基于改进粒子群算法的水下机器人路径规划研究

针对水下机器人在路径规划中遇到的约束条件复杂、寻优算法性能不稳定、路径不平滑等问题,文章提出了一种基于改进粒子群算法的水下机器人路径规划方法。首先,基于函数模拟法构建水下地形及障碍物环境;其次,在优化目标设计方面,从减少能耗的角度出发,文章在传统路径长度最短的基础上,又增加了对水下机器人姿态角度变化以及转向节点位置分布均匀性的优化,以进一步适应实际情况;然后,分析了粒子群算法中惯性权重对算法性能的影响,引入了改进措施,以提高算法的寻优性能;最后,将计算出的初始路径采用B样条曲线进行平滑处理,得到最终的机器人运动规划轨迹。仿真实验结果表明,文章所提路径寻优方法相较于传统蚁群算法和粒子群算法,综合能耗分别降低了56.6%和19.3%,在求解能力和收敛性上也表现出了更优的性能。     

改进粒子群算法在机器人路径规划中的应用

针对粒子群优化算法易过早收敛而陷入局部最优的缺陷,结合移动机器人全局路径规划问题模型,提出一种带扰动机制的粒子群优化算法。对于进入进化停滞状态的个体,采用个体修正策略产生新个体将其替代,来引导算法搜索可行路径,帮助粒子逃离局部极值。仿真实验表明,与其他算法相比,该算法具有更好的搜索精度和全局寻优能力。     

基于时变适应度函数的改进粒子群算法及其在移动机器人路径规划中的应用*

针对粒子群算法在解空间盲目搜索的缺点,提出一种基于时变适应度函数的改进粒子群路径规划算法。该算法有效地将人类搜索经验与粒子群算法相结合,利用神经网络描述环境约束和距离信息,并构造粒子的适应度函数,从而该算法在迭代过程中可以利用权值的改变合理地调整适应度函数。这样,新算法在寻优过程中能够先确定路径方向,然后逐步提高路径安全性。将该算法应用于机器人路径规划,与标准的粒子群算法相比,数值仿真结果表明,改进算法具有较强的寻优能力和实时性。     

基于改进粒子群算法的机器人路径规划方法

提出一种基于粒子群算法的机器人路径规划方法.将路径规划看作一个带约束的优化问题,约束条件为路径不能经过障碍物,优化目标为整个路径的长度最短.机器人工作空间中的障碍物描述为多边型,对障碍物的顶点进行编号.利用粒子群算法进行路径规划,每一个粒子定义为一个由零或障碍物顶点编号组成的集合,在粒子的迭代过程中考虑约束条件,惯性权重随迭代次数动态改变,使算法既有全局搜索能力也有较强的局部搜索能力.仿真结果表明该方法的正确性和有效性.     

二进制粒子群算法在路径规划中的应用

全局路径规划是智能机器人的一个重要研究领域,将二进制粒子群算法应用于路径规划是一种新的尝试.提出一种机器人路径全局路径规划方法,介绍了利用改进的二进制粒子群算法进行路径规划的详细实现过程.机器人工作空间中的障碍物表示为多边形,对多边形顶点进行编号.利用二进制粒子群算法进行路径规划,粒子的长度定义为工作环境中障碍物顶点的个数,每一位为0或1表示路径是否经过该顶点.为了克服传统的二进制粒子群算法的早熟收敛问题,在改进的算法中采用了双重编码结构,并引入变异操作.最后给出仿真结果证明该方法的正确性和有效性.     

一种蚂蚁粒子群融合的机器人路径规划新算法

研究了一种全新的蚂蚁粒子群融合的机器人路径规划算法。该方法首先用链接图建立机器人运动空间模型,在此基础上利用蚂蚁算法进行全局搜索得到全局导航路径,然后用粒子群算法局部调节全局导航路径上的路径点,得到更优路径。计算机仿真实验表明,即使在复杂的环境下,利用该算法也可以规划出一条全局优化路径,且能安全避障。     

一种基于粒子群算法的移动机器人路径规划方法

针对结构化环境中移动机器人路径规划问题,提出一种基于粒子群的路径规划算法.该算法利用适应度函数描述环境约束及路径的距离信息,适应度函数通过神经网络计算;由路径节点构成粒子,通过混合粒子群算法进行寻优.最后,通过计算机仿真验证了该算法是合理的,并且可应用于机器人的实时导航.     

基于改进粒子群优化算法的牙齿正畸路径规划方法

针对虚拟口腔正畸治疗系统中牙齿移动路径规划问题,提出了一种基于正态分布的简化均值粒子群的牙齿正畸路径规划方法。首先建立了单颗牙齿及整体牙齿的数学模型,并根据牙齿运动的特性,将牙齿正畸路径规划问题转化为带约束的优化问题;其次,在简化粒子群算法的基础上,引入正态分布及均值粒子群的思想,提出了一种基于正态分布的简化均值粒子群优化（NSMPSO）算法;最后,从平移路径长度、旋转角度、碰撞检测以及牙齿在单阶段的移动量、旋转量这五个方面构造了高安全性的适应度函数,实现了牙齿正畸移动路径的规划。将NSMPSO与基本粒子群优化（PSO）算法、均值粒子群优化（MPSO）算法和动态调整惯性权重的简化均值粒子群优化（DSMPSO）算法进行对比,结果表明,改进的算法在Sphere、Griewank和Ackley这三大基准测试函数上均在50次迭代内趋于稳定收敛,且均具有最快的收敛速度和最高的收敛精度。通过Matlab中的仿真实验,验证了利用该数学模型和改进算法求得的最优路径安全可靠,可以为医生提供辅助诊断。     

遗传算法在水下机器人路径规划中的应用

提出一种分层路径规划算法来解决大范围海洋环境下的智能水下机器人(AUV)的全局路径规划问题。该算法将机器人的工作空间分层分解,并在每一层搜索路径,最终得到一条与障碍物无碰的全局路径。同时为解决算法的全局最优问题,使用遗传算法在每一层搜索路径。实践证明,该方法具有灵活、实用的特点,并能显著的节省内存空间。     

水下机器人路径规划系统及算法改进

本文介绍了某水下机器人的路径规划系统的结构，针对水池的工作环境，对已有的路径规划算法进行了改进，水池试验结果表明该智能水下机器人路径规划算法正确，路径规则系统运动可靠。     

基于改进粒子群优化算法的移动机器人路径规划

为了实现微型足球机器人的平滑最优路径规划,提出了一种结合Ferguson样条路径描述和改进粒子群优化算法的路径规划方法。利用Ferguson样条描述移动机器人路径,将路径规划问题转化为三次样条曲线的参数优化问题,借助改进的具有速度变异的粒子群算法进行路径优化。仿真实验表明,算法可以有效进行障碍环境下机器人的无碰撞路径规划,改进的粒子群算法进行路径优化迭代80次左右即可收敛,规划路径平滑、合理,有一定的实用价值。     

基于云模型的粒子群优化算法在路径规划中的应用

利用罚函数将机器人路径规划有约束优化问题转换为无约束优化问题。利用云模型既有随机性又有稳定倾向性的特性,引入基于云模型理论的自适应参数策略,构造出一种改进的粒子群（PSO）算法,并应用于机器人路径规划问题。在不同的子群采用不同的惯性权重生成方法,有效地平衡了算法的局部和全局搜索能力,提高了种群的多样性和算法的收敛速度。仿真结果对比验证了该算法的可行性和有效性,且实现简单、收敛速度快。     

基于改进粒子群算法的智能机器人路径规划

针对粒子群算法局部寻优能力差的缺点,提出一种非线性动态调整惯性权重的改进粒子群路径规划算法。该算法将栅格法与粒子群算法进行有效结合,在路径长度的基础上引入安全度和平滑度概念,建立动态调整路径长度的适应度函数。与传统的粒子群算法相比,实验结果表明,改进算法具有较强的安全性、实时性及寻优能力。     

基于双层微粒群优化的机器人全局路径规划

采用微粒群优化解决机器人全局路径规划问题,近年来得到国内外学者广泛关注,并已经取得丰硕的研究成果。但是,已有成果往往难以应用于含有密集障碍物的环境。针对解决含有密集障碍物环境的机器人全局路径规划问题,提出一种双层微粒群优化方法。该方法通过底层微粒群优化,得到若干最优路径;通过顶层微粒群优化,在这些最优路径附近局部搜索,从而得到机器人的全局最优路径;通过对不可行路径实施脱障操作,使其成为可行路径。将所提方法应用于多场景的机器人路径规划,并与已有方法进行比较。实验结果表明,该方法能够找到机器人的全局最优路径。     

粒子群优化的移动机器人路径规划算法

针对移动机器人在复杂环境下采用传统方法路径规划收敛速度慢和局部最优问题,提出了斥力场下粒子群优化（PSO）的移动机器人路径规划算法。首先采用栅格法对机器人的移动路径进行初步规划,并将栅格法得到的初步路径作为粒子的初始种群,根据障碍物的不同形状和尺寸以及障碍物所占的地图总面积确定栅格粒度的大小,进而对规划路径进行数学建模;然后根据粒子之间的相互协作实现对粒子位置和速度的不断更新;最后采用障碍物斥力势场构造高安全性适应度函数,从而得到一条机器人从初始位置到目标的最优路径。利用Matlab平台对所提算法进行仿真,结果表明,该算法可以实现复杂环境下路径寻优和安全避障;同时还通过对比实验验证了算法收敛速度快,能解决局部最优问题。     

基于新的粒子群算法的虚拟角色路径规划仿真系统

针对标准粒子群算法(SPSO)中粒子在避障时易陷入局部最优而无法继续行走的问题,提出一种将局部最优粒子的位置后退至其历史最优位置,在此位置进行8-邻域局部搜索最优可行解的方法。该方法找到离目标最近的非障碍点,让粒子行走至该位置;同时找出当代群体的全局最优位置,并将各粒子位置设定为此位置,继续迭代。通过在栅格地图中的避障实验发现,传统算法粒子遇到障碍物时会陷入局部最优而无法行走,而改进后的算法粒子能够成功避开障碍到达终点。将改进的算法引入三维视景仿真系统,仿真结果表明在大地图、多障碍场景下粒子陷入局部最优而导致寻路失败的概率高达50%;通过给障碍物添加圆形坡度对算法进一步改进,粒子成功规划出路径的概率提高至83%。实验结果表明改进后算法搜索能力增强,能在复杂场景中有效地规划出路径。     

改进的混合粒子群算法

从研究分析粒子群算法和郭涛算法的特点出发,提出一种综合两算法优点的混合算法。新算法改变了粒子的更新方式,以子空间搜索和串行搜索相结合的多点并行搜索,扩大了算法的搜索范围,减少了粒子对初值的依赖,增强了算法跳出局部最优的能力;通过后代较优个体变异产生子群,提高了算法局部寻优能力;实验证明,该算法正确高效。     

不确定生命强度的微粒群救援路径规划求解

针对灾难发生后,如何在有限的时间内救援最多被困者的问题,研究灾难发生后,由机器人代替救援人员,在被困人员生命强度不确定的情况下,规划救援路径,以期在有限的时间内救援最多的被困人员(目标点)。首先,考虑到灾难发生之前,每个目标点都有生命强度,且每个人由于不同因素的影响,生命强度的大小不同,不失一般性,将其设为一个区间;然后,考虑生命强度约束,救援人数作为目标函数,将其建立为一个与生命强度有关的区间函数;接着,采用改进的整数微粒群算法对上述目标函数进行求解,介绍了微粒的编码、解码方法和全局极值更新策略;最后,通过对不同场景下的仿真,验证所提算法的有效性。     

基于改进粒子群算法的变异体选择优化

变异测试是常用的测试方法之一,变异测试分析的过程中计算开销会比较大,问题主要集中于测试过程中会产生大量的变异体,为了减少变异体的数量,提出用标准粒子群聚类算法进行选择优化,但标准粒子群算法在被测数据量增加到一定数量的时候,它的迭代次数就会增加、收敛速度就会下降。针对以上问题提出基于改进的粒子群算法对变异体进行选择优化。通过对变异体集合进行聚类分区,增强变异体集合的多态性,从而对粒子群算法改进优化。实验结果表明在不影响测试充分度的前提下,使变异体的数量大幅度减少,同时与K-means算法以及标准粒子群算法相比之下,改进后的方法具有更好的优化效果。     

基于改进粒子群优化算法的排课问题

深入分析了排课问题,提出一种基于离散粒子群的排课算法,构建了相应的解题框架。针对粒子群算法有后期收敛速度慢、易收敛于局部最优的缺点,结合排课问题的特点,对粒子群算法作了改进。在三维空间中建立模型,采用避免冲突的种群初始化加快收敛,并且引入变异操作避免陷入局部最优等。实践表明改进后的粒子群算法能有效地解决排课问题。