珊瑚礁算法的改进研究

珊瑚礁算法易于陷入局部最优且寻优精度低，因此提出一种改进的珊瑚礁算法.此算法借鉴粒子群算法、高斯变异和模拟退火算法的思想改进珊瑚礁算法的内部有性繁殖、无性繁殖和更替机制，提高了算法的寻优精度并可跳出局部最优.在仿真实验中，将改进珊瑚礁算法与基本珊瑚礁算法和粒子群算法等10种算法分别在高维和低维测试函数下进行比较.实验结果表明，改进的珊瑚礁算法不仅较其他算法具有更好的收敛速度和精度，而且在高维测试函数中，仍然可以保持良好的性能.     

挖掘大型数据库中的Apriori算法及其改进

指出了Apriori算法是一种有效的关联规则挖掘算法，分析和探讨了Apriori算法，并给出了该算法的实现思想，通过实例说明了算法的执行过程，提出了对Apriori算法进行改进的一些方法：散列、事务压缩、划分、选样及动态项集计数。使用这些技术提高了算法的效率。     

GA-PSO混合规划算法

目的 提出一个比GP算法更优的GA-PSO混合的规划算法。方法 通过将层次型问题的描述转换为固定长度线形结构的描述方式，使GP算法与GA规划算法达到统一；通过构造运算符，将PSO算法引入到GA规划算法框架之中，形成GA-PSO混合规划算法。结果 从解的描述、遗传算子、PSO运算符的构造再到GA-PSO算法框架，提出了完整的GA-PSO混合规划算法。结论 实证研究显示，GA-PSO混合规划算法优于GP算法以及GA算法。     

一种基于简单遗传算法的K-Means改进算法

针对k-means算法对初始值敏感、易陷入局部极小值等缺点，结合遗传算法的思想，提出了一种基于遗传算法和k-means算法的混合聚类方法，为了测试该聚类算法的性能，用k-means 算法和改进的算法进行了1组实验，并对2种算法的聚类结果进行比较，实验结果表明算法能够有效地解决聚类问题.     

BP网络计算机优化的实现

反向传播算法(B-P算法)，是数据挖掘算法中最基本的算法之一。面对大量的数据，怎样选择数据结构，怎样优化参数的设置，怎样优化处理过程，对于此算法的性能将会十分重要。本文主要提出了对该算法的若干改进和优化。实验显示，这些改进和优化都能够在整体上提高算法的效率，能够正确、有效、快速地实现B-P算法。     

基于可替换路径对的多用户均衡交通分配算法

针对多用户均衡交通分配问题，依据多用户均衡条件，给出了该问题的变分不等式模型和间隙函数。利用可替换路径对的概念，设计了基于可替换路径对的多用户均衡交通分配算法。在大规模交通网络上，对比分析了提出的交通分配算法、外梯度算法、基于用户的对角化算法和基于起点的对角化算法等的性能。数值结果表明，提出的基于可替换路径对的交通分配算法在求解精度、算法效率以及稳定性等方面都显著优于其他算法。     

BP 算法的可视化研究与 BP 智能算法

本文利用算法的可视化技术，从ＢＰ算法的基本原理出发，分析、研究了梯度、共轭自适应算法的长与短，提出了共轭梯度自适应算法的设想，并在此基础上，利用模拟退火算法思路，构制了ＢＰ智能算法。最后对实际资料进行了多种算法的对比试算，证实了共轭梯度法和ＢＰ智能算法与原算法相比，提高了速度，增强了算法对不同对象的自适应性和智能性。     

智能排课算法综述

介绍了排课问题，分析了基于遗传算法、蚁群算法、模拟退火算法和免疫算法等智能排课算法的基本原理及其算法特点，并对智能排课算法的未来发展做了展望。     

基于自适应Levy飞行改进的TDOA三维定位算法

针对已有的算法在基于到达时间差(time difference of arrival, TDOA)测量方案中存在的搜索能力不均衡，导致三维定位区域局部存在定位精度低甚至求解失败的问题，提出了一种基于改进探路者优化算法(pathfinder algorithm, PFA)的TDOA定位算法，通过将自适应Levy飞行和改进后的PFA算法进行融合，增强了个体对定位区域复杂环境的适应性，解决算法早熟、易陷入局部最优等问题，提升了算法综合性能.通过仿真和实验，结果表明：与Taylor算法、LM算法相比，本文提出的算法(Levy-pathfinder algorithm, LPFA)可以提高定位精度；与PSO算法、PFA算法相比，LPFA算法可以在提高运算速度的同时得到更准确的定位结果.     

基于Bresenham算法的四步画直线算法

通过分析计算机图形学中的画直线的Bresenham算法，以及由此改进的“对称算法”、“二步法”，提出将“对称算法”和“二步法”结合形成“4—点画线算法”，与Bresenham算法相比，该算法可以将画线效率提高近2倍。     

基于GIS地图的移动机器人路径规划

针对移动机器人路径规划实现条件的限制,提出基于GIS (geographic information system)地图的移动机器人路径规划.该方法应用改进A*算法,较好地实现了移动机器人的最优路径规划.在任意给定的地图中,只要确定了机器人的起点和终点,就可以找到该机器人在实际工作环境中符合需求的路径规划轨迹.应用VC++编程进行实验,证明了该方法的有效性.     

非结构环境下移动机器人路径规划

非结构环境中的路径规划是自主移动机器人研究领域最活跃的领域之一,其最有效的方法是人工势场法,但传统的人工势场法存在振荡和接近目标时跟踪速度下降等问题。针对这些问题,改进了传统的势场函数,引入速度势场函数,设计新的人工势场函数,规划了移动机器人移动策略。根据新的势场函数和移动策略,在Matlab环境下对机器人的路径规划进行仿真。结果表明,在新的势场函数作用下,机器人能够快速调整自身速度的大小和方向,避开障碍并迅速到达目的地或跟踪动态目标。     

基于改进人工势场法的移动机器入路径规划

在移动机器人路径规划任务中,针对传统人工势场法中存在的目标不可达问题,提出了一种新的斥力改进函数的设计方法。在原来的斥力函数中加入一个调节因子,并对障碍物的作用范围采用人为分段的方式,有效解决了目标不可达问题,使机器人能够顺利到达目标点。将改进后的人工势场法应用于移动机器人路径规划,并利用M atlab软件进行了仿真实验。实验结果表明,基于改进人工势场法的移动机器人路径规划算法简单、有效。     

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。     

基于多优化快速扩展随机树算法的足球机器人路径规划

研究RoboCup比赛未知环境中足球机器人的路径规划问题。提出一种多优化设计快速扩展随机树(rapidly exploring random tree,RRT)的足球机器人路径规划算法,解决了足球机器人在路径规划中存在的速度慢、效果差的问题。依据基本RRT算法原理,针对其随机性强、收敛速度慢以及路径平滑效果差的缺点,提出了随机采样点处增加引力分量、多步扩展逼近目标点以及冗余节点的剪裁与路径平滑等优化方式。在不同障碍物地图中的仿真实验表明,优化的规划路径长度比基本快速扩展随机树算法所得路径缩短约20%～30%,采样点数量减少45%～65%。最终将优化算法移植到SimRobot仿真平台,结果表明多优化设计RRT算法在未知环境中具备良好的实时性和鲁棒性,能够满足机器人在赛场上的路径规划要求。     

移动机器人混合式全遍历覆盖路径规划算法

针对移动机器人在未知环境下的全遍历覆盖任务,将滚动规划与已知环境下的搜索策略相结合,设计了一种混合式的全遍历覆盖路径规划算法.对声纳传感器探测到的环境信息进行滚动规划,把未知区域转化为已知区域.在已知区域,采用有限状态机方式来组织全遍历覆盖路径规划算法,状态之间的转换通过二叉树搜索策略、目标栅格选取策略和两点法搜索策略来实现,并对算法进行仿真.结果表明,移动机器人能全遍历覆盖整个工作区域,重复率低,能有效提高工作效率.     

基于A*与B样条算法的农用机器人路径规划系统

为高效智能地规划农用机器人在农田中的运行路径,保证精确的作业行距及作业方向,实现机器人按照指定路径自动行驶,设计了基于A*与B样条算法的农用机器人路径规划系统.使用A*算法对农用机器人运行过程进行路径规划,并利用B样条算法平滑该路径,进而得到最优作业路径.Matlab仿真实验结果表明:A*算法和B样条算法结合起来应用于农用机器人的路径规划是可行的.     

基于VR的冗余度机器人轨迹规划及仿真系统

研究了茯于VR的冗余度机器人轨迹规划仿真系统技术,首先讨论了面向机器人的VR系统的基本构成,其次研究了冗余度机器人机械手的VR建模技术,分析了虚拟模型的轨迹规划算法,最后进行了基于VR的冗余度机器人操作机轨迹规划的仿真研究。     

基于A~*算法的机器人二维与三维路径规划实现

主要对移动机器人轨迹进行规划设计,将移动机器人的轨迹环境采用栅格化处理,提出了一种能结合全局和局部规划的改进的A*算法。使移动机器人在环境未知的情况下进行自主规划路径,通过MATLAB软件验证了算法的可实现性与稳定性,并将其与经典A*算法作对比,以证明改进算法的在运算能力,可实现性和稳定性上的优势。     

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.