改进Q-Learning 算法在路径规划中的应用

针对Q-Learning 算法在离散状态下存在运行效率低、学习速度慢等问题,提出一种改进的Q-Learning 算法。改进后的算法在原有算法基础上增加了一层学习过程,对环境进行了深度学习。在栅格环境下进行仿真实验,并成功地应用在多障碍物环境下移动机器人路径规划,结果证明了算法的可行性。改进Q-Learning 算法以更快的速度收敛,学习次数明显减少,效率最大可提高20%。同时,该算法框架对解决同类问题具有较强的通用性。     

改进蚁群算法在全局路径规划中的应用

本文利用一种改进的蚁群算法来解决全局路径规划问题。采用栅格法对移动机器人的工作环境进行建模,通过改进蚁群算法完成全局路径规划的目的。这种改进蚁群算法主要是对蚁群算法中的参数进行改进。其针对信息强度因子和信息素挥发因子的不同作用进行相应的函数设计,来达到全局路径规划的目的。通过实验与基本蚁群算法的算法性能比较,得出该改进策略的优越性。     

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.     

改进的A~*算法在虚拟人路径规划中的应用

自动计算生成虚拟人的最优路径是虚拟人路径规划研究中的关键问题之一,针对这一问题对A*算法进行了分析、实现和改进.通过对估价函数进行加权处理,缩短了搜索路径,减少了搜索时间;并且引入"人工搜索标志"避免了重复搜索无效区域,能有效快速地逃离障碍物陷阱,使算法在未知环境中有效准确地找到可行性路径,进而对可行性路径进行优化得到最短路径,解决了虚拟人避障与导航问题.     

进化规划改进算法及其在舰载导航中的应用

为解决设计BP神经网络时所遇到的网络参数和连接权重难以确定,在随机扰动下不能达到最佳效果,学习时间较长难以满足系统实时性要求等问题,引入进化神经网络.根据舰载导航的要求及特点,对基于进化规划的BP神经网络进行设计,并将之应用于舰载导航系统中.仿真结果证明,该方法加快了神经网络的收敛速度,解决了BP神经网络存在的问题.并在舰载导航系统外观测数据不可得时,规避卡尔曼滤波所存在的问题,从而保证了卡尔曼滤波器的正常运行,进一步提高了舰载导航系统的精度.     

一种AAPF算法及其在多机器人路径规划中的应用

研究了多移动机器人系统中的路径规划问题,提出一种自适应人工势场算法AAPF.通过引入自适应滑动策略,克服了基本APF算法容易陷入局部极值的问题;通过引入自适应退避策略,解决了多机器系统路径规划中的避碰问题.将AAPF算法应用到多机器人系统的路径规划问题中,仿真实验证明了AAPF算法的有效性.     

流量拥堵空域内一种基于Q-Learning算法的改航路径规划

目前,空中流量激增导致空域资源紧张的问题越发凸显,为了缓解这一现状,将基于流量管理层面对航空器进行改航路径的研究。首先采用栅格化的方式对空域环境进行离散化处理,根据航路点流量的拥挤程度把空域划分为三种不同类型的栅格区域。其次通过改进强化学习中马尔科夫决策过程的奖励函数对其进行建模,并基于 策略运用Q-Learning算法对该模型进行迭代求解,对相应的参数取值进行探究比较以提高结果的可适用性。最后经过仿真运行,计算出不同参数赋值下的最优路径及相应的性能指标。研究结果表明：应用该模型和算法可以针对某一时段内的流量拥堵空域搜索出合适的改航路径,使飞机避开流量拥挤的航路点,缩短空中延误时间,有效改善空域拥堵的现况。     

人工免疫算法路径规划在林火救援中的应用

为解决复杂环境下双机林火救援路径规划问题,提出用人工免疫算法规划三维飞行航迹。借鉴人工免疫算法规划机器人路径的方法,通过考虑飞机飞行特性和双机路径规划的要求,为双机异地出发同时到达规划出三维飞行路线,并对算法的主要影响因素进行了分析和估计,获得规划航迹的最优参数,用于设计安全高效的飞行航迹。研究结果表明,该方法能规划出复杂环境下双机飞行航迹,利用参数优化后的人工免疫算法不但能快速有效地规划三维航迹,而且丰富了航迹规划方法研究。     

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。     

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     

改进自适应遗传算法在移动机器人路径规划中的应用

为了克服基本遗传算法在求解移动机器人路径规划问题中存在的收敛速度慢、易陷入局部最优等不足,该文提出了一种改进的自适应遗传算法。采用人工势场法对种群进行初始化,设计了自适应交叉和变异概率。同时,采用混合选择方式改善了基本遗传算法收敛速度慢和早熟的现象,提高了算法的进化效率。栅格环境下的仿真实验证明了该文算法在移动机器人路径规划中的可行性和有效性。     

改进遗传规划算法在系统辨识中的应用

为了解决工业过程中数据丰富但机理不完全可知的非线性动态系统建模问题,提出了一种改进的遗传规划算法,以辨识模型结构和参数.该算法首先基于多层次辨识和反馈的基本思想,对系统进行多次辨识,直到把辨识误差缩小到可接受的范围;然后,采用最小二乘法估测模型参数,避免优良模型结构因低劣参数而被淘汰;最后,实施M估计技术,削弱强噪声对建模的影响,增强模型泛化能力.针对满足Lotka-Volterra方程的非线性动态系统进行建模仿真,试验结果表明该算法能较好地辨识满足Lotka-Volterra方程的一类非线性动态系统.     

改进粒子群算法在电源规划中的应用

针对电源规划求解难的问题,提出了一种新的求解方法--改进粒子群算法,使用上述方法可大大减少电源规划的计算量,提高计算效率.最后的实例表明,该算法可以较好地解决电源规划问题,有着广阔的应用前景.     

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。     

改进蚁群算法在车辆路径问题中的应用

从蚁群算法在求解实际问题时收敛速度慢、易陷入局部最优的缺陷出发,对蚁群系统转移规则、局部信息素更新方面进行改进,并将其应用到DCVRP问题中,求解时引入候选列表和2-opt局部搜索策略,以减少计算时间并达到事先淘汰不良路径的目的.通过与其他元启发式方法比较,实验结果表明,本文改进蚁群算法其结果明显优于另外四种主要的路径问题启发式方法.     

改进的Q学习算法在轨迹规划中的应用

为解决 Q 学习算法易陷入局部最优解问题, 改进了传统贪婪策略, 提出了一种分段渐近搜索策略。该策略通过动态调整策略参数, 使 Q 学习算法在学习过程中实现探索鄄学习鄄利用 3 个阶段的渐近跳转。 同时将该搜索策略应用于 Q 学习算法中, 使改进的 Q 学习算法能更快速地逼近全局最优解。 将改进算法应用于机械臂轨迹规划中, 其仿真结果表明, 该算法能稳定地引导机械臂沿最优轨迹快速到达目标位置。     

差分进化算法在多目标路径规划中的应用

针对差分进化算法其算法思想简明、实现方便而得到了国际进化计算研究领域的认可,多目标问题中,由于各目标之间经常是相互制约的,因此优化难度相当大。带时间窗的多目标物流配送车辆路径优化的多约束性使得它很难应用进化算法进行优化。为了解决这个问题,本文通过变异操作算子改进,成功将改进的差分进化算法应用于该问题。数值仿真实验结果表明:这种改进的差分进化算法得到了较稳定的非支配解集,实现了客户间的路径优化。     

改进RRT在汽车避障局部路径规划中的应用

根据传统快速搜索随机树算法(rapidly random-exploring trees,简称RRT)搜索速度快、所需时间短,但随机性大以及约束不足等特点,建立了直道和弯道的期望路径模型,采用高斯分布描述随机采样点,并引入启发式搜索机制,改进RRT算法.与原算法仿真对比,结果表明:改进算法所规划的路径质量显著提高,规划时间缩短一倍.同时,在Prescan软件中搭建直道和弯道仿真场景,跟随规划路径,结果表明:改进后RRT算法所得路径具有很好的跟随效果,且侧向加速度在车辆稳定性要求范围内,说明采用改进后的RRT算法进行汽车局部路径规划可行实用.