利用改进的粒子群算法的机器人全局路径规划

针对常规路径规划单纯追求路径最短、路径规划不灵活和实现复杂的缺点,提出了一种改进的移动机器人全局路径规划方法.该方法综合人工势场(APF)与粒子群优化算法(PSO)的优点,利用障碍物的排斥力生成路径的危险度地图(DDM),将路径长度与危险度的加权和作为PSO的适应度函数,获得了一条全局最优路径.该方法具有3个优点:粒子初始化及更新过程中会自动避开有障碍物的危险区域,规划出一条既安全相对长度又较短的路径;通过调整加权因子平衡长度与危险度在适应度函数中的比重,路径规划灵活;算法实现简单,收敛速度快,能满足移动机器人实时路径规划的要求.仿真结果证明了该算法的可行性和有效性.     

基于改进遗传算法的机器人路径规划

路径规划是移动机器人领域中的重要问题之一。传统遗传算法在寻找最短路径时容易陷入局部最优,为了缩短机器人运动路径长度和提高避障性能,本文提出一种免疫克隆自适应遗传算法,该算法结合了免疫克隆算子、自适应算子从而提高解的质量,设计栅格模型,给出适应度函数用于计算机器人路径长度,并针对复杂的二维路径编码问题,设计一维路径编码方式。在仿真实验中针对不同障碍物数量对免疫克隆自适应遗传算法和粒子群算法、模拟退火算法进行对比,结果显示:当障碍物数量提高至20时,免疫克隆自适应遗传算法优化过的路径长度与粒子群算法与模拟退火算法相比分别降低了5.99%和11.04%。因此,本文提出的免疫克隆自适应遗传算法可减少路径寻优时间,有效提升机器人路径规划的效率。     

基于遗传算法的机器人综合路径规划

为解决机器人路径规划问题,在极坐标系下利用遗传算法,依据多属性决策理论提出了新的综合适应度函数。采用基于该适应度函数的遗传算法可首次规划出满足路径、时间和耗能3个约束属性的最优路径。同时引入理想适应度函数,并基于引入的理想适应度函数,提出一种新的变异算子,该变异算子可保证个体变异的方向性,对优异的父代个体有较小变异、劣质个体有较大变异。仿真结果验证了算法的可行性和有效性。     

基于改进算法的移动机器人路径规划

机器人路径规划问题通常采用不同算法来对其进行规划，为发挥算法中改进遗传算法和鲸鱼优化法的优势，弥补遗传算法出现优化准确率和收敛度不高等问题，将改进遗传算法和鲸鱼优化法融合，增强移动机器人路径规划对动态环境的适应性能。对算法适应度函数进行优化，改善了基本遗传算法、提升了原算法对函数的求解效率。通过遗传算法、对遗传算法进行改进的算法、改进遗传算法与鲸鱼算法相融合的算法所运行的路径长度与运行时间进行比较，结果表明融合改进优化算法可以有效获取最优算子，减少运算时的迭代次数，同时提升算法的规划准确率。     

基于改进遗传算法的煤矿探测机器人路径规划

针对煤矿井下环境的复杂性和不确定性,提出了一种改进遗传算法用于煤矿探测机器人的路径规划。采用栅格法在三维空间中对机器人工作环境进行建模,对染色体编码,初始种群生成、适应度函数的设计等操作进行了改进;算法采用了可变长度的染色体编码方式,使用随机指导式搜索策略来生成初始种群;根据路径长度最短且能耗最少的评价指标设计了适应度函数,并优化设计了遗传算法中的交叉和变异算子,解决了传统遗传算法"早熟现象"和"收敛速度慢"的问题,仿真实验证明了该方法的有效性和可行性。     

基于改进粒子群算法的移动机器人全局路径规划

提出了一种新的移动机器人全局路径规划算法．该算法首先建立机器人工作空间障碍物顶点模型,根据障碍物顶点信息构造一个移动机器人从始点到终点的无碰距离函数,然后用改进的粒子群算法对此路径进行优化, 得到全局最优路径．     

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     

基于改进粒子群算法的移动机器人路径规划

针对基本粒子群算法在路径规划时易陷入局部最优、规划路径较长等问题,提出了改进粒子群算法对移动机器人进行路径规划。首先使用MAKLINK图建立移动机器人的工作空间模型,然后采用Dijkstra算法搜索从起始位置到目标位置的全局次优无碰撞路径,最后将指数变量权重加入改进的粒子群算法中对次优路径进行优化,找到最短路径。与基本粒子群算法不同,改进粒子群算法中粒子不是向最优的粒子学习,而是向适应度值优于平均适应度值的粒子学习,并对低于平均适应度值的粒子进行变异处理。该方法能够提高粒子的多样性,避免粒子陷入局部最优。仿真结果验证了所提出的改进粒子群算法的有效性。     

基于改进遗传算法的AGV路径规划

针对AGV在自动化生产线中原有路径规划算法存在路径拐弯次数多,不利于AGV自动控制的问题,提出了一种改进遗传算法。为提高AGV运行的效率,该算法引入了拐弯因素。针对在路径规划中传统遗传算法收敛速度慢的问题,结合分层方法,改进传统的精英保留策略。在算法进化过程中,根据个体适应度的变化动态调整交叉概率和变异概率,加快算法的收敛速度。Matlab仿真实验结果显示:改进遗传算法能够规划出一条更合理的路径,相比较传统方法减少了转弯次数,改善了搜索路径质量,表明该算法可以满足自动化生产线AGV路径规划的要求。     

一种移动机器人三维路径规划优化算法

对移动机器人在三维工作环境中障碍物位置和形状已知条件下的全局路径规划问题进行研究.机器人的初始路径取为出发点到目标点的直线路径,引入人工神经网络结构和模拟退火温度定义路径能量函数;根据多面体形障碍物的形状特征设定各边界面不等的模拟退火初始温度,并且对路径点位于障碍物内、外的不同情况建立不同的运动方程;提出一种基于神经网络结构能量函数的路径规划算法及其优化算法,对所提路径规划算法进行仿真研究.研究结果表明,该算法是一种有效的移动机器人三维路径规划算法;算法计算简单,不存在组合爆炸问题;可避免路径规划的某些局部极小值问题;优化算法能够规划出移动机器人最短避障路径,并且可加快路径规划收敛速度.