一种用于车辆最短路径规划的自适应遗传算法及其与Dijkstra和A*算法的比较

提出了一种自适应遗传算法,并成功应用于车辆最短路径规划算法中. 所采用的编码方式、交叉及变异算子等均针对最短路径规划问题而专门设计;同时,提出了一种新的交叉概率、变异概率在线自适应调整策略,以便提高遗传算法的搜索速度和搜索质量. 将该算法同Dijkstra算法、A*算法进行了仿真比较. 对五种不同情况的仿真研究结果表明:同Dijkstra算法相比,该自适应遗传算法可以减少搜索到最短路径的时间;同A*算法相比,该自适应遗传算法则可以搜索到更多的最短路径.     

改进自适应遗传算法在移动机器人路径规划中的应用

为了克服基本遗传算法在求解移动机器人路径规划问题中存在的收敛速度慢、易陷入局部最优等不足,该文提出了一种改进的自适应遗传算法。采用人工势场法对种群进行初始化,设计了自适应交叉和变异概率。同时,采用混合选择方式改善了基本遗传算法收敛速度慢和早熟的现象,提高了算法的进化效率。栅格环境下的仿真实验证明了该文算法在移动机器人路径规划中的可行性和有效性。     

带油耗率的车辆路径问题的改进量子遗传算法研究

针对实际生活中车辆油耗会随着运载量的变化而变化,建立带油耗率车辆路径问题的数学模型,以最小化总成本为目标函数。将运输过程中随运载量变化的油耗率转化成交叉概率,自适应地改变交叉概率,提高算法的全局搜索能力;考虑车辆满载率,设计一种与运载量相关的变异概率,使其逐渐减小并使群体迅速集中,可以抑制早熟。基于以上方法构造的一种自适应遗传算法,实例进行仿真表明,提出的算法在收敛速度和寻优结果两方面略优于自适应遗传算法和遗传算法。     

小生境遗传算法的改进

为了避免小生境遗传算法存在的早期成熟和陷入局部极值点等问题,提出了一种改进的小生境遗传算法.该算法基于自适应交叉概率算子和变异算子,根据进化代数和群体的适应值,动态调整各个个体的交叉概率和变异概率,并在变异量的确定上引入了梯度的概念.通过在Shubert函数的全局最优化问题上的验证,并与常规遗传算法和小生境遗传算法比较,改进后的算法提高了搜索速度,能有效跳出局部极小值,并搜索到全局最优值.     

一种基于加权海明距离的自适应遗传算法

针对普通遗传算法易出现早熟收敛和搜索效率低的缺陷,提出一种基于加权海明距离的自适应遗传算法.该算法综合考虑个体间加权海明距离和适应度值,自适应调整交叉概率和变异概率;采用精英保留法,保证最优个体不被破坏;使用双重停机准则,减少不必要的计算时间,提高遗传搜索效率.最后,运用经典测试函数对该算法进行了仿真实验.结果表明,该算法可以显著提高遗传优化的全局搜索能力,加快遗传算法的收敛速度.     

基于改进遗传算法和改进人工势场法的复杂环境下移动机器人路径规划

为了提高移动机器人在复杂环境下的路径规划能力,通过双层路径规划思想研究了移动机器人路径规划问题。用栅格法对机器人工作环境进行建模,首先采用改进的遗传算法进行全局路径规划,解决了由于交叉概率和变异概率选择不当导致最优个体丢失的问题;然后在规划好的全局路径的基础上利用改进的人工势场法进行局部动态避障,解决了局部极小点问题。结果表明:静态环境下,采用改进遗传算法规划出的最优路径,与传统遗传算法相比其长度缩短了1. 47 m,收敛速度加快;动态环境下,采用改进人工势场法进行路径规划,所用时间与基本人工势场法相比缩短了7. 24 s;复杂环境下,移动机器人采用双层路径规划思想能够规划出一条优化路径。可见改进后的算法是有效的。     

复杂环境下的移动机器人路径规划

为了提高移动机器人在复杂环境下的路径规划能力, 通过双层路径规划思想研究了移动机器人路径规划问题：用栅格法对机器人工作环境进行建模,首先采用改进的遗传算法进行全局路径规划,解决了由于交叉概率和变异概率选择不当导致最优个体丢失的问题;然后,在规划好的全局路径的基础上利用改进的人工势场法进行局部动态避障,解决了局部极小点问题。结果表明：移动机器人能够在复杂环境下规划出一条无碰撞的优化路径。可见改进算法的有效性。     

基于捕食搜索策略混合遗传算法的车辆路径问题研究

在分析研究车辆路径问题的基础上,将其转换为经典TSP优化问题进行求解并建立数学模型,针对遗传算法在求解车辆路径问题时搜索效率低,容易陷入局部最优的缺点,提出了一种改进的遗传算法.改进算法引用自适应邻域法进行种群初始化;基于捕食搜索策略动态自适应调整遗传参数,在加快寻优速度的同时防止陷入局部最优;交叉前后的种群分别实施精英个体保留策略,交叉变异之后引进进化逆转操作,继承父代较优和较多的信息.实验结果表明:改进遗传算法搜索效率高、计算结果较为稳定;求解车辆路径最优问题较其它算法具有较好的性能.     

基于自适应遗传算法的网格任务调度优化

针对传统任务调度算法效率较低、资源负载不平衡等缺点,基于遗传算法,考虑现代网格系统异构性和动态性的特点,提出一种有效的交叉概率和变异概率自适应更新方法,提高遗传算法的全局搜索能力和收敛速度.仿真实验表明,改进后的遗传算法在进化速度上有明显提升,可较好地处理网格任务调度问题,提高任务调度效率,降低资源负载的不平衡性.     

基于改进遗传算法的移动机器人路径规划研究

针对传统遗传算法在解决采样点模型下的路径规划问题中存在种群进化速度慢、最终得到的最优路径偏长的问题,提出一种改进遗传算法．为提高初始种群的质量,提出自适应调整步长来限制子节点的选择范围,在这个范围内随机选取两条父代路径,在对应两节点之间形成一个矩形的子代节点搜索范围,每个范围中选取一点并依次连接得到交叉后的子代个体,避免了采样点模型下交叉点不足导致交叉无效的问题;为解决变异效果不可控的问题,以变异父节点的前后两点连线为引导,越靠近该连线的节点被选为变异子节点的概率越大,使得在变异点的选择更具有方向性．对比实验结果表明：所提出的改进遗传算法当处理基于采样点路径规划问题时可以有效提高寻路效率,最优路径收敛速度比传统遗传算法提高约60%,最优路径长度最多减少了2.42 m,比其他文献算法的最优路径收敛速度最多提高56%.     

基于改进萤火虫算法与动态窗口法融合的移动机器人动态路径规划

针对传统萤火虫算法无法有效躲避未知障碍物、收敛速度慢、易陷入局部最优等问题,对其进行了改进,并将其与动态窗口法相结合,从而提出了一种移动机器人动态路径规划新算法。通过三种策略对萤火虫算法进行了改进：首先,采用Skew Tent混沌映射产生混沌序列对萤火虫种群进行初始化,提高萤火虫算法的全局收敛速度;其次,引入自适应步长平衡萤火虫算法全局和局部最优;最后采用差分进化算法通过变异、交叉和选择操作加强萤火虫算法的搜索能力。然后将改进萤火虫算法与动态窗口法相结合,使移动机器人在全局最优路径的基础上进行实时动态路径规划,在能保证全局最优路径的基础上有效躲避未知障碍物。本文基于MATLAB进行了仿真,仿真结果验证了所提算法的有效性。     

室内服务机器人路径导航系统设计及算法

随着各行业智能化的快速发展,室内服务机器人逐渐地走进了人们的日常生活中。针对日益复杂的室内环境以及对机器人路径规划技术要求的不断提高,本文采用激光雷达、底盘驱动、人机交互等功能模块相结合,设计了一种室内服务机器人路径导航系统。同时对传统蚁群算法进行改进,提出了自适应信息素浓度和动态信息素挥发因子,使改进后的蚁群算法具有较高的全局搜索能力,避免了传统蚁群算法前期易陷入局部最优的问题,最后将改进后的蚁群算法应用到移动机器人路径规划上。为了验证改进蚁群算法的有效性,用MATLAB软件进行仿真分析,仿真结果证明了改进蚁群算法在移动机器人路径规划时具有较强的全局寻优能力,同时提高了收敛速度。     

动态环境中基于遗传算法的移动机器人路径规划的仿真

动态环境中 ,移动机器人的动态路径规划是一个较难解决的课题 .提出了一种基于遗传算法的移动机器人的路径规划方法 .该方法采用实数编码和有明确物理意义的适应度函数 ,可以加快实时的运算速度和提高运算精度 .同时 ,该方法充分挖掘了可应用遗传算法解决移动机器人动态路径规划的潜力 .计算机仿真表明 ,仿真该控制方法具有良好的动态路径规划能力     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法应用于移动机器人路径规划时存在易于陷入局部最优解、收敛速度慢的问题,提出了一种适用于静态障碍环境下基于改进蚁群算法的移动机器人路径规划方法。该方法改进了节点间的状态转移规则,增加了得到最优路径的概率;自适应调整启发函数,提高了算法的搜索效率;基于狼群法则对信息素进行更新,有效避免了算法陷入局部最优解;动态调整了衰减系数,在后期增加了蚂蚁对最优路径的选择概率,加快了算法的收敛速度。仿真实验表明,与其他算法在相同环境下比较,该改进算法在路径规划结果相同的情况下具有较快的收敛速度;且改进算法在不同复杂程度环境中均得到了最优路径,也表明了该算法的有效性和可靠性。该算法具有良好的寻优能力,可以适用于不同复杂环境中的移动机器人路径规划。     

动态环境中基于遗传算法的机器人路径规划

为解决动态环境中足球机器人的路径规划问题,采用栅格法对机器人工作空间进行划分,用序号标识栅格,并以此序号作为机器人路径规划参数编码,建立了以路径最短、避障为优化目标的遗传算法个体评价函数.采用轮盘赌选择、重合点交叉、多种变异结合等方法完成了遗传操作.针对遗传算法易陷入局部最优的不足,在标准遗传算法基础上加入了复原操作和重构操作,使改进后的遗传算法收敛于全局最优.仿真结果表明:该算法能够成功地在动态环境里规划出一条近似最优的路径,算法是有效的     

PSO-QGA在移动机器人复杂路径规划中的应用

量子遗传算法具有适应性强、收敛速度快、适合于全局搜索的特点,粒子群优化算法的优点是具有记忆能力,在智能搜索的实现上可以结合个体和全局的最佳位置实现位置定位,但粒子群优化算法在搜索速度和择优能力方面还有待提升.因此提出了一种改进的路径规划算法,即利用量子遗传算法结合粒子群优化算法的记忆功能和最佳定位能力,实现对移动机器人路径规划算法的改进.通过仿真实验已经证明,改进后的移动机器人路径规划算法在稳定性和路径优化选择上都优于单纯的粒子群优化算法和量子遗传算法,并且改进后的算法更适合于复杂路径中实现优化.     

移动机器人路径规划安全A*算法

针对移动机器人路径规划时安全性不高的问题,提出一种路径规划安全A^*算法.首先,通过扩展搜索邻域,减小路径转角角度,避免不必要的折角;然后,在启发式函数中引入新的评价指标,增加移动机器人与障碍物的距离.最后,提出安全性指数S,对路径安全性进行量化.通过MATLAB软件进行仿真对比,仿真结果表明:文中算法的路径质量和安全性更佳.     

一类针对带约束优化问题的进化规划算法

提出了一种适用于求解带约束优化问题的进化规划方法,其中关键的变异算子采用基于行为的架构,事先设计一系列子变异算子,如使得个体适应度函数值趋向最小方向的变异算子、逃避约束方向的变异算子、种群总体平均适应度函数值趋向最小方向的变异算子等,通过加权平均的方法决定总变异方向．结合小生境技术及最优个体保存的选择策略,该算法能在同时保证种群的多样性和个体的全局最优性的情况下快速地求得带约束条件下的最优解．仿真结果表明,该进化规划算法是可行的．     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法中收敛速度和局部最优的矛盾,提出一种适用于静态环境的基于改进蚁群算法的移动机器人路径规划方法.在环境建模方面,利用机器人起点和终点的位置建立环境的可视图.改进的蚁群算法将环境中局部的路径信息加入到信息素的初始化和路径选择概率中,提高了算法收敛速度的同时尽可能地避免算法早熟.当算法陷入停滞时,引入交叉操作并调整α,β和ρ的值,增加了算法的逃逸能力.仿真结果证明了所提方法提高了最优路径的搜索效率,整体性能优于标准蚁群算法.