基于改进人工蜂群算法的移动机器人路径规划研究

为了进一步提升基于人工蜂群(artificial bee colony,ABC)算法机器人路径规划的科学性,文章在建立路径规划实验模型基础上在ABC算法中引入了混沌映射产生初始解和反轮盘赌机制进行并行选择,提出等距分布式并行搜索,同时在全局更新机制中引入势场作用,进而得到了一种改进人工蜂群的(improved artificial bee colony,IABC)算法。将IABC算法应用于路径规划,并利用Taguchi正交试验选取实验参数值与目标函数参数值进行基于ABC算法与IABC算法的路径规划对比实验,实验结果表明,IABC算法规划出的路径质量较佳,能够提升规划效率。     

基于改进人工鱼群算法的机器人路径规划

为改进人工鱼群算法在路径规划中的寻优作用,利用改进视觉范围和拥挤度因子函数,提高鱼群算法在机器人路径规划中的寻优工作。在传统鱼群算法中,视觉范围是恒定不变的。视觉范围决定寻优的全局和局部工作,拥挤度因子对算法收敛性具有影响。同时,在传统鱼群算法中,每次都选取最优解来执行,在栅格环境中往往会导致全局最优和局部最优互扰,导致路径规划不合理,为此,利用改进视觉范围拥挤度因子,同时记录可行解,当存在鱼群找到目标点时,就记录下找到目标点的鱼群轨迹,形成路径规划的可行解,在可行解中,选取路径最短为最优,保证路径的规划的合理性。与传统鱼群算法对比,证实研究算法在路径规划中具有更好的寻优工作,通过MATLAB仿真实验,验证了算法的有效性和稳定性。     

模拟退火算法在机器人路径规划中的应用研究

本文分析了模拟退火算法在路径规划中的应用。研究结果表明 :它能够有效地提高路径规划的计算速度和保证路径规划的质量     

人工免疫算法在足球机器人路径规划中的应用

提出了一种人工免疫算法———基于思维进化的人工免疫算法,此算法在人工免疫的基础上吸取了思维进化算法中的优点,提出了趋同半径和异化半径的概念,能够实现算法中抗体的局部和全局求解,使得人工免疫系统和思维进化算法有机地结合起来。同时将算法应用到足球机器人的路径规划中,构建了机器人的数学模型和亲和力函数,并且给出了具体的实现步骤,取得了合理的实验结果,对算法中的一些关键操作也进行了简要的说明。     

改进的DDPG算法在机器人路径规划中的应用

深度强化学习(DRL)在连续控制问题中具有优异的性能,被广泛用于路径规划等领域.为了实现移动机器人在未知环境中的智能路径规划,提出了一个路径规划的模型,基于深度确定性策略梯度算法(Deep Deterministic Policy Gradient,DDPG)的自主路径规划模型.针对DDPG算法前期对环境没有先验知识,收敛速度慢和移动时会出现局部最优情况,提出了一种改进的DDPG算法.通过在DDPG算法中添加人工势场的引力场和斥力场,以加快收敛速度和移动机器人到达目标点的时间.对奖赏函数进行改进,增加直走奖励,以提高规划路径的稳定性.     

基于模拟退火的机器人路径规划算法

本文利用模拟退火算法对该模型进行优化求解,为移动机器人寻找到一条最优路径。通过实验得到模拟退火算法有效提高了收敛速度,快速完成了移动机器人路径规划的任务。     

基于混合算法的机器人路径规划

针对IRRT^*(informed rapidly-exploring random trees star)算法在机器人路径规划中搜索效率低、收敛速度慢的问题,将APF(artificial potential field method)与IRRT^*算法相结合,提出APF-IRRT^*混合算法.仿真实验结果表明:相对于其他3种算法,APF-IRRT^*算法的搜索时间、节点数目、路径长度的数值均最小;APF-IRRT^*算法对地图的复杂性以及面积的变化均有较强的适应能力.     

改进人工蜂群算法及其在工程设计中的应用

针对求解多目标优化问题(MOP:Multi-Objective Problem)时,人工蜂群算法(ABC:Artificial Bee Colony)存在难以收敛和候选解多样性难以保持的问题,对其各部分求解策略进行了改进。基于ABC算法框架,设计了一种基于自适应求解策略的多目标ABC算法,并在机电执行器设计的实际应用工程设计问题中,将所提出的改进多目标ABC与其他典型的群智能算法进行优化性能比较。通过实验验证可知,所提出的MOABC/DD(Multi-Objective Artificial Bee Colony Based on Dominance and Decomposition)算法在求解机电执行器设计问题基准测试用例时,与典型算法相比,具有较好的问题求解精度。并且MOABC/DD的实验结果较为稳定,从而证明了MOABC/DD具有较高的求解稳定性和健壮性。     

人工蜂群算法在解决EMD问题中的应用

图像的相似性度量问题是人脸识别中的核心问题。EMD是一种良好的直方图相交映射距离表示方法,是度量图像相似性的经典模型。元启发式智能算法是解决复杂EMD问题的一种主要方法,提出了一种基于人工蜂群算法的求解EMD问题的新算法。该算法首先提出了一种表示食物源的编码方法,然后设计出初始化解决方案的生成策略和确定食物源邻居的方法。最后,在ORL人脸库上的实验结果表明了新算法在解决EMD问题时的有效性。     

复杂场景下面向群体路径规划的改进人工蜂群算法

处理复杂优化问题时,原始蜂群算法耗时长且精度低,对此,本文提出了一种改进的蜂群算法.该算法借鉴粒子群算法的全局寻优思想完善跟随蜂的局部搜索过程,同时融入分段搜索策略改进引领蜂的位置更新方式,最终提高算法的收敛速度和精度.通过算法性能对比表明,与原始算法相比该算法的精度和稳定性均优于原算法,证明了将该算法用于路径规划中的可行性和有效性.     

人工蜂群算法及其应用

为促进人工蜂群算法理论和应用的发展, 在分析人工蜂群算法的基本原理基础上, 针对算法的不足, 全面地归纳了国内外学者对算法的改进研究, 对算法的蜜源初始化、更新策略的改进、调整策略的改进、适应度函数的选择以及与其他算法的融合进行综述, 提出了更有效的改进策略。同时从多方面综述了人工蜂群算法的应用, 并对人工蜂群算法的发展方向进行了总结和展望。     

云模型在机器人路径规划算法中的研究

传统的遗传算法由于在进化过程中易出现早熟收敛、不能保证种群多样性的现象。本文提出了一种基于云模型的简单、有效的移动机器人避障路径规划算法,采用一维云算子进化变异,同时进化式变异和突变均利用了历史搜索结果,有效避免遗传算法的缺点。模拟数据也证明了该算法的可行性。     

改进的人工蜂群算法在图像水印中的应用

为了寻求水印图像视觉性和鲁棒性的优化,把数字图像水印处理转化为一个多目标求解问题。针对传统的人工蜂群算法收敛速度较慢、易陷入局部最优解的问题,提出了一种改进的人工蜂群算法并应用到图像的水印处理中。算法在雇佣蜂的搜索过程中加入了食物源强度因子和邻域因子,用来及时更新食物源和加快收敛速度;利用DCT对原始图像进行分解后,对数字图像水印进行了嵌入并实现了盲提取。实验结果表明,算法具有良好的视觉性和鲁棒性。     

基于优化蚁群算法的机器人路径规划

路径规划是移动机器人设计中的关键环节,蚁群算法能高效解决路径规划问题,但它也存在一些弊端,如收敛速度慢、容易陷入局部最优解等.针对这些问题,本研究提出一种改进蚁群算法,在传统蚁群算法的基础上,改进状态转移规则,增加周围障碍物数量影响因子,令蚂蚁尽量避开障碍物;增加角度影响因子,使得蚂蚁行走的路径更加平滑;同时运用精英蚁群策略,来改进蚁群算法易陷入局部最优解的问题.仿真实验结果表明,该算法在多种环境下,都能找到最优路径,且有较快的收敛速度,本研究提出的优化蚁群算法具有一定的可靠性和高效性.     

基于强化学习的机器人路径规划算法

提出了一种基于强化学习的机器人路径规划算法,该算法将激光雷达所获取的移动机器人周围障碍物信息与目标点所在方位信息离散成有限个状态,进而合理地设计环境模型与状态空间数目;设计了一种连续的报酬函数,使得机器人采取的每一个动作都能获得相应的报酬,提高了算法训练效率.最后在Gazebo中建立仿真环境,对该智能体进行学习训练,训练结果验证了算法的有效性;同时在实际机器人上进行导航实验,实验结果表明该算法在实际环境中也能够完成导航任务.     

基于平滑蚁群算法的机器人路径规划

在栅格环境下利用蚁群算法规划出来的移动机器人路径存在转弯次数多,累计转折角大等问题。针对这些问题,提出了平滑蚁群算法。平滑蚁群算法是在蚁群算法规划出来的最优路径的基础上,将当前节点与其它不在同一条直线上的节点依次连线,如果新的连接线不穿越障碍物,则将当前连接线作为新路径代替原来路径,并删除中间节点,否则对当前路径不作任何修改。仿真结果表明,平滑蚁群算法能够在不同栅格规模和障碍物覆盖率不同的情况下,有效降低路径长度,减少转折次数和累计转折角度,并且路经规划结果优于免疫遗传算法和势场蚁群算法的路径规划结果。     

基于蚁群算法的三维空间机器人路径规划

将蚁群算法应用于三维空间机器人路径规划问题.首先将机器人所在位置(原点)与目的点之间的空间划分成立体网格,同时定义原点与目的点之间的有效路径.蚁群从原点出发,独立地选择有效路径,最终到达目的点,从而求出从原点到目的点之间的最优路径.实验结果表明,该算法不仅有效,而且具有较快的速度.     

改进人工蜂群算法在饲料配比中的应用研究

人工蜂群算法是一种模拟蜜蜂采蜜的群智能优化算法。针对传统的人工蜂群算法收敛速度慢,容易陷于局部最优进行了改进,引入了扰动控制频率来指导引领峰搜寻蜜源,增强算法局部搜索能力。提出了自适应动态变异算子,提高了算法收敛速度。融合了Boltzmann策略选择机制,动态调整了算法的搜索范围,增强了种群的多样性。算法成功地应用到求解动物饲料配比问题。结果显示,在运行效率、最优解质量、稳定性均优于被比较的其它算法。     

基于改进DDPG算法的机器人路径规划算法研究

为解决深度强化学习训练时间长、收敛慢的问题,该文针对未知环境下的机器人路径规划,基于深度确定性策略梯度(DDPG)算法,结合人工势场法设计了回报函数.为了符合机器人运动学模型,设计连续的状态和动作空间.采用Python语言,在不同地图下分别使用人工势场法、原始DDP G和该文改进的DDP G算法进行仿真对比实验.改进的...