改进遗传算法在移动机器人路径规划中的应用

提出了一种应用于机器人路径规划的改进自适应遗传算法。在遗传算法的选择操作中引入模拟退火思想，以此来提高算法的全局搜索能力；对交叉、变异算子自调整策略进行改进，以提高算法的收敛速度；将规划出的路径做平滑优化处理，并根据路径与障碍物间的距离进行不同速度段的划分；在适应度函数中加入安全行驶速度和转弯次数等多个规划指标，使规划出的路径更加安全高效。仿真实验表明，改进后的算法实现效率好、安全可靠性高，规划出的路径也更加符合实际情况。     

基于退火遗传算法的多路径测试用例生成*

针对遗传算法在多路径测试用例自动生成中的不足,提出基于退火遗传算法的生成方法。对遗传算法的适应度函数进行优化设计,以满足多路径测试用例生成。同时在算法中引入路径存储机制,从而增强测试用例自动生成的功效。在提高算法的局部搜索能力方面,对遗传算法的两点交叉算子进行改进,并引入模拟退火算法到变异操作。三角形判断程序的测试用例生成实验结果,验证了该方法的有效性。     

基于改进RRT算法的无人机三维避障规划

RRT算法由于其在复杂环境中有强大的随机搜索能力,在无人机避障规划中被广泛运用.为了提高无人机避障规划的效率,提出了一种基于预规划路径优化RRT算法的无人机三维避障规划算法.算法首先在障碍物膨胀规则和相交规则下生成预规划路径,然后将预规划路径看做成连续的质点组成,按一定的扩展树步长的比例从连续质点取点来确定搜索树的随机状态点,最后RRT算法在这些随机状态点的引导下进行搜索,生成避障规划路径.仿真结果表明,改进的RRT算法生成的预规划路径降低了障碍物搜索的时间和增强了搜索树扩展的方向性;预先确定的随机状态点使搜索树在扩展中具有方向性,可减少新生节点的个数和路径长度,进而提高了无人机避障路径规划的效率,使得最终生成避障路径的时间更优.     

一种车辆路径规划的改进混合算法

针对物流活动中需要找出各个配货节点之间的最短路径,用以指导物流车辆调度的问题,提出一种将遗传算法与BP神经网络相结合的新方法,规划车辆的路径,达到节约运送成本的目标。对遗传算法进行了改进,克服了遗传算法局部搜索能力差、易早熟和总体可行解质量不高的缺点。该混合算法有效弥补了遗传算法的不足,同时在遗传优化操作中引入最优保存策略,并在选择操作中采用锦标赛选择法,使算法的效率和功能得到了很大提高。通过对基于遗传算法的改进混合算法求解车辆路径优化问题的性能进行仿真,并与自适应遗传算法和免疫遗传算法进行对比分析,验证了改进混合算法的优点和有效性。     

煤矿履带式定向钻机路径规划算法

煤矿履带式定向钻机路径规划过程中存在机身体积约束和实际场景下的行驶效率需求,而常用的A*算法搜索速度慢、冗余节点多,且规划路径贴近障碍物、平滑性较差。提出一种以改进A*算法规划全局路径、融合动态窗口法（DWA）规划局部路径的煤矿履带式定向钻机路径规划算法。考虑定向钻机尺寸影响,在传统A*算法中引入安全扩展策略,即在定向钻机和巷道壁、障碍物之间加入安全距离约束,以提高规划路径的安全性;对传统A*算法的启发函数进行自适应权重优化,同时将父节点的影响加入到启发函数中,以提高全局路径搜索效率;利用障碍物检测原理对经上述改进后的A*算法规划路径剔除冗余节点,并使用分段三次Hermite插值进行二次平滑处理,得到全局最优路径。将改进A*算法与DWA融合,进行煤矿井下定向钻机路径规划。利用Matlab对不同工况环境下定向钻机路径规划算法进行仿真对比分析,结果表明：与Dijkstra算法和传统A*算法相比,改进A*算法在保证安全距离的前提下,加快了搜索速度,搜索时间分别平均减少88.5%和63.2%,且在一定程度上缩短了规划路径的长度,路径更加平滑;改进A*算法与DWA融合算法可有效躲避改进A*算法规...     

基于量子进化算法的移动机器人实时路径规划

提出一种改进的量子进化算法来解决机器人实时路径规划问题。采用栅格法对环境建模,给出一种新型的解码方法来将量子个体转换为用栅格点表示的路径。在量子旋转门的基础上,引进遗传算法中的交叉和变异操作以及专门针对路径规划问题设计的修复算子,共同对量子种群进行更新,提升了算法的搜索效率。借助Matlab图形用户界面GUI实现对机器人实时路径规划过程的模拟,仿真结果表明,所提方法能够在较复杂的环境中规划出可行且长度较短的路径,且当环境中出现新的障碍物或原有障碍物向不同方向移动时,该方法均能及时地响应,重新规划出新的最优路径。     

基于改进遗传算法的移动机器人路径规划

针对传统遗传算法存在的搜索效率低、易于陷入局部最优解的问题,提出了一种改进的遗传算法;采用简单的一维编码替代复杂的二维编码,节约了存储空间;在遗传算子的设计中,重新定义了交叉算子和变异算子,避免了陷入局部最优;最后将最短路径和免碰撞相结合作为适应度函数进行遗传优化;在种群的各项参数均相同的情况下,分别对改进遗传算法和传统遗传算法进行了100次实验;其中,改进遗传算法搜索到最优路径的次数为95次,最短路径长度为20.970 6,平均搜索用时217 ms;传统遗传算法搜索到最优路径的次数为62次,最短路径长度为25.071 1,平均搜索用时345 ms;实验结果表明,相比于传统遗传算法,改进遗传算法搜索效率更高且能获得更好的解。     

融合改进A*与DWA算法的机器人动态路径规划

传统A*算法是移动机器人全局路径规划的常用算法之一,但是算法搜索效率低、规划路径转折点多、面对复杂环境中随机出现的动态障碍物无法实现动态路径规划。针对这些问题,在考虑全局最优的基础上将改进A*与DWA算法融合,量化环境中的障碍物信息,根据此信息调节A*算法启发函数的权重,提高算法的效率和灵活性。基于Floyd算法思想设计路径节点优化算法,删除冗余节点,减少转折,提高路径平滑度。基于全局最优设计DWA算法的动态窗口评价函数,用于区分已知障碍物和未知动态、静态障碍物,提取改进A*算法规划路径的关键点作为DWA算法的临时目标点,在全局最优的基础上实现了改进A*与DWA算法融合。实验结果表明,在复杂环境中,融合算法规划路径既能保证全局最优,又能及时有效地躲避环境中出现的动静态障碍物,实现复杂环境中的动态路径规划。     

改进 Ｄ∗ｌｉｔｅ 和时间弹性带法的移动机器人路径规划

为解决D*lite算法在进行路径规划时搜索效率低,易受运动物体影响及路径贴近障碍物的问题,提出了一种结合改进D*lite算法和时间弹性带法的融合算法。首先,将改进的跳点搜索引入到D*lite算法中,让算法只对跳点进行访问,实现了规划时间和路径长度的双优化。之后,融合改进的时间弹性带法进行局部路径规划,提高算法动态规划能力的同时保证了规划路径的安全性。仿真结果表明,改进的D*lite算法比原始D*lite算法在路径长度、规划时长及路径节点数上分别平均优化了6.40％、49.13％和73.70％。在实际表现中,融合算法在动态情况下比原始D*lite算法可减少11.04％的路径长度、67.10％的规划时长及11.99％的运动时间,并且保证了机器人和障碍物间的最小距离。     

基于遗传算法的测试用例生成工具研究

以Korel的遗传算法生成测试用例策略为基础,在适应函数、染色体编码、遗传算法效率等方面提出了相应的算法改进。引入程序结构依赖系数来确定个体的适应值,使得整个搜索更加智能化;解决编码长度预测问题;采用改进的自适应遗传算法提高用例的搜索效率。同时对实现测试用例生成过程中的关键技术进行了分析。最后结合算例对软件进行了验证。     

机械手三维操作空间建立与路径规划

针对传统路径规划算法在机械手路径规划中未考虑机械臂干涉、搜索效率低、路径不合理等问题,在建立了机械手空间模型,采用二次投影法分析和计算机械手操作空间的基础上,将障碍模型和操作空间栅格化,并提出了改进的遗传算法。在遗传算法的设计中,使用实数编码和三维坐标编码相结合的编码方式将栅格进行编码,改进交叉算子,定义最小基因交叉片段数量比,提高了搜索效率,简化了计算过程。通过Matlab建立了机械手仿真模型,验证了算法的有效性,且在实验条件和实验对象等各项参数相同的情况下,相对于传统路径规划算法,搜索效率,最优路径比等得到明显提升。     

改进蚁群算法在AGV路径规划中的应用

针对传统蚁群算法在路径规划时,易陷入局部最优、前期路径有效性差等问题,对传统蚁群算法进行改进并应用到AGV（Automated Guided Vehicle）路径规划上。采用栅格地图建立小车工作空间模型,利用改进的头尾搜索机制,提高并加快了算法的全局搜索能力和前期收敛速度;引入奖惩因子与信息素最大最小阈值,对每代最优路径上的信息素进行奖励,最差路径上的进行惩罚,提高全局搜索能力;引入遗传算法变异因子,使算法跳出局部最优能力加强;采用遗传算法对改进的蚁群算法进行参数优化,减少参数对算法的影响。在VS2017和MATLAB软件平台上进行算法仿真。结果表明了该算法在避免局部最优和加快收敛速度方面有很大改进。     

基于遗传模拟退火算法的移动机器人路径规划

针对移动机器人路径规划的难题,运用了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,对移动机器人的路径规划进行了设计,采用了栅格法对环境进行建模.为了提高路径规划的效率,采用了一种改进的避障算法来生成初始种群.将遗传算法与模拟退火算法相结合形成遗传模拟退火算法,新算法具有较强的全局和局部搜索能力.仿真实验结果证明算法相对于基本遗传算法的收敛速度、搜索质量和最优解输出概率方面有了明显的提高.     

自适应蚁群算法的移动机器人路径规划

针对传统蚁群算法在路径规划中存在收敛速度和寻优能力不平衡，算法易陷入局部最优等问题，提出一种自适应改进蚁群算法。为了提高算法收敛速度，在栅格环境下，根据最优路径的特点以及实际环境地图的基本参数，对初始信息素进行差异化分配；为了提高蚂蚁搜索效率，在状态转移概率中引入转角启发信息并对路径启发信息进行改进；重新制定信息素更新策略，设定迭代阈值，调整信息素挥发系数和信息素浓度，使算法在迭代后期依然具有较强的搜索最优解能力；采用分段三阶贝塞尔曲线对最优路径进行平滑处理以满足机器人实际运动要求。通过实验仿真与其他算法进行对比分析，验证了改进算法的可行性、有效性和优越性。     

基于局部搜索和遗传算法的激光切割路径优化

为了缩短激光加工时间,提高加工效率,提出了一种新的局部搜索法与遗传算法相结合的激光切割路径优化算法。该算法从加工轮廓中提取节点,通过局部搜索法对节点进行局部路径优化,再运用的遗传算法求得近似最优解,遗传算法中的选择算子改进为基于相对适应度的轮盘赌选择算子。详细介绍了算法的原理及实现,通过编程仿真证明该算法与传统的遗传算法相比具有良好的优化效果,可明显缩短加工路径,减少加工时间,提高加工效率。     

改进蚁群算法求解两地间时间最优路径

为提高蚁群算法的运算效率,提出一种改进的蚁群算法来求解问题。研究中中引入阀值排序算法对搜索路径进行优化,解决了蚁群算法前期搜索路径的盲目性问题。改进的蚁群算法加快了收敛速度,并提高了稳定性。经仿真试验证明,改进蚁群算法性在减少算法的迭代次数和提高解的稳定性方面有了较大的提高,并且能很好的用于求解路径时间最优问题。     

面向机器人全局路径规划的改进蚁群算法研究

针对基本蚁群算法在机器人路径规划过程中路径转弯角度过大、易陷入局部极小值、收敛速度慢等问题,对其进行改进。在分析机器人路径规划环境建模方法基础上,将转角启发函数引入至节点选择概率公式,以增强路径选择指向性,提高算法搜索速度;通过引入当前节点与下一节点之间的距离和下一节点与目标节点距离之和的二次方对启发函数进行改进,使得算法搜索过程更有针对性,并降低陷入局部极小值概率;提出信息素挥发因子自适应更新策略,扩大算法搜索范围,提高收敛速度;利用遗传算法的交叉操作对移动路径进行二次优化,以增强算法的寻优能力,进而以Floyd算法为基础引入路径平滑操作,减少移动路径节点。在MATLAB中与其他算法通过求解多个单模测试函数与多模测试函数进行对比,并在栅格法环境建模中进行机器人全局路径规划仿真对比实验,以验证改进算法在路径寻优速度和质量上更具优越性。仿真结果表明,改进后的蚁群算法具有一定的可行性和有效性。     

基于进化蚁群算法的移动机器人路径优化

针对蚁群算法进行路径规划中出现的运行时间长、搜索效率低和容易出现死锁的问题,提出一种基于达尔文进化论思想的蚁群算法.首先,针对空白栅格搜索效率低的问题,提出一种蚁群算法简易模式;然后在启发函数中引入目标影响因子和障碍物影响因子以提高算法的全局搜索能力,避免陷入死锁;最后利用达尔文的进化论改进蚁群算法的信息素更新规则用于加快算法的迭代速度,缩小运行时间.在不同规模的栅格地图环境下的实验表明,所提出的进化蚁群算法能够加快迭代速度,提高搜索效率,实现最优路径并避免算法死锁问题.