基于Dijkstra算法的动态交通诱导技术及仿真

研究车辆行驶过程中的路径动态诱导问题,针对目前交通导航系统不能实时动态规划行驶路线的不足,结合自主研发的车载终端装置,通过对Dijkstra算法的改进及优化,提出了一个可应用于交通诱导过程的动态实时最优路径算法;基于该路径优化算法,车载终端装置可以通过接受交通控制中心的实时道路信息,不断调整车辆的行驶路线,最终实现行驶路线的全程动态优化;仿真实例证明:在实时交通信息的引导下,动态交通诱导技术保证了行驶路线的全程优化.     

基于实时交通信息的动态路径规划技术

随着我国实时交通信息采集与发布系统的完善,车辆导航系统动态路径规划技术的研究具有重要的实际应用价值。本文在研究动态路网模型及其算法的基础上,结合实时交通信息,提出并实现了一种适合国内车载导航应用的动态路径规划的改进方案。仿真结果验证了其有效性。     

D-star Lite算法及其动态路径规划实验研究

车辆导航系统的核心是路径规划算法,路径规划算法分静态路径规划(Static Path Planning,SPP)算法和动态路径规划(Dynamic Path Planning,DPP)算法,SPP的不足是不能对实时变化交通信息做出快速响应,而DPP则可以利用路网中实时更新的交通信息及时地为驾驶者提供更佳的导航路线。本文在研究了静态路径规划中用到的一些算法后,如A*算法,继而分析动态路径规划的一些思想,在此基础上分析D*Lite算法可以改进的地方,并给出优化后的算法程序。利用10×10、50×50、100×100三种规模的模拟路网做对比实验,实验表明优化后的D*Lite算法在速度上有了较大提高。     

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。     

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。     

动态环境下基于蚁群算法的实时路径规划方法*

提出了一种实现移动机器人在复杂动态环境下进行实时路径规划的新方法。该方法首先利用模糊逻辑来描述机器人局部环境模型;然后采用改进的蚁群系统算法快速地搜索出局部最优路径,并在此路径的引导下,结合机器人滚动规划方法,实现移动机器人在复杂动态环境下的实时路径规划。该方法不仅能克服传感器测量误差等引起环境信息的模糊性和不确定性的影响,还可以充分发挥蚁群算法的群体智能优势来保证系统规划的实时性。仿真结果表明该算法的有效性和可行性。     

部分环境信息未知下的机器人动态路径规划算法

良好的移动机器人路径规划技术不仅可以节省大量的时间,还可以减少移动机器人的磨损和资金投入。传统A*算法只能在完整的导航环境信息已知时进行静态路径规划,而包括强化学习(Reinforcement Learning, RL)在内的元启发式算法虽然能够根据实时信息进行动态路径规划,但其参数调试费时费力,且在没有全局最优路线引导的情况下,很容易陷入局部最优解,而无法达到目的地。针对总体布局已知、障碍物分布信息未知的场景,提出了一种结合A*算法和RL中的近端策略优化(Proximal Policy Optimization, PPO)算法的动态路径规划算法。仿真实验表明,与通常的RL算法相比,该算法所需的训练期数较少,且能根据实时的障碍物信息规划出高效、安全的路径。     

基于Vanet的无人驾驶动态路径规划算法研究

随着智能交通的发展,无人驾驶成为未来颠覆传统出行的又一重要交通工具,为适应无人驾驶大规模复杂的交通环境,为无人驾驶导航规划提出了动态双向A~*算法。车载自组网是未来无人驾驶的一个重要发展方向,为检验算法在车载自组网环境下的性能表现,采用OMNeT++与SUMO双向耦合,在开源框架Veins基础上进行联合仿真实验,证明在不同交通密度的交通状态中,在Vanet环境下动态双向A~*算法相比在无Vanet环境下传统双向A~*算法,能更有效地缩短行程时间,提高出行效率。     

基于改进哈里斯鹰优化算法的动态路径规划研究

针对传统栅格地图下的路径规划算法存在多峰值优化、无法实时避障等问题,提出了一种基于改进哈里斯鹰优化算法的动态路径规划方法。首先,提出方形邻格邻近扩散方法初始化哈里斯鹰种群位置,在路径规划问题模型下增加种群多样性;然后,提出一种非线性能量因子优化算法在搜索和开发之间的更新比例,提高全局搜索性能;最后,引入动态窗口法提高机器人实际运行路径的平滑程度,构造结合全局路径的动态窗口评价函数以改善动态窗口法前瞻性不足的问题。实验结果表明,所提方法可以兼顾实时避障和路径最优的需求。     

基于动态交通的最短时间路径规划方法研究

基于动态交通信息的最短时间路径规划方法属于导航领域的最短路径问题。本文采用Dijkstra算法探讨基于实时交通信息的最短时间路径规划方法,通过对空间数据的存储管理和对网络拓扑结构的组织,提高最短路径计算速度,实现动态导航的最短时间路径规划。     

一种基因与蚁群的融合算法研究

蚁群算法具有分布式并行搜索能力，通过信息素的积累和更新收敛于最优路径上，但初期信息素匮乏，收敛较慢。提出一种基因算法与蚁群算法融合的算法，将基因算法加入蚁群算法的每一次迭代中，利用基因算法快速收敛的优点，来加快蚁群系统的收敛速度；且基因算法中的变异机制，有利于提高蚁群算法跳出局部最优的能力。优势互补，实验结果表明该基因蚁群融合算法在寻优能力和收敛速度上都比基因算法和蚁群算法有较大的提高。     

A Hamiltonian-Jacobi algorithm

The nonsymmetric Jacobi iteration is adapted to the special structure of Hamiltonian matrices. This Hamiltonian-Jacobi algorithm uses symplectic-unitary similarity transformations to solve algebraic Riccati equations through the Hamiltonian-Schur form. It preserves Hamiltonian structure without using a condensed form. Although it converges too slowly for use on conventional serial computers, it may be attractive for some highly parallel architectures     

特种部队算法: 一种新的元启发式算法

根据现实环境中特种部队在执行任务时的情形,提出一种新的受启发于人的行为和基于群体的优化算法-----特种部队算法(SFA).特种部队算法为了有效模拟特种部队的特征,将现实中的不同战术行为和群体策略引入寻优思路,设计独特的搜索模式.特种部队会根据具体场景和任务要求,分别进行3种不同的任务:大规模搜索、突击搜捕、抓捕解救,通过结合不同策略,同时在算法中加入一些独特的机制,SFA可以模拟真实的动态行为以符合优化需求,SFA与其他几种成熟的算法进行比较,在包含单峰函数、多峰函数和固定维函数的15组基准函数测试中,验证了SFA的性能.实验结果表明,SFA展现出极具潜力和竞争力的结果,且能够在较好地平衡探索能力和开发能力的基础上,获得良好的搜索性能和寻优精度.     

一种基于遗传算法的K-means聚类算法

传统K-means算法对初始聚类中心的选取和样本的输入顺序非常敏感,容易陷入局部最优。针对上述问题,提出了一种基于遗传算法的K-means聚类算法GKA,将K-means算法的局部寻优能力与遗传算法的全局寻优能力相结合,通过多次选择、交叉、变异的遗传操作,最终得到最优的聚类数和初始质心集,克服了传统K-means算法的局部性和对初始聚类中心的敏感性。     

一个简化的正弦余弦算法：正弦算法*

为了简化正弦余弦算法,本文首先在对该算法进行理论分析后,提出正弦余弦算法的一个简化算法——正弦算法。然后利用10个标准的优化算法测试函数和一个选址问题来对正弦算法进行测试,并与正弦余弦算法进行对比。仿真结果表明正弦算法的搜索效率明显高于正弦余弦算法。     

A knowledge-based thinning algorithm

One common defect of thinning algorithms is deformation at crossing points. To solve this problem, a new thinning method, called the knowledge-based thinning algorithm (KBTA), is proposed. It first represents a binary pattern by coded run lengths of the horizontal line segments. Then the relationship between line segments is described quantitatively by another new algorithm which makes use of both forward and backward derivatives. It afterwards identifies the regions where branches of the pattern meet, then extracts their shape features and thins all of them. Knowing the identities of these regions, perfect skeletons can be obtained. Other regions are thinned by an existing algorithm which is based on contour generation. Experiments with a wide variety of binary patterns show that this new technique generates better skeletons than several other well-known algorithms.     

A hybrid clustering algorithm

Clustering attempts to partition a dataset into a meaningful set of mutually exclusive clusters. It is known that sequential clustering algorithms can give optimal partitions when applied to an ordered set of objects. In this technical note, we explore how this approach could be generalized to partition datasets in which there is no natural sequential ordering of the objects. As such, it extends the application of sequential clustering algorithms to all sets of objects.     

一种多资源负载平衡算法--RLBA

讨论了一种适用于分布式系统的多种资源的负载平衡算法。调度时,首先将任务按照其所占用的系统资源比例进行分类,然后在线计算每个节点的综合资源负载,并按照节点与整个系统的平均综合资源负载的差值进行类型划分,最后在负载最小的节点类中按照均匀概率随机选择一个节点作为任务调度的对象。算法还考虑了调度时可能发生的倾泻现象,并给出了避免的方法。