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。     

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。     

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.     

动态环境中基于遗传算法的移动机器人路径规划的仿真

动态环境中 ,移动机器人的动态路径规划是一个较难解决的课题 .提出了一种基于遗传算法的移动机器人的路径规划方法 .该方法采用实数编码和有明确物理意义的适应度函数 ,可以加快实时的运算速度和提高运算精度 .同时 ,该方法充分挖掘了可应用遗传算法解决移动机器人动态路径规划的潜力 .计算机仿真表明 ,仿真该控制方法具有良好的动态路径规划能力     

基于分子优化算法的机器人避障规划

自从Adleman博士利用分子算法成功求解HPP问题,DNA计算引起了人们广泛的兴趣.文中引入了DNA技术并借助生物学理论对其进行改进,提出了新的分子优化算法.并在机器人路径的避障规划中进行了仿真实例,结果显示算法避免了经典遗传算法容易出现的\"早熟收敛\"和\"收敛速度慢\"两大难题,继承了遗传算法全局搜索的能力,提高了算法的有效性和收敛速度,在很少的进化代数中就可以求得问题的最优解,适合于路径规划问题.     

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.     

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.     

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...     

数字势场和遗传算法的机器人路径规划的方法

提出了一种适用于任形式机器人格规律划的新方法，该方法利用笛卡尔工作空间的几何信息，建立离散化工作空间的距离图和数字势场，基于启发函数引导机器人在构形空间使用遗传算法进行搜索，而且，针对势场中极小点问题，提出了一种使用遗传算法和交替势场进行逃离的新算法，最后分别为6自由度关节机器人和12自由度双手协调机器人进行路径规划和仿真，验证了该方法的有效性。     

基于改进遗传算法的移动机器人路径规划研究

针对传统遗传算法在移动机器人路径规划中存在路径不平滑、容易早熟等问题,提出了一种改进遗传算法。首先,采用基于终点距离和夹角的种群初始化方法以提高初始种群质量;其次,根据路径长度和转向角度设计了新的适应度函数以提高路径平滑度,采用保留较差解的改进锦标赛选择策略以增加种群多样性;最后,设计了基于节点数量筛选交叉个体的交叉算子,加快收敛速度并减少无效交叉,同时采用了多种变异策略以增加算法后期的搜索能力。对比仿真实验表明,本研究所提出的改进遗传算法能较好地避免早熟,所得路径更平滑,收敛速度更快,综合性能相对更优。