混合遗传算法在机器人路径规划中的应用

针对传统智能算法在多障碍物环境下求解路径时存在忽视路径安全性，易陷入局部最优解等问题，提出一种融合粒子群算法(PSO)、遗传算法(GA)和人工势场法(APF)的混合遗传算法(PA-GA)。首先，改进障碍物参数和算法的适应度函数，引入防碰撞距离与安全距离，保证路径安全性；其次，通过动态调整粒子群算法中的惯性权重增强粒子的搜索能力，加快算法收敛；然后，引入分群策略、等级交叉策略和人工势场法来改进遗传算法的交叉变异操作，依靠自适应调整交叉变异概率加快收敛速度；最后，将改进后的算法融合，保证混合算法在全局和局部的寻优能力。仿真结果显示，PA-GA算法具备了较强的寻优能力，且路径检索结果更好，收敛速率也更快。     

基于改进遗传算法的装配线平衡研究

针对第二类装配线平衡问题,提出一种改进的遗传算法以解决经典遗传算法的早熟问题。在改进的遗传算法中,提出并引入基因浓度补偿策略,以保持选择及进化过程中种群的多样性,避免算法过早收敛,提高全局寻优能力。同时采取自适应遗传操作算子,在进化过程中动态调整交叉和变异算子,以提高算法的局部搜索能力及算法的计算速度。最后通过实例验证了此改进遗传算法的可行性,在寻优性能以及运算效率上都优于经典遗传算法。     

改进遗传算法在无刷直流电机调速系统PID参数优化中的应用

文章针对传统PID整定方式在无刷直流电机控制系统中存在的不足,采用了改进遗传算法对无刷直流电机调速系统PID参数进行优化.将微粒群算法应用于遗传算法的变异操作中,改善了单纯遗传算法的早熟收敛,提高了算法的收敛速度,使算法有更强的寻优能力.通过matlab进行了仿真,得到了目标函数值的优化过程曲线及系统的阶跃响应曲线,仿真结果表明系统得到了较好的控制效果,也验证了改进遗传算法解决参数优化问题的可行性和优越性.     

基于改进遗传算法的孔群数控加工路径优化

针对孔群加工路径优化中遗传算法存在的局部最优和收敛速度慢等问题,提出采用模拟退火算法改进遗传算法进行路径优化。首先根据孔群数控加工的特点建立数学模型,采用遗传算法设计种群编码,建立适应度函数选择优秀种群,并对保留的优秀种群进行交叉、变异等操作,实现种群进化,其次引入模拟退火算法对其适应度函数进行拉伸处理,调整种群进化差异性而加速寻优进度,同时采用改进的Metropolis准则调整接受概率,调节旧种群和新种群的进化程度,增强遗传算法的全局搜索能力。实例表明:改进算法用于某模具的孔群加工,有效克服遗传算法的早熟现象,缩短收敛次数,平均路径缩短比例达6.9%,提高了加工效率,效果良好。     

改进的差分进化算法在约束优化问题中的应用

针对差分进化算法求解约束优化问题存在寻优精度差和收敛速度较慢的问题,提出一种改进的差分进化算法来求解约束优化问题.首先在初始化及进化过程中利用广义反向学习(GOBL)策略产生反向种群,提高搜索效率同时加快收敛速度;其次采用自适应权衡模型计算出个体的适应值并作排序处理;最后,改进的变异策略和个体选择机制执行变异操作提高多...     

遗传算法的研究进展综述

遗传算法是基于自然界生物进化基本法则而发展起来的一类新算法,应用广泛,但其自身存在早熟收敛等不足,因此,如何改善遗传算法的搜索能力和提高算法的收敛速度是需要探索的课题之一.本文通过对遗传算法的描述,就编码问题、遗传操作及执行策略等方面对遗传算法的改进措施进行了概述,并对遗传算法的研究方向进行了展望.     

大批量定制下产品配置的差分元胞遗传改进算法

针对多目标产品配置方案寻优问题,构建了性能、价格、交货期的优化配置数学模型,考虑配置模块的互斥互补约束、个性化约束,采用基于改进差分元胞遗传算法求解最优配置。该算法根据邻居非支配解个体情况,选择不同的差分交叉策略,同时使用基于信息熵的优势个体评价准则更新中心个体,提高该算法的全局寻优能力和收敛速度。最后通过相关算例对比,验证改进算法的可行性并用于实际配置问题求解。     

基于改进模糊自适应遗传算法的移动机器人路径规划

针对现有移动机器人路径规划方法运行效率低的问题,提出一种基于改进模糊自适应遗传算法的路径规划方法。基于领域知识对初始路径进行可行性筛选,提高可行路径比例。采用模糊逻辑控制器动态整定遗传算法运行参数,提高路径寻优速度,避免陷入局部最优路径;综合考虑机器人运行安全性要求,引入余弦函数平滑度评价因子,对不同的路径夹角施以不同的惩罚项,以改善路径平滑度。仿真结果验证了改进算法解决路径规划问题的有效性。     

基于改进遗传算法的机器人路径规划北大核心

为解决机器人在多约束条件下路径寻优能力差、搜索算法收敛速度慢等问题,提出了一种基于改进遗传算法的机器人路径规划方法。首先,利用栅格法构建机器人工作环境,并以路径长度、平滑度和路径困难度为约束条件构建模型;其次,通过增加删除算子、平滑算子对传统遗传算法进行改进,并引入小生境法避免算法陷入早熟;最后,通过对比实验验证所提算法的性能。实验结果表明,所提方法能够在多约束条件下有效处理路径规划问题并找到最优路径,且与其他方法相比,所提方法在路径长度、平滑度、路径困难度以及运行时间等方面均具有相应的优势。     

基于状态转移规则改进蚁群算法的机器人路径规划

针对传统蚁群算法在全局路径规划中存在的收敛速度慢、局部最优解、算法优化能力低、种群多样性与收敛速度相互矛盾4种主要问题进行改进，提出了基于动态更新状态转移规则的蚁群算法。通过人工势场法改进启发函数，提高算法的优化能力；利用伪随机状态策略改进状态转移规则，提高了算法的收敛速度；引入动态信息素更新方式，解决局部最优问题，协调种群多样性与收敛速度的矛盾。利用剪枝法对改进后的路径规划算法进行优化。通过分步仿真、对比仿真的方法证明算法改进过程的合理性，提高了蚁群算法在路径规划中的性能。仿真结果表明，改进后算法的路径长度缩短44.08%,运算时间缩短45.13%,在解决4种问题的同时，有效提升了机器人全局路径的平滑性和安全性。     

基于改进遗传算法的工厂AGV安全路径规划

为了避免危害事故的发生,在复杂的加工制造工厂中规划AGV小车安全无碰撞的行驶路径,不能简单地将AGV看成一个质点。首先在传统的障碍物栅格地图中叠加了环境安全信息,构建了融合信息栅格地图,提出了一种改进的遗传路径规划算法,在其适应函数中加入安全信息,并采用A*算法产生的初始路径为基准进行安全优化,减少了算法的搜索空间和复杂度。在MATLAB中对算法进行了验证,并在Gazebo中模拟了制造工厂AGV路径规划过程,验证了该方法具有较快的收敛速度及有效性。     

基于元胞遗传算法的移动机器人路径规划

在移动机器人路径规划问题中,环境建模约束定义难,遗传算法求解易陷入局部收敛,针对上述问题通过建立栅格坐标、栅格序号和栅格状态三者之间的关系,简化了障碍物约束和有效路径判断,同时引入多样性保持较好的元胞遗传算法,使用定长实数编码对生成的路径进行优化。仿真实验表明,由于算法具备较好的隐性迁移机制,保持了解的多样性,提高了算法收敛效率,使移动机器人路径规划问题得到了有效解决。     

基于改进蜂群算法的焊接机器人路径规划方法研究

针对焊接机器人的运动特点及焊接工作过程中焊枪的避障问题,提出基于改进人工蜂群算法的机器人避障焊接路径规划策略。首先针对传统人工蜂群算法存在的问题,将Lévy(莱维)分布引入到人工蜂群算法侦查蜂寻找新蜜源的过程中,代替其原有0～1之间的随机分布过程,形成了基于Lévy飞行的改进型人工蜂群算法,然后将其应用到焊接机器人的路径规划问题中,并进行了仿真实验。结果表明:改进后的方法能够得到最优的焊接避障路径,且寻优速度快、过程稳定。该方法可用于解决焊接机器人避障路径规划问题。     

基于混沌求偶萤火虫算法的移动机器人路径规划

针对传统萤火虫算法应用于移动机器人路径规划中存在陷入局部最优和搜索精度低的问题,提出一种基于混沌求偶萤火虫算法的移动机器人路径规划方法。设计一种混沌求偶荧火虫算法,该算法采用混沌映射策略初始化种群,优化种群分布不均和搜索范围不足问题;利用求偶学习策略指导雄性萤火虫向雌性萤火虫学习,提高算法的收敛速度和求解精度。建立移动机器人路径规划的环境仿真模型,应用混沌求偶萤火虫算法进行移动机器人路径规划仿真。仿真结果表明：混沌求偶萤火虫算法比传统萤火虫算法和粒子群算法在路径长度上分别减少了3.075%和2.428%,拥有更高的搜索精度和跳出局部最优的能力。     

基于改进粒子群算法的六自由度机械臂时间最优轨迹规划

针对六自由度机械臂时间最优轨迹规划问题,提出一种基于改进粒子群算法的4-3-4混合多项式插值轨迹规划算法。算法采用自适应惯性权重,它能根据搜索过程的各个阶段采用相应大小的权重,有利于跳出局部最优陷阱,保持粒子群多样性;以非线性学习因子代替传统粒子群算法中固定的学习因子,有效提高算法的收敛速度和求解精度。通过MATLAB进行仿真验证,结果表明改进粒子群算法收敛速度提高46%,寻优精度提高38%,同时机械臂轨迹规划时间缩短了大约36%,充分地证明了该轨迹规划算法的可靠性和优越性。     

基于改进D?Lite遗传算法路径规划研究

针对遗传算法在移动机器人路径规划中易产生早熟现象和收敛速度慢的问题,提出了改进的D~* Lite遗传算法。该算法将D~* Lite算法和遗传算法相结合,通过引入碰撞系数和可视检测技术以提高路径安全性,寻找最短路径。在遗传算法设计中加入动态调整交叉与变异概率,以解决算法在路径规划中因陷入局部最优值而不能到达目标点的问题。最后,通过实验仿真可知:与蚁群算法和免疫遗传算法相比,改进的D~* Lite遗传算法执行效率高,可以快速规划出全局最优路径。     

基于改进鸽群算法与领航跟随法的无人车编队方法

针对无人车编队方法的不足，提出一种基于改进鸽群算法与领航跟随法的无人车编队方法。采用传统鸽群算法编队时有一定的局限性，故在算法初期提供一个初始解以提高计算效率，并在算法的地磁算子中加入相应的权重指标，提高算法在整体路径中的规划效率。在编队过程中，先利用改进鸽群算法为领航者规划出一条最优的路径，再运用领航跟随法控制每一辆跟随者以一定的距离和角度跟随领航者，从而实现以设定的队形运动。通过建立栅格地图进行仿真并在真实无人车上进行实际应用，验证该编队方法的可行性。结果表明：与量子粒子群优化算法与粒子群优化算法相比，改进的鸽群算法主要优势是最优路径短、运行时间短、收敛速率高。     

一种改进灰狼优化算法的移动机器人路径规划方法

针对移动机器人路径规划中存在易陷入局部最优、收敛速度慢、搜索路径消耗成本较大等问题,提出一种改进的灰狼优化算法对移动机器人进行路径规划。建立移动机器人避障路径规划二维空间模型,将灰狼优化算法中的线性收敛因子转变为非线性收敛因子,并将灰狼优化算法与粒子群算法结合,给予Omega狼意识;加入协同量子化优化灰狼群体;采用4类国际测试函数证明了改进算法在收敛精度、稳定性方面更优。将改进算法运用到移动机器人路径规划中,并与粒子群算法、原始灰狼优化算法进行对比,仿真结果验证了该算法的有效性。     

基于GA-BP神经网络的气压伺服系统辨识研究

气压伺服系统控制器的优化设计依赖于准确的系统模型。针对系统的非线性问题,研究采用神经网络进行系统辨识的原理和结构;考虑传统BP算法存在局部收敛、学习速度慢的问题,采用遗传算法对神经网络的初值和权值进行优化,并采用LM算法进行网络学习,最终建立系统的神经网络辨识模型。通过仿真对比神经网络辨识结果与传统线性模型辨识结果,结果表明:基于GA-BP神经网络的辨识模型精度较高,适用于非线性系统辨识。