基于改进学生心理优化算法的无人机路径规划

针对标准学生心理优化算法(student psychology based optimization,SPBO)在解决无人机路径规划中遇到的搜索能 力欠缺、陷入局部最优等问题,提出一种改进学生心理优化算法的无人机三维路径规划。首先,为增强无人机的局部搜索能 力,引入人为划分小组和分层学习方式,对学生心理优化算法中的学生群体进行更新处理。其次,为解决无人机陷入局部最 优问题,借鉴蜜獾算法(honey badger algorithm,HBA)中的挖掘搜索机制来跳出局部搜索。最后,通过 MATLAB仿真实验 结果表明,改进学生心理优化算法(ISPBO)的平均路径长度减少了0.1275 km、代价平均值降低了1.94%和标准差减少了84.07%,验证了ISPBO具有更强的寻优能力和更好的稳定性。     

基于改进PSO算法的UAV三维路径规划研究

提出一种根据适应度值使粒子侧重于不同寻优任务的改进粒子群优化(FPSO)算法,并将其应用于UAV三维路径规划问题。传统粒子群优化(PSO)算法对所有粒子设置统一的控制参数,寻优过程不够灵活,易陷入局部极值且收敛速度慢。改进的FPSO算法提出三种优化策略,即将PSO算法与遗传算法(GA) 结合、设置动态惯性权重、引入步长因子,以充分发挥不同适应度值粒子的搜索优势,使其动态侧重于局部搜索或全局搜索。仿真结果表明,FPSO算法搜索结果更优,迭代次数更少,平均消耗时间比PSO算法缩短22.0%、比GA算法缩短39.6%,具有显著的性能优势。     

基于改进灰狼优化算法的移动机器人路径规划

针对移动机器人避障路径规划问题,在基本群智能算法灰狼优化算法的基础上,提出改进灰狼优化算法,测试函数证明了算法的稳定性和收敛性,进而将其首次应用于移动机器人避障路径规划问题,通过对改进灰狼优化算法的移动机器人避障路径进行研究,并与基本灰狼优化算法、粒子群算法、遗传算法比较,仿真结果证明了算法的稳定性和收敛性,对路径规划领域有十分重要的研究意义。     

改进萤火虫算法在路径规划中的应用

为了保证移动机器人路径规划的解的多样性,提出了小生境萤火虫算法(NFA)。首先,根据环境特点,建立合理的路径规划模型,将萤火虫算法(FA)的目标函数设置为移动步数,并重新设计了亮度公式、初始化方式和萤火虫移动方式;其次,在FA的基础上,引入小生境技术,并在小生境种群间加入共享信息。仿真实验表明,NFA一次运行可得到多个最优路径。相比FA,NFA的移动步数和目标函数均值分别减少了7.14%、6.76%,萤火虫亮度均值增加了8.33%;相比GA,NFA的移动步数和目标函数均值分别减少了7.14%、9.79%。结果表明NFA在算法性能上更优。     

基于ACO的无人机巡线路径规划研究

无人机巡线的推广和应用使得带电维护和检修成为可能,从而提高了电力工人的维护和检修速度.由此,合理地、精细化地规划无人机巡线路径已成为亟待解决的问题.该文以无人机巡线路径作为研究对象,首先,针对无人机巡检路径的规划特点,建立无人机巡线作业环境模型;然后,建立能耗最低、可巡线时间最长的目标函数,并利用蚁群算法对其进行求解,...     

基于改进A*算法的无人机路径规划研究

针对传统A*算法在无人机路径规划时效率低下、路径点存在大量冗余,且路径转折较多的缺点,提出一种基于双向机制的改进A*算法。首先引入双向搜索机制,分别以对向搜索的起点作为终点,然后判断终点位于起点的象限进行双定向搜索,从而提高搜索效率。最后引入路径平滑策略,将双定向搜索获取的初始路径进行平滑处理,减少冗余路径点和转折点。通过MATLAB平台对传统A*算法和改进A*算法进行对比实验,实验结果表明,相比于传统A*算法,提出的改进A*算法,路径规划时间平均减少了61.61%,路径点平均减少了83.09%,路径转折点平均减少了46.97%,能够有效提高无人机工作效率,生成平滑路径。     

基于 ROS与融合算法的室内无人机路径规划研究

针对四旋翼无人机在室内环境下路径规划效率低、缺乏实用性等问题,提出一种基于融合改进算法的路径规划方法。 首先引入室内混合约束,使用动态加权对传统 A* 算法的评价函数进行重构;其次根据不同地图区域方位角自适应调整邻域 搜索方式;然后考虑无人机实际尺寸影响,设定安全半径,并用Floyd算法对路径做拐点冗余处理;最后融合改进 A* 算法与 改进 DWA 算法,实现了四旋翼无人机的室内自主路径规划和避障。MATLAB 不同仿真环境下的结果表明,改进后算法搜索 节点数和转弯角度分别平均减少63.1%和58.9%,保证全局路径最优的同时,提升了搜索效率与路径安全性。经 ROS 操作 系统的实验结果验证,融合算法在避障效果与运动平稳性等方面具备明显优势,可应用于室内复杂场景下无人机的路 径规划。     

基于融合A*算法的无人机路径规划研究

针对三维环境下A*算法搜索路径不平滑,不具有动态避障的问题,本文提出了一种融合A*算法。该算法在A*算法的基础上,首先引入了俯仰角和偏航角作为搜索约束,其次采用变权值的评估函数和无人机航程、飞行高度、威胁代价,最后将平滑后的A*算法与人工势场法相结合,并利用粒子群算法对A*算法和人工势场法涉及的参数进行寻优。仿真结果显示,融合算法较传统A*算法而言,节省5.34%的燃油损耗,提高了搜索效率,缩短了路径长度,规划出的路径更加平滑,而且能够实现实时动态避障。     

基于改进蚁群算法的无人机三维航迹规划

针对传统蚁群算法在无人机三维航迹规划中,存在早期盲目搜索、收敛速度慢、易陷入局部最优等问题,本文提出了一种改进蚁群算法。该算法利用空间位置初始化信息素分布并设定浓度阈值,增强了蚁群早期搜索的方向性,避免了算法陷入局部最优;设计兼顾距离因素和方向因素的启发函数,改善了航迹规划质量;采用自适应挥发因子控制信息素的挥发,提高了算法的收敛速度。通过两组实验表明,该算法相比传统算法规划的航迹平均长度均减少18.6%,平均迭代次数分别减少63.3%和78.7%,平均拐角次数分别减少62.5%和42.3%。     

基于改进 Dijkstra算法的机器人路径规划研究

针对传统 Dijkstra算法搜索时间长、计算复杂度高等问题,文章提出一种有效的改进路径的算法.首先采用 MATLABRoboticToolbox,根据 DenavitＧHartenberg (DＧH)参数建立平面机器人操作臂模型,并利用 MonteCarlo (蒙特卡洛)点云建立避障工作空间。其次,通过改进 Dijkstra算法在点云空间进行路径规划,并进行仿真实验。实验验证了该算法具有空间占用小、路径规划短、搜序效率高等优势。     

基于新型灰狼优化算法的无人机航迹规划

为解决灰狼优化算法存在寻优性能差、收敛性差等问题,提出了一种新型灰狼优化算法。该算法在初始化部分使用反向学习策略生成了有序的个体,有效改善了算法的收敛速度;设计新型的非线性收敛因子和优化个体位置更新策略来协调算法的搜索能力,降低陷入局部最优的概率;引进精英选择保留策略,促使种群进化加速,提高算法收敛速度。基本函数测试和航迹规划仿真实验两者的结果表明新型灰狼优化算法具有较强的收敛性和寻优能力,并且该算法规划航迹所花费的平均航迹代价值比灰狼优化算法少19.9%。     

动态环境下基于改进蚁群算法的路径规划研究

近年来,路径规划作为移动机器人技术研究中的一个重要领域而备受关注。针对传统蚁群算法在搜索过程中存在容易陷入局部最优并且收敛速度慢的缺陷,借鉴狼群分配原则改进信息素的更新方式,加快了算法的收敛速度。随后,针对传统蚁群算法对动态路径适应性低的问题,基于预测控制理论,在路径规划过程中加入滚动窗口,能使移动机器人更好地避开环境中的动态障碍物。仿真结果表明,改进后的算法更加适合移动机器人实际所处环境的路径规划。     

基于改进帝国竞争算法的AUV三维路径规划

针对传统蚁群算法在自主式水下机器人的三维路径规划中收敛速度慢、搜索效率低、求解质量差等问题,提出一种基于改进帝国竞争算法的三维路径规划方法。该方法以传统帝国竞争算法为框架,首先,在国家初始化部分引入蚁群思想来搜索初始路径,提高可行解的质量;其次,为确保算法在提高种群多样性的同时不会丢失优秀个体,在殖民地革命部分加入差分进化思想;最后,在三个不同规模的地图上进行仿真比对。仿真结果表明,改进后的帝国竞争算法充分利用传统帝国竞争算法收敛速度快、收敛精度高、具有较强的全局搜索能力的特点,提高了寻优过程的精度,加强了全局的寻优性,有效解决了传统帝国竞争算法容易陷入局部最优解的问题,最优路径的长度缩短了11%。     

基于改进蜂群算法的工业机器人路径规划研究

针对工业机器人在复杂环境中运动的避障及路径优化问题,提出基于改进人工蜂群算法的工业机器人避障路径规划策略。首先针对传统人工蜂群算法搜索能力不足且容易陷入局部最优的问题,将禁忌搜索思想引入到人工蜂群算法最优解搜索过程中,形成了基于禁忌搜索的改进型人工蜂群算法,然后将其应用到工业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路径,且寻优速度快、过程稳定。该方法可用于解决工业机器人路径规划问题。     

基于人群密度的最优路径规划算法研究

在众多路径规划算法中,A^*算法是一种典型的最短路径规划算法,但是该算法的应用环境较为局限。为此综合复杂环境中人群密度的因素,以时间最短为准则,将最短距离路径规划问题优化为最短时间路径规划。最优路径规划算法在A^*算法的基础上,引入不同人群密度环境下的行人速度模型,将A^*算法中基于距离的评估函数改变为基于时间的评估函数。实验通过标准网格地图对144种情况进行了模拟,结果表明,相较于传统A^*算法,最优路径规划算法优先选择从周围低人群密度区域绕行到达终点,规划路径在距离上可能更长,但是花费的时间更短。     

基于多层VSA-Morphin算法的局部路径规划

多层Morphin算法扩展了对未知环境的预测范围,克服了传统Morphin算法搜索轨迹不灵活的缺点,但每个搜索节点生成的搜索弧数目固定,搜索和评估所花费的时间随着搜索层数的增多呈指数阶增加。针对该问题,提出了一种可变搜索弧Morphin算法(variable search arc of Morphin,VSA-Morphin)。调整每层搜索节点生成的搜索弧数目,使之不再固定,而是随着层数增加而减少,从而缩短搜索和评估时间。利用MATLAB仿真测试表明,多层VSA-Morphin算法与多层Morphin算法所规划的路径基本一致,但运行时间却相对更少,从而验证了多层VSA-Morphin算法的有效性和正确性。     

改进QPSO和Morphin算法下移动机器人混合路径规划

为了提高机器人在复杂环境下路径规划的能力,提出了一种基于改进量子粒子群优化算法(QPSO)和Morphin算法的混合路径规划方法。利用栅格地图建立环境模型并确定起始点和目标点,通过引入自适应局部搜索策略和交叉操作对QPSO进行改进规划出一条最优的全局路径,机器人根据全局路径行走,当发现未知静态或动态障碍物立即调用Morphin算法进行局部路径规划,避开障碍物后回到原全局路径上继续行走至目标点。该混合路径规划方法的有效性和可行性通过Matlab仿真和实际应用得到很好地验证。