采用改进灰狼算法的移动机器人路径规划

针对传统灰狼算法求解移动机器人路径规划问题收敛效率低且易陷入局部极值的缺陷,提出一种基于Tent混沌映射初始化种群的改进灰狼(TGWO)算法,并将其运用于解决移动机器人全局路径规划问题。基于Tent混沌映射初始化灰狼种群,以丰富种群多样性,提高收敛速度;提出指数型收敛因子改进策略,以更好地拟合灰狼实际搜索过程,并通过改进控制参数H以平衡算法的全局勘探与局部开发能力;融合动态权重因子和适应度比例系数,更新灰狼个体的位置信息,以提高灰狼个体自主搜索能力,避免算法陷入局部最优。为验证算法有效性,选用8个标准测试函数以及3组复杂度不同的栅格环境,先后开展了TGWO算法与传统GWO算法、3种典型改进灰狼算法的测试对比实验以及全局路径规划仿真对比实验。结果表明：TGWO算法在单峰、多峰函数上均有较好的收敛性、较高的寻优精度;仿真场景下,相较于传统GWO算法,TGWO算法所提的各个改进策略均能有效提升路径寻优性能;TGWO算法的平均路径长度、路径长度标准差、平均迭代次数、平均寻优耗时这4项指标均优于对比算法;TGWO算法路径寻优的优越性和鲁棒性得到了验证。     

移动机器人复杂环境路径规划

针对移动机器人在复杂环境下路径规划问题,提出一种改进蚁群算法。该算法设计启发式状态转移函数,引入起点和终点对状态转移的引导作用;设计路径优化方法,从八个方向优化每次迭代生成的最优路径,避免规划路径陷入凹形区域,减小其长度;建立路径评估模型,考虑到环境的复杂性,通过加入惩罚因子,使路径评价标准从路径长度转为路径代价,将影响移动机器人通行的环境因素加入到路径规划过程,从而使生成路径得到更好的优化。最后,将改进蚁群算法与多种算法进行对比实验,结果表明,改进蚁群算法能有效避开危险区域,大幅度降低规划路径的代价,有效提高移动机器人通过规划路径的效率和安全性。     

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.     

引入改进蝠鲼觅食优化算法的水下无人航行器三维路径规划

针对复杂环境下传统群体智能优化算法在求解水下无人航行器(UUV)路径规划的过程中存在路径搜索能力不足、易陷入局部最优等问题,提出了一种引入改进蝠鲼觅食优化算法的UUV三维路径规划方法。首先,根据UUV在水下航行时的实际环境,建立相关地形模型和威胁源模型;其次,对传统的蝠鲼觅食优化算法进行改进,相关改进包括在初始化过程中加入局部反向学习机制优化种群的位置,提高了种群的多样性;根据每次迭代后种群个体适应度的不同,改进蝠鲼翻滚觅食的翻滚因子S,由此实现一种自适应翻滚,有利于跳出局部最优;同时,在蝠鲼螺旋觅食过程中融合莱维飞行-柯西变异策略,扩大了搜索路径和种群搜索范围,提升了算法寻找全局最优的能力;最后,将改进的蝠鲼觅食优化算法引入到UUV的路径规划中,进行相应的实验模拟。实验结果表明：在地形1中采用改进的蝠鲼觅食优化算法所规划的路径相比于灰狼算法和蝠鲼觅食优化算法分别降低了32.49 km和23.88 km,航迹代价分别降低了9.68和4.04;在地形2中采用改进的蝠鲼觅食优化算法所规划的路径相较于灰狼算法和蝠鲼觅食优化算法分别降低了20.83 km和29.95 km,航迹代价分别降低了1...     

基于免疫遗传算法的移动机器人实时最优路径规划

以具有精英保留的免疫遗传算法（Immune genetic algorithm with elitism,IGAE）和栅格法为基础,提出一种新的移动机器人最优路径规划方法。其步骤为：首先采用栅格法对机器人工作空间进行划分,建立给定环境中移动机器人的自由空间模型;每个栅格用1个序号标识,并以路径上各栅格序号作为机器人路径的编码参数。然后,采用直角坐标和序号混合应用的方法产生初始种群,群体中每1个个体表示1条机器人路径,采用IGAE算法对种群进行优化,最终找出最优路径。为了保持种群初始化和遗传操作过程中个体所对应的路径的连续性和避障要求,在IGAE算法中引入删除、插入算子。计算机仿真实验结果表明,所提出的方法比基于全局收敛型遗传算法的路径规划方法更加快速和有效。     

改进蚁群与遗传融合算法的路径规划

针对传统遗传与蚁群融合算法在路径规划中出现的收敛慢、能耗高的问题，提出一种改进融合算法。改进基于启发函数和自适应挥发因子的蚁群优化算法，结合A^*算法提出回溯策略优化死锁问题；优化遗传算法种群初始化模式，提出通信机制交叉，调整适应度函数及交叉变异因子；将蚁群算法得到的次优解放入遗传算法优化后的种群中，形成新种群进行路径规划，采用删除算子对输出路径进行优化。仿真结果表明，改进融合算法对比传统融合算法在简单地图中迭代与转弯次数上优化57%和75%;在复杂地图中迭代与转弯次数优化70%和18%,搜索效率有所提高，改进的融合算法有效。     

基于混合自适应遗传算法的路径规划研究

为解决供应商管理库存（VMI）模式下带时间窗的车辆路径规划（VRPTW）问题，综合考虑多种条件建立了具有多目标约束的数学模型，并创新性提出混合式自适应遗传算法，该算法在自适应遗传算法（AGA）的基础上加入了节约算法构造种群的初始解，引入了随机遍历抽样法进行选择操作，改进了算法的交叉方式，最后运用大规模邻域搜索法（LNS）对变异后的种群进行破坏和修复操作。通过MATLAB软件进行仿真实验，与传统自适应遗传算法进行对比，运输成本显著性降低了50%，据此得出该混合式自适应遗传算法在解决VRPTW问题时具有更强更科学的全局搜索和快速收敛的能力，以期更高效合理地优化供应商车辆配送路径规划。     

基于粒子群算法的移动机器人全局路径规划策略

提出了一种基于保收敛粒子群优化算法的移动机器人全局路径规划策略,为移动机器人在有限时间内找到一条避开障碍物的最短路径提供了一种解决方案.首先建立环境地图模型,将连接地图中起点和终点的路径编码成粒子,然后根据障碍物位置规划出粒子的可活动区域,在此区域内产生初始种群,使粒子在受限的区域内寻找最优路径.在搜索过程中,粒子群优化算法的加速系数和惯性权重均随迭代次数自适应调节.仿真实验表明算法可在起点与终点之间找到一条简单安全的最优路径.与其他文献所提的方法进行了对比研究,结果表明本文所提算法具有更快的搜索速度和更高的搜索质量.     

改进的优化算法用于移动机器人路径规划

针对当前机器人路径规划算法存在局部最优问题,提出了一种改进的移动机器人路径规划算法。该算法采用改进的人工势场算法产生初始化种群,改进的遗传算法引入了新的适应性函数和"翻转变异"算子、进行全局路径优化。适应性函数包括路径点的适应度和路径的适应度,提高了适应性函数的评价性能。"翻转变异"使障碍物路径变为自由路径,使移动机器人顺利绕过障碍物。克服了传统遗传算法的早熟收敛问题,提高了遗传算法的效率。实验结果表明该算法在移动机器人路径规划中的可行性和有效性。     

基于多策略融合灰狼算法的移动机器人路径规划

针对标准灰狼算法(GWO)在解决移动机器人路径规划问题时存在初始参数依赖性强、缺乏多样性及易陷入局部极值的缺陷,提出一种基于多策略融合灰狼算法(LTGWO)。首先运用精英化思想将Logistic-Tent复合混沌映射与反向学习结合,优化灰狼种群分布序列;然后引入sigmoid函数修改收敛因子a,平衡算法全局探索与局部开发能力,并改进控制参数C 以更好地拟合灰狼实际捕猎过程;最后加入随适应度值变化的比例权重,提高灰狼个体搜索能力,同时采用种群淘汰策略,淘汰适应度值差的个体,促进种群进化。选用3组不同的栅格地图进行实验,实验结果表明:由LTGWO 算法生成的平均路径长度、路径长度标准差都优于对比算法。     

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。     

基于改进萤火虫算法的移动机器人多目标路径规划

针对复杂室内环境下移动机器人的路径规划问题,提出一种面向多目标同时优化的改进萤火虫算法;该算法利用栅格地图对机器人作业环境进行建模,将Pareto支配关系引入到萤火虫个体的亮度评价过程,构建精英库保留算法迭代过程中的Pareto非支配解,采用自适应网格划分策略维护种群的多样性;以路径长度、路径安全性和路径平滑度为目标进行运动路径的搜索与优化。仿真结果表明,与经典的带精英策略的非支配排序遗传算法相比,面向多目标同时优化的改进萤火虫算法求得Pareto非支配解集更优越。     

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。     

基于改进哈里斯鹰算法的无人飞行器路径规划

针对无人飞行器三维路径规划问题,提出一种基于哈里斯鹰优化（Harris hawks optimization,HHO）算法的无人飞行器三维路径规划算法。首先根据路径规划代价指标和无人飞行器自身性能,建立路径规划模型确立代价函数和约束条件。接着针对传统HHO算法的不足,引入非线性能量因子来平衡全局搜索和局部搜索的关系,使算法避免陷入局部最小值;引入混沌映射对HHO算法进行初始化种群并对其进行局部混沌搜索,增强算法种群多样性和搜索能力。最后通过仿真实验证明,改进的哈里斯鹰优化（improvement Harris hawks optimization,IHHO）算法可以有效规划出安全的无人飞行器航线,并且能够跳出局部最小值和具备较优的收敛速度。     

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。     

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.     

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.