改进遗传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问题,传统的遗传算法存在早熟收敛和收敛速度慢,影响路径规划的效率,针对移动机器人路径规划的难题,为了提高路径规划的效率,提出一种基于遗传模拟退火算法的移动机器人最优路径规划方法.应用简化编码长度的技术简化了工作路径编码方式,对于基于遗传算法产生初始路径种群后的各路径的适应值进行评价.经过多次交叉、变异,并借助模拟退火中Metropolis算法的随机移动准则制定了高效的温度更新函数,获得了从起始点到目标点的一条全局最优路径,并在MAlLAB环境中进行了仿真.仿真果证明算法的收敛速度、搜索质量和最优路径规划效率都有了明显的提高.     

移动机器人路径规划的仿真研究

研究移动机器人路径优化问题,由于移动机器人寻优中存在定位稳定性和避障准确性问题,机器人路径规划不仅找到一条无碰撞、安全的移动机器人路径,而且要求路径尽可能最短。传统单一栅格法和遗传算法搜索最优路径效率低,难以全局最优路径。为了获得机器人全局最优路径,提出一种栅格法和混沌遗传算法相融合的移动机器人路径规划方法。首先采用栅格法对移动路径进行规划,作为遗传算法的初始种群,采用遗传算法进一步寻找最优路径。最后对移动机器人路径规划进行仿真,结果表明,混合算法可以很好地避免障碍物,快速找到一条机器人最优移动路径,十分适合于复杂环境路径规划。     

基于遗传模拟退火算法的门阵列布局方法

为实现门阵列模式布局,将遗传算法与模拟退火算法相结合,提出一种新的遗传模拟退火算法,利用遗传算法进行全局搜索,利用模拟退火法进行局部搜索,在进化过程中采用精英保留策略,对进化结果进行有选择的模拟退火操作,既加强了局部搜索能力又防止陷入局部最优。实验结果表明,与传统遗传算法相比,该算法能够有效提高全局搜索能力。     

基于PH曲线的无人机路径规划算法

研究了无人机可飞行路径规划问题,传统路径规划算法不能生成满足无人机运动学约束的可飞行路径.为解决上述问题,提出了将曲率连续的Pythagorean Hodograph (PH)曲线(又称勾股速端曲线)直接用于无人机路径规划的方法,利用PH曲线曲率连续、曲线平滑以及有理特性,在已知威胁的环境中可直接得到满足最大曲率约束且曲率连续的无人机可飞行路径.采用遗传模拟退火算法搜索避开环境中威胁体,并满足约束条件的最优PH路径,使仿真过程结合遗传算法和模拟退火算法的优点,取长补短,提高搜索效率,加强全局搜索能力.仿真结果表明,遗传模拟退火算法能在较少的进化代数下得到最优路径解,且所得的满足约束条件的PH路径曲率连续,为无人机飞行控制提供了依据.     

基于ACS算法的移动机器人实时全局最优路径规划

以Ant Colony System（ACS）算法为基础提出了一种新的移动机器人实时全局最优路径规划方法.这种方法包括三个步骤:第一步是采用链接图理论建立移动机器人的自由空间模型，第二步是采用Dijkstra算法搜索出一条无碰撞次优路径，第三步是采用ACS算法对这条次优路径的位置进行优化，从而得到移动机器人的全局最优路径.计算机仿真实验的结果表明所提出的方法是有效的，可用于对移动机器人进行实时路径规划.仿真结果也证实了所提出的方法在收敛速度、解的波动性、动态收敛特征以及计算效率等方面都具有比采用精英保留遗传算法的移动机器人路径规划方法更好的性能.     

基于改进模拟退火算法的移动机器人路径规划

提出了一种新型改进模拟退火算法,对移动机器人路径进行了全局优化。该算法不仅继承了经典模拟退火算法能达到全局最优解的优点,而且其收敛速度远远优于经典模拟退火算法。仿真实验研究表明:这种改进模拟退火算法全局寻优能力强,收敛速度快,显著提高了求解移动机器人全局路径规划的效率。     

基于改进遗传算法的机器人路径规划

文中提出一种基于改进遗传算法的移动机器人路径规划方法,将复杂的二维编码问题简化为一维编码问题,优化改进标准遗传算法的选择算子和交叉算子,引入路径规划特定的遗传算子(修正算子),最后以移动机器人行走路径最短作为适应度函数进行遗传优化.此算法克服了标准遗传算法的早熟收敛、运算结果稳定性差等问题,提高遗传算法的进化效率.仿真实验结果验证了该算法在移动机器人路径规划中的可行性和有效性,以及规划结果的稳健性.     

基于改进遗传模拟退火算法的WSN路径优化

针对无线传感器网络路径优化问题,提出了一种改进的最优保存的遗传模拟退火算法。利用LEACH算法构建初始路由表,使用GASA的高效率搜索,将路由计算和遗传演化计算同时进行,并直至寻找到近似最优路径为止。将最优保存遗传算法和模拟退火算法相结合,引入自适应的概率变化,有效地解决了这两种算法的早熟现象和时间问题。仿真实验表明,该算法有效地解决了无线传感器路径优化问题,具有定位准确、节能和搜索能力较强等优点。     

基于一种改进遗传模拟退火算法的TSP求解

快速收敛于全局最优解是遗传算法的一个研究重点.在对遗传算法和模拟退火算法研究的基础上,分析了两种算法各自的优缺点,对已有的遗传模拟退火算法进行了改进.结合遗传算法和模拟退火算法的优点,给出了一种并行的多层搜索结构,提高了算法的效率;同时,在此基础上,提出一种种群早熟评价指标.最后,将此改进算法应用到旅行商问题中,并分别对10个城市和30个城市的旅行商问题进行了仿真,用于验证算法的可行性和快速性.仿真结果表明.改进的遗传模拟退火算法能够较快的收敛于全局最优解.     

基于遗传算法的AS-R移动机器人路径规划研究

将遗传算法应用于机器人的全局路径规划,并在AS-R移动机器人上进行了实验研究.首先用栅格法对机器人的工作环境进行划分,得到机器人的环境模型;其次采用遗传算法进行路径搜索,并引入多种遗传算子,增强了算法的实用性.在AS-R机器人上采用VC开发,并在5×5的栅格环境中进行路径规划研究.实验结果表明,遗传算法结合栅格环境对移动机器人进行路径规划,具有简单且通用的效果,所得的折线路径也更适合于机器人进行轨迹跟踪.     

基于正反馈自适应遗传算法的机器人路径滚动规划*

针对传统遗传算法求解机器人路径规划问题存在的收敛速度较慢的缺陷,将蚂蚁算法、模拟退火算法、滚动规划和遗传算法相结合,提出了一种新颖的基于正反馈自适应遗传算法的滚动规划。仿真实验表明,即使在复杂的未知环境下,利用本算法也可以规划出一条全局优化路径,且能安全避碰。     

基于改进模拟退火混合算法的移动机器人全局路径规划

利用改进模拟退火算法与共轭方向法组成混合全局优化算法,对移动机器人全局路径规划进行求解.该混合全局优化算法先用共轭方向法搜索局部最优解,再用改进模拟退火算法跳出局部最优解,依此更新温度值.如此反复操作,直至找到全局最优解.仿真结果表明该算法具有较好的优化效果,能快速收敛到全局最优解.     

基于模拟退火算法的人工势场法路径规划研究

针对传统人工势场法在路径规划中存在局部极值小点问题,使得移动机器人无法运动到目标点,提出一种基于模拟退火算法的人工势场法,其利用模拟退火算法在出现局部极小点的位置附近增设随机目标点,引导移动机器人逐渐逃离出局部极小点区域.最终通过Matlab仿真表明,所设计的方法能使移动机器人逃离局部极小点位置,成功到达目标点位置,并...     

基于改进模拟退火算法的搬运机器人路径规划

针对传统搬运机器人路径规划方法易陷入局部最优解,以及缺乏对环境普遍适应性的问题。应用栅格法创建搬运机器人工作环境模型,以一种建立搜索禁忌表的改进贪心算法为基础,通过加入遗传算法中“优胜劣汰”的思想,重新定义了模拟退火系数和栅格系数,提出了一种可以解决贪心算法局部收敛问题的改进模拟退火算法。最后通过仿真和具体实物实验,验证了该算法具有的可行性以及对于不同环境的适应性,能够有效地提高搬运机器人路径规划的质量。     

异类种群蚂蚁机器人滚动规划算法

依据真实蚂蚁具有自动分流功能这一研究成果,提出了一种全新的基于异类蚂蚁算法的机器人路径滚动规划算法。算法引入分流蚁,以选择信息素较少的路径行走,从而增强了搜索多样性。为加快收敛,结合模拟退火思想动态调节分流蚁的个数。仿真实验表明,即使在复杂的未知环境下,利用该算法也可以规划出一条全局优化路径。     

改进布谷鸟搜索算法在多机器人任务分配及路径规划中的应用

针对多机器人任务分配及路径规划问题,提出一种改进布谷鸟搜索算法求解多机器人任务分配及路径规划方法.根据任务点的环境信息和在其中寻找最佳机器人位置建立数学模型,并使用改进布谷鸟搜索算法求解任务分配及路径规划.改进的策略中融合了遗传算子、2-opt、模拟退火算法的Metropolis准则和插入、交换、逆序方法.不同规模的仿...     

改进蚁群和鸽群算法的机器人路径规划

针对复杂环境下移动机器人路径规划中存在的迭代速度慢和路径欠优等问题,提出将全局与局部规划算法相结合的路径规划方法。首先,利用同步双向A^*算法对蚁群算法的信息素进行优化,并对蚁群算法的转移概率和信息素更新机制进行改进,从而使算法的全局寻优速度更快,缩短移动机器人的路径长度;进一步地,将静态路径用于鸽群算法的初始化;然后,利用改进的鸽群算法对移动机器人进行了局部路径规划,通过引入模拟退火准则的方法解决局部最优问题,利用对数S型传递函数对鸽群数量的步长进行优化,从而能更好地避免与动态障碍物的碰撞。最后,利用B样条曲线对路径进行平滑化和重规划。仿真结果表明,该方法在全局静态和局部动态阶段均能生成路径长度短、评价值低的平滑路径,且收敛速度快,适合移动机器人在动态复杂环境中的穿行。     

基于量子遗传算法的移动机器人的一种路径规划方法

以人工势场法和栅格法为基础,考虑到遗传算法的“收敛速度慢”和“早熟收敛”问题,提出了一种基于量子遗传算法的机器人路径规划方法。该方法采用栅格法进行路径规划,利用人工势场法控制移动机器人,利用量子遗传算法选择最优或次优个体,并且引入双适应度评价函数评价进化个体,为最优或次优个体进入下一代提供了保障。仿真实验表明,该方法的寻优能力及稳定性均优于遗传算法和量子遗传算法,且具有更好的收敛性以及更强的连续空间搜索能力,适于求解复杂优化问题。