基于粒子群-蚁群融合算法的移动机器人路径优化规划

基于TSP问题,提出了一种基于粒子群-蚁群算法相互融合的综合优化算法对移动机器人路径规划问题进行研究。通过粒子群算法对全局路径实施粗略搜索,获得部分次优解,在获得次优解的路径上进行信息素分布,再采用蚁群算法进行精确搜索,得到路径规划的最优解。实验结果表明:粒子群-蚁群融合优化算法在路径寻优上优于蚁群算法及粒子群算法。     

基于改进粒子群算法的移动机器人路径规划

针对基本粒子群算法在路径规划时易陷入局部最优、规划路径较长等问题,提出了改进粒子群算法对移动机器人进行路径规划。首先使用MAKLINK图建立移动机器人的工作空间模型,然后采用Dijkstra算法搜索从起始位置到目标位置的全局次优无碰撞路径,最后将指数变量权重加入改进的粒子群算法中对次优路径进行优化,找到最短路径。与基本粒子群算法不同,改进粒子群算法中粒子不是向最优的粒子学习,而是向适应度值优于平均适应度值的粒子学习,并对低于平均适应度值的粒子进行变异处理。该方法能够提高粒子的多样性,避免粒子陷入局部最优。仿真结果验证了所提出的改进粒子群算法的有效性。     

改进粒子群算法在三维水下导航规划中的应用

基于群智能理论提出了一种改进粒子群算法.以非线性策略改变惯性权值,增强粒子群算法局部和全局寻优的调度能力,以改变迭代公式加大"优秀"粒子的影响,增强粒子群体的寻优能力.通过理论推导、验证和实验仿真,证明了改进粒子群算法具有更优的性能.在此基础上,将该算法应用到水下潜器的三维路径规划中,通过对三维空间的分割降维,并进行条件约束,实现了将路径规划问题转化为路径点求解的优化问题.实验仿真获得了从起点到终点的无碰撞路径,验证了该方法的可行性.     

采用粒子群优化和B样条曲线的改进可视图路径规划算法

针对传统局部路径规划中容易陷入局部陷阱和规划路径不平滑的问题,提出一种将改进可视图,基于B样条曲线和粒子群优化算法结合起来规划一条平滑路径的算法.该算法由多边形动态生成、路径规划和路径平滑3个步骤组成,为了逃离局部陷阱,在多边形动态生成的过程中增加环境记忆功能,并通过路径平滑过程,使规划的路径更能满足移动机器人动力约束条件.仿真实验结果验证了算法的有效性,对比其他几种路径规划算法,所提出算法规划的路径质量更高.     

双焊接机器人避障路径规划

针对白车身双机器人同步焊接路径规划问题,采用栅格法建立双机器人同步焊接模型。首先通过改进蚁群算法和粒子群算法实现焊接机器人与工件之间的避障;其次通过C空间法实现两个焊接机器人无碰撞,求解出局部和全局最优焊接路径较好的近似解,并与标准蚁群和粒子群算法进行仿真对比实验。仿真结果表明,采用改进蚁群算法和带有交叉因子的粒子群算法,收敛速度较快,较其他算法更能缩短焊接工时。仿真结果验证了笛卡尔空间和C空间结合路径规划方法的可行性,对于双焊接机器人的路径规划具有指导意义。     

基于AHPSO算法的无人艇多目标路径规划

为达到在实际水流环境中减小无人艇的能耗和保证无人艇安全等目标,提出一种自适应混合粒子群(AHPSO)算法用于无人艇的全局路径规划.首先,根据实际水流中无人艇路径能耗等因素,提出路径规划的目标,建立多目标优化方程;其次,分析适用于全局路径规划的粒子群算法,将全局与局部粒子群算法结合,生成混合粒子群算法;最后,针对标准粒子群算法早熟收敛等问题,采用自适应原理来改变惯性权重和加速系数,有效提高算法的寻优速度和精度.仿真结果显示:所提出的算法比单独采用全局或局部标准粒子群算法有更好的寻优性能,可实现多目标优化,更适用于实际水流环境中的无人艇路径规划.     

时空众包环境下时效均衡改进粒子群优化算法

针对时效均衡改进粒子群优化算法受到求解方法的影响,容易出现收敛效果差、超体积指标出现异常值以及算法运行时间较长的问题,提出时空众包环境下时效均衡改进粒子群优化算法.在时空众包环境下,首先,根据惯性权重参数对学习因子进行动态调整,增强算法的统一性,结合最大速度参数的设置,完成粒子群参数的选择;其次,利用粒子个体之间的支配关系选择个体最优粒子,结合全局最优粒子的选择要求,完成时效均衡最优粒子的提取;最后,通过优化时效均衡改进粒子群优化算法设计,实现时效均衡粒子群的优化.实验结果表明,与其他两种算法相比,时空众包环境下的粒子群优化算法的性能更好,具有更好的收敛效果,超体积指标未出现异常值,且解集质量好,运行时间较短.     

基于鱼骨型仓库的拣选路径问题优化

为提高鱼骨型仓库布局下的订单拣选效率,基于拣货路径距离计算模型和以最小化拣货路径总距离为优化目标的拣选路径优化模型,提出一种混沌模拟退火粒子群优化算法,引入混沌理论使粒子更高效地遍历搜寻空间,同时结合了模拟退火算法的概率突跳特点使算法在迭代后期仍具有较好的全局寻优能力.最后,通过实例仿真验证了该算法在解决鱼骨型仓库布局拣选路径优化问题上的有效性,并通过与其他算法比较,证明了该算法的先进性,为鱼骨型仓库布局下拣选路径规划问题提供了新的解决思路.     

面向无人机路径规划的双层多目标粒子群算法

无人机路径规划问题是一个复杂的多目标优化问题，目前常用粒子群优化算法及其变种算法来解决此类问题。本文在基于使用无人机执行物资投放任务的场景下，提出与之相应的无人机路径规划问题模型，并根据其特点分析其约束条件以及目标函数，在传统需要优化的基本目标函数之外，额外增加了等待时间与延迟时间这一对相互冲突的目标函数。然后提出一种基于分解的双层多目标粒子群优化算法(double layer multi-objective comprehensive learning swarm optimization algorithm framework based on set decomposition, MODCS-PSO/D)，该算法使用集合和概率表示粒子的速度与位置，将连续空间中的问题转化到离散空间内，然后结合综合学习策略构建双层粒子群算法，并在此基础上引入基于分解的多目标优化框架(multi-objective evolutionary algorithm based on decomposition, MOEA/D)平衡多个待优化目标，同时增加了额外的搜索策略以避免出现早熟现象。最后通过进行对比...     

基于自学习可见图的机器人路径规划

针对未知环境下的机器人路径规划问题 ,提出了一种基于自学习可见图与局部最优的路径规划算法 .在这种算法中 ,采用自学习可见图来表示环境 ,并在路径规划的过程中逐步建立自学习可见图 .在避障上设计一个局部最优算法并提出了一种局部路径规划算法 .实验表明 :该方法规划速度快 ,并且能规划出局部最优的路径 ,满足未知环境下机器人路径规划的要求 .     

基于神经网络改进粒子群算法的动态路径规划

针对机器人在不同类型障碍物环境下的路径规划问题,提出基于神经网络的改进粒子群优化算法.采用神经网络统一障碍物环境建模,快速实现路径与所有障碍物的碰撞检测,通过惯性权重和三次样条曲线平滑路径,以较低的粒子编码维度,在提高算法收敛速度的同时保持路径精度,避免陷入局部最优.仿真结果表明:神经网络能够统一静态和动态障碍物环境表...     

基于可解空间法的视景路径规划仿真系统设计

提出一种新的可解空间粒子群寻路算法,并实现Vega Prime(VP)三维视景路径规划仿真系统。算法假设初始化的每个粒子都是一个潜在的可行解,都可到达终点。每个粒子在迭代的过程中不断更新位置,并记录下它们所经过的路径点的个数;迭代结束后,找出到达终点的粒子中路径点个数最少的粒子,将该粒子每次迭代时所经过的最优位置作为寻路路线。同时在VP大地图场景中,为矩形障碍物添加一个圆形的坡度,较好地解决了算法易陷入局部最优解的缺陷。该仿真系统的正确运行验证了算法的有效性及系统的实用性。     

基于离散粒子群优化的MPSoC节能调度算法

为了降低多核片上系统MPSoC在应用中的能耗,在MPSoC上提出了基于优化离散粒子群算法的节能任务调度算法.通过比例选择算子生成初始种群,以任务在MPSoC上不同内核执行的能耗作为解空间,粒子群在整个解空间上搜索最低能耗调度方案,并在算法中优化了粒子群算法的局部早熟问题,使算法性能进一步提升.仿真实验表明:基于优化离散粒子群算法的节能调度算法与常用的3种调度算法相比,能耗得到了降低,且算法的截止期错失率并没有升高,保证了算法的整体性能.     

基于量子粒子群的带障碍约束的空间聚类

空间聚类是空间数据挖掘研究领域中一个重要的研究课题,而传统的空间聚类方法往往忽略障碍对聚类结果的影响。本文在量子粒子群算法的基础上,研究了障碍约束的处理方法,并提出一种基于量子粒子群的带障碍约束的空间聚类算法,实验结果表明,该算法不仅有效地克服了聚类算法极易陷入局部极小值和对初始值敏感的问题,而且聚类结果比忽略障碍的量子粒子群算法更符合实际情况。     

库存不足条件下车辆路径问题及其改进PSO算法 3

分析并构建了库存不足条件下车辆路径问题的数学模型;在模型的求解上,提出一种基于子群协作的动态粒子群算法;最后通过算例实验表明:该算法能有效克服标准粒子群算法迭代寻优时选择步长的盲目性,也改善了算法求解时容易陷入局部最优、导致早熟的缺陷,具有较强的全局寻优能力,收敛速度快,计算精度高.     

改进麻雀算法的无人机三维路径规划

为解决无人机在三维环境下的路径规划问题,本文通过麻雀搜索算法研究了路径规划方法。传统的麻雀搜索算法求解该问题时存在易陷入局部最优、收敛精度低等问题,针对该问题提出改进方法。首先,对种群中的发现者加入动态权重因子,使其能够提高局部搜索能力,同时提高收敛速度,同时引入高斯变异;追随者采用量子粒子群生成新解的方式;并且加入额外的柯西变异进行扰动,柯西变异的扰动幅度较小,可以增强局部搜索能力。通过仿真实验,.算法改进后分别与麻雀算法以及其他改进的麻雀算法进行对比,结果表明该算法收敛速度更快,求解精度更高,证明了该算法的有效性和可行性,可见在无人机三维路径规划中具有很大的发展前景。     

基于解空间划分的PSO改进算法

 提出一种基于解空间划分的粒子群优化算法, 该算法在保持粒子群搜索能力的前提下对解空间进行预处理, 寻找最佳搜索区间, 提高了粒子群搜索效率; 在粒子群搜索过程中设置检查点, 动态更新解空间区间划分. 实验结果表明, 该算法有效提高了粒子群的搜索效率, 并使粒子群算法不易陷入局部极值. 同时, 在自适应状态下, 该算法能搜寻到指定精度下粒子群所需的最小迭代次数, 并得到较满意的最优值.     

混合离散粒子群算法求解机器人装配线平衡问题

以最小化总成本为目标，将一组工序和机器人分配至工作站上的问题称为面向成本的机器人装配线平衡问题(cRALBP),为了解决此NP难问题，提出一种混合离散粒子群优化(HDPSO)算法.首先，对于给定工序，设计动态规划方法直接获取工序对应的最优机器人分配方案，从而缩小搜索空间，提高算法的全局寻优能力.然后，提出一种新的算法框架，其通过融合路径重连加强算法的局部搜索能力，并通过汉明距离评估解之间的差异，选择采用多片段交叉算子或者片段变异算子进行粒子更新，取代随机选择算子的方法，从而实现算法全局搜索和局部搜索的平衡.将所提出的HDPSO算法与最新的粒子群、人工鱼群算法在144个算例上进行对比，验证了HDPSO算法的有效性和优越性.     

基于粒子群算法的复杂产品装配序列规划

根据复杂产品装配规划问题的特点和要求,提出了一种求解装配序列规划(assembly sequenceplanning,ASP)问题的粒子群优化算法,将通常用于连续空间优化的粒子群算法成功扩展到ASP领域.算法根据ASP问题决策解的特点,在排序空间定义了微粒的位置和速度以及相关的各种操作.针对基本粒子群算法容易陷入局部最优的缺点,采用新的学习机制,增强了算法的寻优能力.基于干涉矩阵、连接矩阵和支撑矩阵建立了以装配可行性、装配体稳定性和装配方向改变为评价指标的目标函数.最后通过实例分析验证了该算法的有效性.     

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.