巡飞器攻击阶段弹道规划方法

为了使攻击阶段巡飞器沿最优弹道飞向目标点并与之交会,完成攻击任务,提出了三维弹道规划分解算法.将三维弹道的规划问题分解为二维平面飞行路径和对应的高度值,分别计算,减少了计算量;在此基础上应用遗传算法对分解后的二维平面路径进行规划,得到了满意解.仿真结果表明,算法能有效地减少计算量,解决计算精度与计算量的矛盾.     

基于PSO算法的多巡飞器任务分配方法

为使多个巡飞器协同完成针对地面多个目标攻击任务,从巡飞器载荷较小的特点出发,基于PSO算法对其任务分配方法进行了研究.根据巡飞器两种任务介入方式的不同,分别建立了布撒方式任务分配问题模型以及陆基发射方式任务分配问题模型.根据模型的复杂程度,分别选择使用基本PSO全局优化算法以及考虑资源消耗情况下对PSO整数规划算法进行改进后的算法,求解两种任务分配问题.仿真结果表明,算法可解决任务分配问题,任务分配方法合理,适应巡飞器协同需求.     

基于改进遗传算法的煤矿探测机器人路径规划

针对煤矿井下环境的复杂性和不确定性,提出了一种改进遗传算法用于煤矿探测机器人的路径规划。采用栅格法在三维空间中对机器人工作环境进行建模,对染色体编码,初始种群生成、适应度函数的设计等操作进行了改进;算法采用了可变长度的染色体编码方式,使用随机指导式搜索策略来生成初始种群;根据路径长度最短且能耗最少的评价指标设计了适应度函数,并优化设计了遗传算法中的交叉和变异算子,解决了传统遗传算法"早熟现象"和"收敛速度慢"的问题,仿真实验证明了该方法的有效性和可行性。     

基于遗传算法的团队CGA路径规划方法

基于遗传算法给出了一种团队CGA(Computer Generated Actors)全局路径规划方法,针对复杂环境和团队特点设计了不等长的路径编码和个体适应度评价方法.试验表明该方法可以为团队中每个成员规划出一条协调的、无障碍的路径,有效地解决复杂空间下团队CGA路径规划问题.     

基于遗传算法机器人路径规划研究

针对传统的机器人算法不是线性路径优化而导致不能较好地解决实际问题情况,介绍了采取遗传算法处理路径规划的方法解决路径规划问题的方案.     

基于遗传算法的移动机器人路径规划方法

机器人路径规划是机器人领域的一项重要课题,不同于以往在遗传算法过程中考虑路径平滑度的方法,本文提出了一种将遗传算法过程与路径平滑过程分开的机器人路径规划新方法。先设计可变长编码方式的简单遗传算法产生较优的折线路径,再引入一类新的带形状参数的回旋螺线对其进行平滑操作,以抚平较大转角。整个路径规划过程,只需输入障碍物坐标即可自适应地选择参数以产生机器人行走路径。仿真结果表明,将遗传算法过程与路径平滑过程分离的做法能降低遗传算法本身复杂度,所以设计的平滑操作不仅提高了路径平滑度,还可以减少路径长度。     

针对机器人路径规划问题的改进型遗传算法

针对路径规划的"求解质量"和"求解效率"2个问题,在传统遗传操作的基础上,通过在遗传操作中加入优化算子,减少了搜索的盲目性,使得优秀个体能较快地产生,算法在很少的进化代数中就可以求出问题最优解.算法的分析和仿真试验表明,算法的改进是有效的.     

基于遗传算法的平面车库车辆路径规划

随着物流系统自动化、智能化水平的提高,AGV在物流系统的应用越来越普遍。AGV的导航是AGV的核心技术,而路径规划是AGV导航的重要环节之一。本文应用遗传算法求解单个AGV的路径规划问题,最后给出该算法实现的路径规划仿真和实验结果,实验结果证实了该方法的有效性。     

基于遗传算法的水下机器人大范围路径规划

智能水下机器人（AUV）研究领域中的一个重要问题是全局路径规划，它的目标是在已知障碍物的环境中寻找一条从起始状态到达目标状态的无碰路径。提出一种分层遗传算法来解决大范围海洋环境下AUV的路径规划问题。详细介绍了算法的实现，并进行了仿真实验，仿真结果证明了该算法的有效性。     

基于多目标遗传算法的路径规划

研究三维地形中的路径规划问题.针对三维地形中路径涉及的因素多,将多目标优化的思想引入路径规划.提出一种基于多目标遗传算法的路径规划方法,设计了优化路径的遗传算法实现方案.使用大范围初始化种群的方法,设计了适合于路径规划的遗传算子.实验证明,该算法能综合考虑多种因素,并能同时提供不同特点的多条路径供决策者选择.     

基于自适应遗传算法的无人机航路规划

在规划区域内随机产生一系列威胁点和相应威胁半径来量化无人机(UAV)任务环境,通过纵向剖分目标区,将航路点的表示由二维缩减到一维,采用实值编码以提高运算精度.针对遗传算法(GA)早收敛和收敛慢的问题,在交叉和变异中设计了自适应算子.计算仿真表明该控制算法能使无人机在复杂环境中回避威胁,快速选择最短路径,提高了规划效率.     

遗传算法在机器人路径规划中的研究综述

遗传算法(genetic algorithm, GA)是一种在机器人路径规划中应用最广泛的智能算法。近年来,机器人路径规划问题是各行业实践应用的热点问题。在分析GA优缺点的基础上,对GA在机器人路径规划应用领域进行深入调查,论述了现阶段国内外各领域发展现状,并阐述了现阶段存在的技术难点。最后对GA在机器人路径规划的发展趋势进行了展望。     

多障碍离散路径规划的遗传算法求解

使用遗传算法求解多障碍离散路径规划问题时,容易产生大量无效解.通过计算个体的有效路径,评价个体,并在遗传操作中不断累积局部优势模式,可以对无效解进行遗传操作并最终生成有效解.无效解往往在有效路径的尾部陷入障碍.针对此变异操作,使得个体不仅可以保留前端累积的局部优势模式,同时可通过尾部变异跳出环境障碍.     

基于改进Informed-RRT*算法的舰载机甲板平面路径规划

针对舰载机甲板路径规划问题,在Informed-RRT*（Informed Rapidly-exploration Random Tree）的椭圆采样基础上,提出使用正态分布方式采样的IN-RRT*（Informed Normal-RRT*)算法。首先,对舰载机与运动场景建模,定义舰载机运动约束和避障策略;接着,将正态分布采样策略与椭圆采样相结合,获取优质高效采样点;引入人工势场法,自适应调节随机树的搜索步长值;使用向心Catmull-Rom样条插值法对路径进行平滑优化处理;提出针对动态障碍改进的动态窗口法,实现局部动态避障。最后运用甲板平面环境实验检验算法性能。结果表明,本文IN-RRT*算法能显著优化搜索时间和搜索路径质量,可应对动态场景规划出合理可行的平滑路径。     

基于遗传算法的森林防火航空巡护路径规划

针对防火监测区地形地貌、森林资源分布、火灾发生规律以及执行巡护任务的飞机性能等影响因素,提出一种规划森林防火航空巡护路径的方法及流程,利用遗传算法实现路径规划最优解的求解.对实验区的计算结果表明,该方法得到的最优路径与原路径相比,长度缩短了46.06%,且能实现对监测区域的全覆盖,从而减少巡护费用,提高巡护效率.     

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.