多约束条件下基于改进遗传算法的移动机器人路径规划

针对在多约束条件下移动机器人在路径规划中搜索效率低、收敛速度慢的缺点,提出多约束条件下基于改进遗传算法的移动机器人路径规划,充分考虑路径长度、平滑度以及困难度这3种因素的影响,通过分析多约束条件下遗传算法在初始化种群时计算方法的不足,提出利用SPS(surrounding point set)算法,通过在障碍物周围生成点来产生初始路径,以提高算法快速生成初始种群的能力;增加平滑算子和删除算子,删除相对最终路径而言不必要的点,同时使路径更加平滑;结合小生境法以保持种群多样性,避免出现算法早熟现象.仿真结果表明,改进后的算法在路径长度,路径平滑度以及路径困难度方面均有一定的优势,同时算法的收敛速度也略有提高.     

基于改进狼群算法的移动机器人路径规划

为了获取机器人全局最优路径,文章提出一种基于改进的狼群算法移动机器人路径规划。首先运用栅格法对机器人环境进行建模;然后提出一种改进的狼群算法,该算法提出并行游走机制,进一步提高探狼的局部搜索能力;构建智能奔袭行为,提高猛狼自适应调节能力;提出向心围攻策略,使得算法收敛到全局最优。6类测试函数的仿真结果表明,改进的算法在局部搜索能力和自适应调节能力更强、收敛精度更高、收敛速度更快。移动机器人路径规划的仿真实验所涉及到的参数较多,文章利用Taguchi方法的三因素三水平正交试验法选取了最佳的参数组合。最后将改进的狼群算法和狼群算法都进行路径规划的仿真实验,结果表明,改进的算法在解决机器人路径规划问题上更有效。     

多目标遗传算法在机器人路径规划中的应用

针对具有多个优化目标的机器人全局路径规划问题，提出一种改进的多目标优化遗传算法。在初始群体的生成中，采用把随机法和基于问题先验知识的启发式方法相结合的策略，以加快收敛速度；在遗传算子的设计中，引入删除、修复和平滑算子，以提高算法的搜索效率；在选择算子中。加入避免外部存储器中出现相同个体的机制，以防止早熟收敛。仿真结果表明：该文算法运行一次能够有效地产生一组近似Pareto最优路径解。     

多目标优化-改进遗传算法路径规划模型

优化智能算法进行路径规划可以有效缓解用户出行拥堵问题，为此，设计了多目标优化-改进遗传算法(multi-objective-improved genetic algorithm, M-IGA)组合模型。采用Dijkstra算法改进种群初始化策略，完全规避了断路和环路，提高了初始种群质量；设计基于邻接矩阵的深度优先遍历交叉策略、邻接限制半随机变异策略，兼顾算法全局搜索和局部寻优能力，解决了种群多样性降低、过早收敛的问题。同时，在设计适应度函数时，引入个体用户偏好权重系数，综合考虑了平均行驶时间、交叉口延误、道路拥挤状况、道路等级4种因素来进行多目标优化，为用户寻找符合个体期望的最优路径。研究结果表明，所提出模型相比于蚁群算法路径寻优效率提高了54.322 0%;相比于单目标路径寻优，最优路径综合代价降低了23.609 1%,有效避开了拥堵及交叉口多的路段。     

基于改进灰狼优化算法的区域监测机器人路径规划

为了解决大任务量作业监测中机器人路径规划问题,提出了一种区域监测的机器人路径规划算法。模拟大任务量监测真实环境进行问题建模。针对传统灰狼优化算法求解模型时全局搜索能力差且易陷入局部最优解的问题,提出了一种改进的灰狼优化算法。引入Logistic混沌映射,以加强初始化种群的多样性;引入一种控制参数的自适应调整策略,以平衡灰狼优化算法的搜索能力和开发能力;引入静态加权平均权重策略,更新种群位置,加快收敛速度。将机器人载电量与路径长度短作为约束,引入K-means算法进行任务聚类,通过改进灰狼优化算法对模型进行离线求解以规划出路径,将大任务量监测作业自动转换成分时分步作业。实验结果表明:通过国际通用6个基准函数进行测试,改进的灰狼优化算法在收敛速度、搜索精度及稳定性上均有明显提高。通过50任务点与100任务点作业场景对机器人路径规划模型进行算法仿真,验证了算法的真实有效性,且任务量越大模型优越性越好,路径缩短比例越高。     

激励机制改进蚁群优化算法用于全局路径规划

为提高优化算法搜索能力,分析了基本蚁群优化算法和心理学家斯金纳的强化激励方法的基本原理,将正、负激励原理应用于改进基本蚁群优化算法,提出了基于激励机制的改进蚁群算法,并给出了其数学描述。将改进的算法应用于求解旅行商问题和避碰约束下的最短路径规划问题,并与基本算法进行比较。仿真试验显示,改进的蚁群算法有效搜索到最短路径,实现全局路径优化。由于采用了激励机制,使得种群中所有个体都能够积极向最优解移动,从而更快地找到最优解,其较之基本蚁群算法具有较快的收敛速度,整体性能优越,能够应用于求解路径规划等问题。     

基于改进蜘蛛群居算法的移动机器人路径规划方法研究

路径规划是移动机器人研究的重要领域之一,其优劣直接影响行径过程中机器人与周围环境的交互能力。常用的全局路径规划方法容易产生扩大空间时决策速度下降、死锁等问题,蜘蛛群居算法其收敛速度和搜索能力不佳,通过改进邻域搜索,改进全局搜索和婚配半径,来获得更优的收敛速度和搜索能力,迭代寻优时,通过模拟蜘蛛群体运动规律,即依据雌、雄蜘蛛的协作,相互吸引以及婚配过程进行信息交互,最终得到最优解。实验证明:改进蜘蛛群居算法,可以实现对移动机器人的路径规划,提高其搜索能力,避免在路径规划过程中陷入局部最优,相比于蜘蛛群居算法和粒子群算法,该算法优化后的最短路径和实际路径更优。     

基于独狼蚁群混合算法的移动机器人路径规划

针对移动机器人路径规划问题,提出了一种基于独狼搜索机制的自适应精英蚁群混合算法.首先,在精英蚁群算法中引入了独狼视场机制并设计了自适应增强函数,用以改进精英蚁群算法搜索机制中蚁群的寻径能力.然后,为了消除混合算法中的停滞现象,引入了独狼逃跑策略并构造了一种信息素优化机制,用来提高混合算法的全局搜索能力,帮助寻径个体突破当前的路径停滞问题,避免算法陷入局部最优.最后通过仿真分析和测试,进行了针对性的对比试验,结果表明:混合算法在多种环境下的路径规划均拥有较好的收敛速度和高效的寻径能力.     

面向车辆路径问题的改进蚁群算法研究

为解决基础蚁群算法在求解车辆路径问题时出现收敛速度慢、易陷入局部最优解等问题,提出了一种改进蚁群算法.首先,引入节约矩阵更新选择概率公式引导蚂蚁搜索;其次,运用分段函数改进挥发因子,调整算法的收敛速度;再次,使用2-opt法,提高算法的局部搜索能力;最后,选取车辆路径问题国际通用数据集进行仿真,运用控制变量法找到信息素...     

基于蚁群算法的物流配送路径优化研究

在实际生活中,如何选择最优的物流配送路线是物流车辆调度系统中最重要的问题之一。首先,针对物流配送路径优化问题,充分考虑了车辆路径的约束条件,以成本最小化和最大限度减少碳排放量构建了一种路径规划多目标优化模型;然后利用蚁群算法对其进行了求解,该算法在问题空间的多点同时开始独立的解搜索,保证了算法具有较强的全局搜索能力,并且具有较强的鲁棒性;将该算法应用到实际问题上运用MATLAB软件进行实验仿真,计算出最优的车辆配送路径方案;仿真结果表明:该模型和算法能较好地解决相关物流配送路径问题,从而提高物流服务的质量。     

基于改进粒子群优化的多无人机协同航迹规划

由于航迹规划可以为多无人机飞行控制提供参考指令,且当前粒子群航迹规划算法存在收敛速度慢,成功率不高的缺点,故提出了一种综合改进粒子群的多无人机协同航迹规划算法,考虑了无人机性能约束、障碍与威胁约束、空间协同与时间协同约束。首先,通过对学习因子线性化调整,实现了粒子惯性和最优行为的平衡;其次,引入混沌初始化,改善了粒子分布质量;然后,基于遗传变异思想设计了取代策略,同时提出了调速机制,提升了算法收敛速度。最后,将综合改进粒子群算法进行仿真验证,规划结果成功率高、收敛速度快且航迹代价小,可见改进算法的有效性。     

一种基于RRT-ConCon改进的路径规划算法

针对RRT算法缺乏稳定性和收敛速度慢的问题,基于RRT-ConCon算法和朝向目标搜索的策略,提出了一种改进的双向搜索路径规划算法.该算法通过改变两条搜索路径的临时扩展目标点,使搜索路径不仅易于朝着目标点方向生长,而且提高了算法的稳定性,同时可以保证规划的路径接近最优解.改进的RRT-ConCon算法利用随机节点生成函数,使朝着目标点生长的搜索路径避免陷入局部极小值.同时,为了测试各种仿真实验环境,还设计了一种仿真实验环境平台,实验结果验证了本算法的有效性和稳定性.     

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.     

基于改进差分进化算法的无人机在线低空突防航迹规划

为了解决无人机在部分未知敌对环境中的低空突防航迹规划问题,提出了一种改进的差分进化算法.该算法的进化模型采用冯.诺伊曼拓扑结构,并对其进行拓展,使种群在进化初期保持多样性,避免进化早期陷入局部最优,而进化后期加快收敛速度.该算法改进了差分进化算子中的变异操作,从而加快算法的收敛速度,快速找到多目标优化问题的最优解;同时,采用将绝对笛卡儿坐标和相对极坐标相结合的编码方式以提高搜索效率.将该算法用于无人机在线航迹规划仿真实验,并和未改进的算法结果作比较,验证了该算法的有效性.     

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。     

面向绿色再制造系统的AGV路径规划研究

为了解决绿色再制造系统中的自动导引运输车(AGV)路径规划问题的问题,提出一种粒子群遗传融合的AGV全局路径优化的自适应算法.该方法集成了遗传算法(GA)和粒子群算法(PSO)二者的优点,为了改善传统PSO-GA融合算法迭代前期寻优速度慢的问题,引入了自适应惯性权重;为了提高算法进入迭代后期的收敛精度,提出了一种双重交叉变异策略,使得改进的PSO-GA融合算法比传统的PSO-GA融合算法搜索能力更强,进化速度更快,收敛精度更高.为了验证改进后算法的优越性,采用栅格法模拟自动导引运输车运行环境并通过MATLAB对标准粒子群、遗传、传统的PSO-GA融合、改进PSO-GA融合四种算法解决路径优化问题进行试验对比,结果证明了改进后的PSO-GA算法的可行性和有效性.     

室内移动机器人路径规划研究

路径规划是自主移动机器人的研究重点。针对传统的A*算法搜索出的路径存在途径危险区域,未考虑机器人外形尺寸、路径不平滑等问题,提出了一种改进A*算法的路径规划方法。在新的栅格化环境地图中,通过改进的搜索策略进行路径搜索;并对路径点删减和优化,通过分段多项式曲线平滑路径。实验仿真结果表明,新方法生成的路径满足移动机器人的动力学和运动学特性,且更符合室内移动机器人的轨迹跟踪和运动控制,该方法简单有效。     

一种求解交通网络中最短路径问题的人工蜂群算法

用人工蜂群算法解决寻找时间依赖网络中两点之间的最短路径问题, 针对时间依赖网络中先入先出网络的特性, 改进原算法中的路径选择策略, 以优化生成的个体质量. 该算法使用的策略为每个个体（即每条路径）添加一张散列表, 用于记录搜索路径时遇到的路段, 通过查找该表可发现当前个体的更优解. 实验结果表明, 该改进方法能有效提升算法最终解的质量, 并极大缩短运行时间.     

基于蚁群几何优化算法的全局路径规划

将改进的蚁群算法与路径几何优化相结合,用于解决移动机器人的全局路径规划问题.算法结合机器人的越障性能对移动机器人的环境空间进行建模.通过设置初始信息素加快蚂蚁的搜索速度,同时设置自适应信息素挥发机制,解决特定地图中初始信息素的干扰问题;设置自适应路径长度,筛选规划路径的优劣;提出由路径优劣程度决定的信息素散播策略,并从几何原理出发,对规划路径进行优化处理,加快最优解的收敛速度.仿真结果验证了该算法的有效性和普遍应用性,在随机给定的环境地图中,该算法能够迅速规划出最优路径.