机器人路径规划方法

针对目前用于复杂结构实体喷涂的机器人路径规划方法存在的效率低、未考虑碰撞以及适用性差等问题,提出一种用于求解多层决策问题的离散灰狼算法,并把该算法用于该路径规划问题的求解。为了将连续域灰狼算法改为用于求解多层决策问题的离散灰狼算法,采用矩阵编码方法解决多层决策问题的编码问题,提出基于先验知识与随机选择的混合初始化方法提高算法求解效率和精度,运用交叉算子与两级变异算子定义离散域灰狼算法的种群更新策略。另外,运用图论将喷涂机器人路径规划问题简化为广义旅行商问题,并建立了该问题的最短路径模型和路径碰撞模型。在路径规划实验中,相较于粒子群算法、遗传算法和蚁群算法,提出的算法规划的平均路径长度分别减小了5.0%、5.5%和6.6%,碰撞次数降低为0,且路径更平滑。实验结果表明,提出的算法能够有效提高喷涂机器人的喷涂效率,以及喷涂路径的安全性和适用性。     

基于离散灰狼算法的喷涂机器人路径规划方法

针对目前用于复杂结构实体喷涂的机器人路径规划方法存在的效率低、未考虑碰撞以及适用性差等问题，提出一种用于求解多层决策问题的离散灰狼算法，并把该算法用于该路径规划问题的求解。为了将连续域灰狼算法改为用于求解多层决策问题的离散灰狼算法，采用矩阵编码方法解决多层决策问题的编码问题，提出基于先验知识与随机选择的混合初始化方法提高算法求解效率和精度，运用交叉算子与两级变异算子定义离散域灰狼算法的种群更新策略。另外，运用图论将喷涂机器人路径规划问题简化为广义旅行商问题，并建立了该问题的最短路径模型和路径碰撞模型。在路径规划实验中，相较于粒子群算法、遗传算法和蚁群算法，提出的算法规划的平均路径长度分别减小了5.0%、5.5%和6.6%，碰撞次数降低为0，且路径更平滑。实验结果表明，提出的算法能够有效提高喷涂机器人的喷涂效率，以及喷涂路径的安全性和适用性。     

基于时域卷积网络的水文模型

水位预测是防洪预警工作的辅助决策支持。为了进行准确的水位预测,为预防自然灾害提供科学依据,提出一种结合改进的灰狼优化（MGWO）算法与时域卷积网络（TCN）的预测模型MGWO-TCN。针对标准灰狼优化（GWO）算法存在早熟停滞的不足引入差分进化（DE）算法,扩展灰狼种群的多样性;改进灰狼种群更新时的收敛因子和变异时的变异算子,以自适应的形式对参数进行调整,提升算法的收敛速度,均衡算法的全局与局部搜索能力;利用MGWO算法对TCN的重要参数寻优,提升TCN的预测性能。将MGWO-TCN预测模型用于河流水位预测,预测结果的均方根误差（RMSE）为0.039。实验结果表明,与对比模型相比,MGWO-TCN预测模型具有更好的寻优能力和更高的预测精度。     

导航系统中多目标路径平滑化规划的研究

路径规划是车辆、机器人出行、无人机航路推荐和计算机游戏等许多应用中的关键任务。现有的大多路径规划常简化为单目标优化问题进行求解。但在现实生活中,还需要同时考虑多种规划目标,且用于规划路径的目标之间还存在着彼此不能变换的问题。在熟知的路径规划算法（D*Lite）上提出了一种新的多目标路径平滑化规划算法-平滑多目标D*Lite算法。通过构造一条初始多目标平滑路径,当检测到环境变化时采用增量搜索思想,仅更新受影响结点并从当前结点重新进行规划得到一条新的多目标平滑路径。仿真结果表明,该算法不但能有效躲避突发障碍物,规划路径拐点较少,还能提高搜索效率,可有效应用于具有不同非交互规划目标的导航系统。     

基于停滞检测的双向搜索灰狼优化算法

针对灰狼优化算法（GWO）易陷入局部最优、收敛速度低的问题,提出了一种基于停滞检测的双向搜索灰狼优化算法（DBGWO）。为了提升初始种群的质量,引入了Bernouilli shift映射;为了充分利用GWO特有的头狼机制,实现整体提升算法性能的目的,提出一种双向搜索策略;为了提升算法跳出局部最优的能力、增加算法的收敛速度,提出一种停滞检测机制,针对算法是否有陷入局部最优风险的判断,狼群会采取相应的措施改变当前状态。通过对23个基准测试函数进行仿真实验结果表明,所提算法在求解多峰函数问题上效果显著,同时在求解最优解非0点的函数问题上表现也较为优越。将该算法用于求解多阈值图像分割问题,解决了用Kapur熵法计算多阈值时耗时过长的问题。     

基于改进遗传算法的无人机路径规划

针对传统遗传算法收敛速度慢、容易陷入局部最优、规划路径不够平滑、代价高等问题,提出了一种基于改进遗传算法的无人机(UAV)路径规划方法,该算法对遗传算法的选择算子、交叉算子和变异算子进行改进,从而规划出平滑、可飞的路径.首先,建立适合UAV田间信息获取的环境模型,并考虑UAV的目标函数与约束条件以建立适合本场景的更为复...     

基于杂交策略的自适应灰狼优化算法

针对灰狼优化算法(GWO)存在较为严重的收敛性缺陷问题,提出了一种基于杂交策略的自适应灰狼优化算法(AGWO)。首先引入非线性收敛因子,以平衡算法的全局搜索性和局部开发性;其次引进遗传杂交策略,对灰狼群体以一定概率两两杂交以产生新个体,从而有效增强灰狼群体的多样性;同时为避免算法后期陷入局部最优解,受蝠鲼觅食策略的启发,引入蝠鲼觅食策略并加入了动态自适应调节因子以调节群体的多样性,有效提升算法的收敛精度及全局寻优性能。通过选取CEC2014中11个基准测试函数进行实验,与其他相关算法横纵向对比分析,多方位验证了AGWO算法的综合寻优性能。实验结果表明,在相同参数设置下,AGWO算法的收敛速度及综合寻优性能明显优于其他比较算法。     

动态反向搜索更新位置的改进灰狼优化算法

针对灰狼优化算法（GWO）后期收敛速度慢、易陷入局部最优等问题,提出一种动态反向搜索更新位置的改进灰狼优化算法（DAGWO）。该算法在原始的位置更新公式中引入个体历史最优位置引导策略,以加快算法的收敛速度;同时,引入反向搜索因子,该因子依据种群早熟判别指标动态调节自身取值,在算法陷入局部极值时令灰狼个体向整个种群中最差个体方向进行反向搜索,以提高种群跳出局部极值的能力。此外,构造了一种新型局部扰动的非线性收敛因子[a],以平衡算法的全局和局部搜索能力。对20个经典测试函数进行仿真实验,结果表明在求解精度、收敛速度和算法的稳定性上,DAGWO算法与标准智能优化算法和其他相关改进算法相比更有优越性。     

融合浓度平衡和菲克定律的新平衡优化器算法

针对平衡优化器算法（equilibrium optimizer,EO）出现的收敛速度慢、算法精度不够、开发和搜索阶段信息不平衡等问题,提出了融合浓度平衡和菲克定律的新平衡优化器算法（new equilibrium optimizer,NEO）。根据布朗运动和扩散现象,不同浓度区域的粒子采取不同的浓度平衡机制,改进算法平衡池,提高种群间的信息交流能力;在算法参数中引入幂函数和指数函数两种自适应因子,进一步平衡全局搜索和局部开发能力,使得粒子种群在解空间中进行广泛搜索和深度挖掘;根据菲克定律,在粒子位置更新公式中引入扰动机制,提高算法寻优精度和收敛速度。采用24个基准测试函数和Wilcoxon 秩和检验,将NEO算法和其他智能优化算法进行仿真实验对比,结果表明NEO算法具有良好的优化性能。