用基于知识的遗传算法实现移动机器人路径规划

提出了一种基于知识的遗传算法,该算法采用特定的遗传算子、把领域知识并入初始种群及自适应调整控制参数,克服了传统遗传算法的早熟收敛问题,提高了遗传算法的效率.实验结果表明该算法在移动机器人路径规划中的可行性和有效性.     

基于小生境伪并行遗传算法的自主机器人路径优化

提出了一种新的遗传算法——小生境伪并行遗传算法(NPPGA)，用于对自主机器人运动路径进行优化。这种遗传算法是对小生境遗传算法和并行遗传算法的一个有效改进，该方法兼顾了对局部最优解和全局最优解的搜索，维持了群体的多样性，避免了早期收敛现象的发生；同时也增强了自然群体进化的并行性，加快了搜索进程。实验结果表明，该方法是有效可行的，通过合理选取选择、交叉、变异及小生境算子，能得到机器人路径规划最优解。     

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。     

基于改进遗传算法的移动机器人路径规划

将遗传算法用于路径规划时,传统算法虽然简单,但不适用转弯情况较多的复杂地图。针对这一问题,首先将RRT算法用于栅格环境下产生初始路径,其次提出一种新的插入算子,最后进行路径优化。根据不同地图与其他文献中的改进遗传算法,进行对比研究与分析,制定路径长度与算法用时2个指标来评判算法的优劣。仿真结果表明,改进算法得到的路径长度缩短了70%,路径长度达到最优的用时减少了8%。     

基于改进遗传算法的移动机器人路径规划研究

针对传统遗传算法进行路径规划时仍存在的较多问题,采用随机法产生初始种群时不可行路径所占比重较大的问题提出基于Cost-Gain算法的避障策略,然后在MATLAB仿真平台上分别对传统遗传算法和改进遗传算法进行仿真实验,结果证明所提算法是有效的。     

遗传算法在移动机器人静态全局路径规划中的应用

遗传算法自诞生以来，凭借自身优越的全局寻优、不依赖目标函数梯度信息等特性，已在科研领域内得到了广泛应用。应用遗传算法解决移动机器人静态全局路径规划，利用神经网络模型描述环境信息，得到神经网络输出与无碰撞路径的关系，然后将路径的二维编码简化为一维编码，从而将无碰撞约束和最短路径约束合并在一个适应度函数中。在一定程度上提高了运算效率，通过计算仿真证明，方法是正确有效的。     

遗传算法在移动机器人静态全局路径规划中的应用

遗传算法自诞生以来,凭借自身优越的全局寻优、不依赖目标函数梯度信息等特性,已在科研领域内得到了广泛应用.应用遗传算法解决移动机器人静态全局路径规划,利用神经网络模型描述环境信息,得到神经网络输出与无碰撞路径的关系,然后将路径的二维编码简化为一维编码,从而将无碰撞约束和最短路径约束合并在一个适应度函数中.在一定程度上提高了运算效率,通过计算仿真证明,方法是正确有效的.     

遗传算法在移动机器人路径规划的研究

针对基本遗传算法在移动机器人路径规划问题上存在的收敛速度慢以及所得路径转弯次数过多能耗大等缺点,对遗传算法进行改进,该方法利用同邻交叉方式,通过选取具有相同可行邻居结点的交叉对进行交叉操作,得到比双亲更为合适的可行路径。改进的变异方式是选择一个初始变异结点,计算它的可行邻居结点所在路径的适应度值,适应度值最优的就作为变异结点。新的适应度函数考虑了路径的距离、安全性和能量消耗等因素。仿真结果表明,将改进的交叉变异算子和新的适应度函数结合使用有助得到转弯次数较少的最优路径。     

基于改进遗传算法的机器人路径规划

本文在应用遗传算法进行机器人路径规划时,针对遗传算法的"早熟收敛"和"收敛速度慢"两大难题,结合具体的应用背景,在各种改进遗传操作的基础上,把遗传算法和简单图搜索方法相结合,减少了搜索的盲目性,使得优秀个体能较快地产生,算法在很少的进化代数中就可以求出问题最优解.算法的分析和测试表明,本文算法的改进是有效的.     

基于遗传算法的足球机器人路径规划

足球机器人系统是一个智能型系统,并且处于一个具有实时对抗性的动态的复杂环境系统中。路径规划层是机器人决策系统的核心之一。本文研究了足球机器人系统的运动学原理,讨论了遗传算法在足球机器人路径规划中的应用,使机器人能避开障碍物从给定点到目标点找到一条比较短的路径,进行仿真实验,比较了不同遗传代数对路径规划的影响。     

双向ACO算法应用于静态机器人全局路径规划研究

提出双向蚁群算法并应用于静态环境下的机器人全局路径规划问题.对栅格法环境建模进行改进,将传统的栅格法改进为膨胀栅格法;使用双向蚁群算法在出发点和目标点设置带有不同标记的两族蚂蚁相向爬行完成搜索,启发信息主要通过目标点、出发点和蚂蚁的当前位置二维坐标值计算得出;信息素存储采用方向信息素矩阵.仿真实验证明:即使在障碍物非常复杂的地理环境,用本算法也能迅速规划出最优路径.     

基于混合蛙跳算法的移动机器人路径规划

针对移动机器人路径规划中算法搜索能力不强且易陷入停滞的问题,文中提出了一种基于混合蛙跳算法的移动机器人路径规划方法。首先利用蚁群算法在栅格地图中生成一定数量的路径,然后引入混合蛙跳算法,子群内进行Memetic进化,最坏青蛙根据与子群最优青蛙或全局最优青蛙的路径交点栅格进行路径更新,并对最终生成的最优路径进行优化处理,以消除不必要的拐点,保证机器人路径运行的安全性。二维环境下的仿真实验表明,提出的混合蛙跳算法能在有效避开障碍物的同时快速地规划出一条通往目标点的优化路径,且效果令人满意。     

改进A*算法的机器人路径规划研究

针对路径规划问题提出A*优化算法.首先,在传统A*算法的基础上利用JPS算法对子节点进行扩展跳跃,提高A*算法的效率;然后,对A*算法规划路径使用贝塞尔曲线进行平滑处理;最后,基于Matlab平台将改进的A*算法在9组不同栅格地图上进行仿真实验.结果表明,利用JPS算法和贝塞尔曲线改进的A*算法在路径规划过程中计算量极...     

基于改进蚁群算法的移动机器人动态路径规划方法

 本文提出了基于改进蚁群算法的移动机器人动态路径规划方法.首先针对蚁群算法收敛速度慢,容易陷入局部最优的缺点,提出了根据目标点自适应调整启发函数,提高算法的收敛速度;借鉴狼群分配原则对信息素进行更新,避免搜索陷入局部最优.其次为了优化改进蚁群算法的性能,提出用粒子群算法对改进蚁群算法的重要参数进行优化选择.最后实现了基于改进蚁群算法的移动机器人动态路径规划并完成了仿真实验,实验结果证明了该方法的可行性和有效性.     

煤矿井下基于Q—learning算法的移动机器人路径规划

机器人的路径规划一直是机器人研究领域的难点问题。针对煤矿井下环境的不确定性,环境的复杂使机器人很难得到好的规划结果。采用强化学习算法中的Q-learning算法实现井下移动机器人的局部路径规划,并对Q函数中的即时回报进行加权修正,使算法更有效地利用环境特征信息,进一步提高了避障能力。最后通过VC 进行仿真和模拟。仿真实验说明该方法的有效性和可行性。