基于神经过程-粒子群算法的移动机器人路径规划

针对传统粒子群算法在移动机器人路径规划过程中早熟引起的局部最优问题,将运动过程预测思想集成到粒子群优化算法中,构造神经过程-粒子群混合算法。主要思路是在粒子群个体进行下一次迭代时,利用神经过程预测个体位置,增加了迭代后期粒子群体的多样性,避免过早陷入局部最优,从而提高算法优化能力。实验结果显示,改进算法用于解决机器人路径规划问题,整体性能优于传统的粒子群优化算法。     

粒子群算法在三维空间机器人路径规划中的应用

将粒子群优化算法应用到粒子群的路径规划中.首先进行空间坐标变换,然后将机器人所在的起始点与目的点的连线SD进行（n＋1）等分,过每个等分点作垂直于Z轴的n个平面,在每个平面上做正多边形的点阵,构成粒子群算法寻优的路径空间,最后应用于空间机器人的路径规划.试验证明该方法在收敛速度和精度方面有效.     

一种复杂环境下的移动机器人路径规划方法

针对基于粒子群优化算法的路径规划方法在复杂环境中容易出现找不到有效路径的缺点,提出了一种深度优先搜索和粒子群优化算法相结合的机器人路径规划方法。该方法将待探索区域划分为若干个子区域,利用粒子群优化算法深度优先搜索子区域。仿真实验结果证实了该方法的有效性和可行性。     

基于自适应粒子群算法的机器人路径规划

针对粒子群算法在解决机器人路径规划中存在的路径易陷入局部最优、路径搜索后期收敛速度慢以及路径不平滑的问题,提出了一种基于模拟退火的改进自适应粒子群算法,该算法结合了模拟退火算法和粒子群算法的优点,路径搜索前期路径搜索速度快,路径搜索过程中路径具有概率突跳的能力,能够有效地避免陷入局部最优路径,而且利用3次样条插值使路径平滑,路径搜索后期路径收敛精度也很高。仿真结果表明,该算法在不同障碍物模型中均能够快速找到最短的平滑路径,而且效果优于传统方法。     

基于多智能体粒子群优化的移动机器人动态路径规划

为了确保机器人在动态环境下无碰撞地到达目标位置,将多Agent粒子群优化算法（multi-agent particle swarm optimization, MAPSO）引入到粒子滤波（particle filter, PF）中,提出一种基于多Agent粒子群优化粒子滤波算法（multi-agent particle swarm optimized particle filter, MAPSOPF）的路径规划方法。通过多Agent系统的竞争、协作机制,调整MAPSOPF中粒子的提议分布,更新预估粒子的位置。与PSOPF算法相比较,该算法的迭代步数减少了50%~60%,计算时间复杂度降低了5%~50%。与改进的遗传算法相比较,MAPSOPF算法的计算时间复杂度降低了95%。三种算法中,MAPSOPF可近似得到最短的路径。实验结果表明该算法可有效应用于移动机器人动态路径规划。     

基于改进粒子群算法的机械臂轨迹规划研究

为提高机械臂的适用性和工作效率,针对机械臂关节空间时间最优轨迹规划问题,在研究传统的多项式插值轨迹规划方法基础上,结合改进的粒子群优化算法,通过动态调整学习因子,结合线性惯性权重,改善传统粒子群算法容易陷入局部最优的缺点,快速准确得到最优解;在机械臂工作空间中选取可到达的路径点,获取路径点处的关节角度,采用3-5-3分段插值多项式法规划机械臂的运动轨迹,同时利用改进粒子群算法优化轨迹的运行时间,得到平滑、连续且时间最优的运动轨迹曲线。Matlab仿真实验结果验证了该方法进行轨迹规划的可行性和有效性。     

基于改进蚁群粒子群算法的移动机器人路径规划

全局静态地图下,针对蚁群算法规划机器人移动路径时存在计算时间长、搜索效率低,并且得到的优化路径转弯次数过多的问题,提出了一种改进蚁群粒子群算法：首先利用粒子群算法快速得到蚁群算法初始信息素,然后进行蚁群算法路径规划,对得到的路径采用惯性优化,对每个节点进行遍历,当 ２个节点间的路径上无障碍物时,将中间节点删除,转换为优化路径。仿真实验表明,该方法与传统蚁群算法及相关改进算法相比,能有效减少迭代次数、提高搜索效率、减少转弯次数、缩短路径长度,从而提高路径质量。     

基于偏好粒子群算法的移动机器人路径规划

针对粒子群算法收敛速度快,但易陷入局部最优的问题,提出一种基于偏好粒子群算法的移动机器人路径规划方法.在对障碍物环境建模的基础上,根据避障偏好利用粒子群优化算法规划出全局最优路径.为避免搜索过程中算法陷入局部最优,采用深度优先搜索策略,保持了种群的多样性,提高了算法的搜索能力.实验结果表明:该方法能够有效地避开障碍物,并且获得较好的路径规划效果.     

增强蚁群算法的机器人最优路径规划

为解决复杂环境中机器人最优路径规划问题,本文结合增强学习和人工势场法的原理,提出一种基于增强势场优化的机器人路径规划方法,引入增强学习思想对人工势场法进行自适应路径规划.再把该规划结果作为先验知识,对蚁群算法进行初始化,提高了蚁群算法的优化效率,同时克服了传统人工势场法的局部极小问题.仿真实验结果表明,该方法在复杂环境中,对机器人的路径规划效果令人满意.     

基于动态聚类混合拓扑结构粒子群算法的PDVRPTF

经典物流配送模型的目标、约束条件不够全面,在实际应用中存在一定缺陷,对此,构建了时间窗和油耗取送一体化的物流配送路径优化模型（PDVRPTF）.设计了一种基于k-medoids动态聚类混合拓扑结构粒子群算法,解决了经典粒子群算法在求解此类模型时容易陷入局部最优解的问题.仿真结果表明,改进型粒子群算法能很好地跳出局部最优解,并快速收敛于全局最优解,且该算法可有效求解物流配送路径优化的问题.     

改进粒子群算法的工业机器人几何参数标定

针对传统粒子群(PSO)算法在解决工业机器人几何误差标定问题中存在的收敛速度慢的缺点,提出了一种基于两段式的动态粒子群算法(LDPSO-BT)。用Denavit-Hartenberg方法建立工业机器人的误差模型,将几何误差标定问题转换成对高维非线性方程的求解;对粒子群数目进行线性递减,同时针对算法求解过程中粒子数目线性递减的特点,在改进粒子群算法迭代后期采用改进的搜索模式,对传统粒子群的速度迭代公式进行改进;仿真实验对比了工业机器人几何误差标定前与标定后两种算法的末端定位精度。实验结果表明:在采用粒子群算法辨识工业机器人实际几何参数的过程中,粒子群数目对算法的迭代时间有重要影响,通过线性递减的方式减少粒子群的粒子数目可以有效地减少工业机器人几何误差标定时间,同时在粒子群算法迭代后期采用改进的速度迭代公式可以确保收敛精度。与传统粒子群算法相比,使用改进后的粒子群算法,不仅可以有效减少工业机器人的定位误差,而且还拥有更高效的迭代效率。     

基于神经网络和粒子群算法的移动机器人路径规划

针对移动机器人传统路径规划算法效率不高,寻优能力差等问题,提出一种基于神经网络和粒子群优化算法相结合的移动机器人路径规划方法.该方法利用神经网络实现大量的并行和分布计算,发挥PSO简单、容易实现的优点,提高了路径规划的计算效率和可靠性.仿真结果表明,这种新路径规划方法是可行且有效的.     

基于一种改进PSO的移动机器人路径规划

提出了基于一种改进微粒群优化算法的移动机器人在已知环境信息下的路径规划方法。通过对算法中微粒的速度进化方式的改进，使算法能有效地对搜索空间进行搜索，避免陷入过早收敛，此外还将边界约束、静态避障和最短路径这3个条件表示成一个简单的适应度函数，使整个优化过程满足路径规划的任务要求。最后，通过仿真取得了很好的效果，证实了方法的可行性和有效性。     

移动机器人运动规划的粒子群优化算法

针对移动机器人非完整运动规划问题,采用多项式插值技术实现控制参数化,将无穷维非完整运动规划问题转化为有限维参数优化问题.考虑系统的能量消耗和末端约束,构造了优化的目标函数.提出了一种求解移动机器人非完整运动规划的粒子群优化算法.仿真结果验证了移动机器人运动规划的粒子群优化算法的有效性.     

自由漂浮空间机器人力矩最优轨迹规划算法

针对自由漂浮空间机器人的轨迹规划问题,提出一种基于粒子群优化算法的机械臂关节角驱动力矩最优轨迹规划算法.首先通过对自由漂浮空间机器人系统的动力学方程进行分析,给出了以机械臂关节角驱动力矩为目标函数的轨迹最优控制算法,并采用高阶多项式插值方法逼近机械臂关节角轨迹,结合粒子群优化算法对机械臂关节角轨迹进行优化求解.数值仿真表明,规划出的关节角轨迹平滑连续,在完成自由漂浮空间机器人姿态调整任务的同时,机械臂关节角驱动力矩降至最低.     

基于二进制粒子群算法的移动机器人路径规划

由于用PSO进行机器人路径规划的研究尚局限于用连续模型规划连续描述的环境中的路径,使算法受到一定的局限性.为此,研究了一种全新的基于栅格法的机器人路径规划二进制粒子群算法.首先用栅格法描述机器人工作环境,在此基础上,将机器人路径表示为粒子位置的二进制编码,并以路径长度为适应值,产生初始种群后,再对粒子位置和速度进行更新,经过多次迭代,即可获得从起始点到目标点的一条全局最优路径.该方法模型简单,算法复杂度低,收敛速度快,计算机仿真实验证明了该方法的有效性和先进性.     

基于时间冲击最优的TBM换刀机器人轨迹规划

为了提高隧道掘进机(TBM)换刀机器人的工作效率,减小换刀过程中的运动冲击,提出基于改进型粒子群优化(PSO)算法的轨迹优化方法.采用位姿分离法与关节变量最小策略,对冗余关节机器人进行运动学分析.利用所求的逆解,将目标轨迹由笛卡尔空间映射到关节空间.针对每个关节使用5次NURBS曲线构造冲击连续的关节轨迹,以时间冲击最优构造目标函数,采用改进型PSO算法求解出最优时间序列,完成对轨迹的优化.通过对特定的换刀任务进行轨迹规划,得到各关节的优化轨迹.优化结果表明,提出的轨迹规划方法可以为换刀机器人各关节提供理想的轨迹,具有较强的轨迹跟踪能力.利用5次NURBS插值法与改进型PSO优化算法,可以保证轨迹的时间最短与冲击最小,提高了运行的效率与平稳性.     

基于深度确定性策略梯度的粒子群算法

在传统的粒子群优化算法(PSO)中,所有粒子都遵循最初设定的一些参数进行自我探索,这种方案容易导致过早成熟,且易被困于局部最优点。针对以上问题,该文提出了一种基于深度确定性策略梯度的粒子群优化算法(DDPGPSO),通过构造神经网络分别实现了动作函数和动作价值函数,且利用神经网络可以动态地生成算法运行所需要的参数,降低了人工配置算法的难度。实验表明DDPGPSO相比9种同类算法在收敛速度和寻优精度上均有较大的提升。