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。     

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.     

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.     

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。     

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%。     

改进遗传算法在移动机器人路径规划中的应用

针对传统遗传算法中适应度函数把最短路径作为主要遗传因素而未考虑转角及多余路径点造成的时间过多与搜索效率低的情况,文章提出一种改进遗传算法的路径规划方案,把适应度函数选取在满足最短路径的基础上加入角度控制和其余路径信息融合得到新的适应度函数。首先采用栅格法建立实验模型,然后在满足最短路径,路径可行及转弯少的情况下融合成一个新的适应度函数,并其增加插入算子与删除算子进行路径优化得到最优解。最后通过MATLAB实验进行验证,结果表明:在路径规划问题上基于该改进的适应度函数的遗传算法优于基本遗传算法,证明了方案是有效的。     

移动机器人路径规划方法研究

移动机器人技术研究中的一个重要领域是路径规划技术，它分为基于模型的环境已知的全局路径规划和基于传感器的环境未知的局部路径规划。综述了移动机器人路径规划技术的发展现状指出了各种方法的优点与不足，最后对移动机器人路径规划技术的发展趋势进行了展望。     

基于小生境遗传算法的移动机器人路径优化

针对标准遗传算法存在收敛性慢和局部最优解的缺陷,结合移动机器人行走特点,提出一种基于预选择机制小生境技术的改进遗传算法中移动机器人路径规划方法.该方法兼顾对局部最优解和全局最优解的搜索,维持群体的多样性,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.计算机仿真结果表明,该算法在收敛速度和输出全局最优解概率方面相对于标准遗传算法有了显著提高.     

移动机器人的路径规划方法的研究

本文针对机器人及障碍物的位置可以实时测得,障碍物数量固定,形状大小可预知,位置一般固定不动的情况,提出一种计算简单．容易实现的移动机器人路径规划方法,可适用于某些特定的场合。     

基于环境模型的移动机器人路径规划

介绍了一种新的移动机器人路径规划方法。采用链接图法,对工作空间建模。用Dijkstra算法决策出全局最短路径,然后用遗传算法对此路径进行优化,得到全局最优路径。最后提出了一种对路径几何改进的方法。仿真结果表明,该方法方便简单,对所规划的路径质量有所提高。     

免疫算法在移动机器人路径规划中的应用

具体阐述了免疫算法在移动机器人路径规划中的应用,使机器人从给定点到目标点可以有效地躲避障碍物而且找到一条最短的路径;构建了机器人的数学模型和亲和力函数,并且说明了机器人的控制方式,给出了算法的具体实现步骤以及仿真实验。实验结果表明,免疫算法在应用到移动机器人路径规划时具有良好的性能。     

蚁群算法在移动机器人路径规划中的应用

路径规则是移动机器人领域中较为关注的热点话题,蚁群算法当前在移动机器人路径规划中有着广泛应用空间和价值,路径规划的主要目的是实现在处于具有障碍物的工作环境中实现合理依据相关性能指标落实在模型空间当中寻找到最优的路线,从起点到目标位置的碰撞次数最少。但是不可否认,当前蚁群算法在移动机器人路径规划中的应用中依然存在各种问题有待完善,未能够将其利用优势全面展现出来。因此,本文将围绕蚁群算法在移动机器人路径规划中的应用为主题来展开分析,再提出促进在移动机器人路径规划中应用蚁群算法的可行性对策。     

一种考虑不确定性的移动机器人路径规划方法

提出了一种移动机器人路径规划方法,该方法采用基于知识的遗传算法进行路径规划,在路径规划算法中综合考虑了建模与传感数据等系统的不确定性,克服了已往的方法在复杂的粗糙地形环境中进行路径规划常常导致探测任务的失败的实际问题.仿真结果表明了该算法在移动机器人路径规划中的可行性和有效性.     

基于遗传算法和人工势场法的路径规划

在移动机器人的研究中,路劲规划是一个最基本也最复杂的问题。为了得到适合于机器人行走,以及全局最优的路径,采用遗传算法与人工势场法相结合的方法进行机器人的路径规划。首先采用遗传算法规划出全局最优或近似最优的无碰撞路径;再通过改进的人工势场法优化路径,增加路径节点,使路径更平滑。仿真实验结果表明,使用该方法所规划的路径是有效的和可行的。     

基于一种混合遗传算法的移动机器人路径规划

移动机器人路径规划问题一直是机器人学研究的核心内容之一,而遗传算法作为智能仿生学算法在路径规划中得到了广泛的应用。针对传统遗传算法存在局部搜索能力差的问题,文中研究在已知环境下运用一种基于遗传算法和模拟退火算法相结合的技术对移动机器人进行最优路径的规划方法。算法采用栅格法对环境建立模型,同时在遗传算子中添加插入算子和删除算子以优化路径。Matlab仿真实验结果表明,该算法相对于基本遗传算法的收敛速度,搜索质量等有了明显的提高。     

基于模糊算法的移动机器人路径规划

为了解决移动机器人最优路径规划问题,提出一种基于模糊算法的移动机器人路径规划策略.利用超声波传感器对环境进行探测,得到关于障碍物和目标的信息.运用模糊推理将障碍位置信息与目标位置信息模糊化,建立模糊规则并解模糊最终使机器人可以很好的避障,从而实现了移动机器人的路径规划.仿真实验结果表明了模糊算法优于势场法和A*算法,具...     

基于蚁群算法的移动机器人智能路径规划应用

随着机器人在各领域的广泛应用和人工智能的不断发展,路径规划研究作为机器人应用领域的重要课题受到越来越多的关注。文章分析了机器人发展现状以及路径规划算法,重点阐述了智能路径规划与传统路径规划的优缺点,利用蚁群算法对移动机器人路径规划中实际应用问题进行了研究,并提供一些实际解决方案。     

室内环境下移动机器人地图构建与路径规划技术

本文通过对某一个移动机器人的路径规划进行分析,到对多个移动机器人的路径规划,最终到很多移动机器人进行地图构建。移动机器人所主要研究的方向是路径规划,地图构建以及实时定位的问题。