自适应遗传算法在移动机器人路径规划中的应用

将一种自适应遗传算法应用于移动机器人路径规划.提出了一种基于几何避障法的初始种群产生算法;设计了基于启发式知识的交叉、变异、求精和删除算子;采用一种新的模糊逻辑控制算法自适应地调节交叉概率和变异概率;对移动机器人离线和在线规划问题进行了仿真研究.仿真结果表明:自适应遗传算法具有较快的搜索速度、较高的搜索质量以及较强的自适应能力,为移动机器人最优路径规划问题的解决提供了一种新方法.     

求最短路径问题的自适应路由遗传优化算法的设计与实现

从最短路径问题的研究背景、最短路径问题概述、求解最短路径问题的自适应路由遗传优化算法的设计及其实现等方面提出了一种新的求解最短路径问题的自适应路由遗传优化算法,实验仿真比较了该算法与Dijkstra算法的路由过程、算法的收敛性和执行的效率,结果初步证明该算法高效可行,尤其适合于大规模网络.     

车辆导航中一种改进的路径优化算法

针对车辆定位与导航系统中的最优路径规划中存在的问题,研究了最短路径搜索算法的快速实现技术,提出了一种启发式快速最优路径规划算法.在分析经典迪杰斯特拉最短路径搜索算法和A*启发式搜索算法的基础上,利用双向A*算法和地图分层搜索技术减小搜索空间,采用二叉堆结构来实现路径计算过程中优先级队列的一系列操作,从而提高了算法的执行效率.仿真试验的结果证明了该算法的优异性能.     

一种适于车辆导航系统的快速路径规划算法

针对城市道路网图节点数较多,经典的求解最短路径的Dijkstra算法存在计算时间较长的问题.对矢量化的城市道路网图的特点进行分析,给出了道路网图的计算机存储结构,提出一种快速求解城市道路网两节点间的最短路径近似算法.算法的实现采用双向式搜索法、投影法和夹角最小的方法.理论分析和实验结果表明,和Dijkstra算法相比,该算法尽管有时得不到最优解,但能大大减小搜索空间,提高搜索速度,时间复杂性不超过O(N),适用于车辆导航系统.     

一种连续探索型自适应遗传算法及其应用

对经典遗传算子中的交叉算子和变异算子进行了重新设计，提出了一种连续探索型自适应遗传算法。该算法能够根据种群进化情况，动态地调整遗传算子，维持种群的多样性，克服过早收敛并加快了搜索速度，得到高品质解。将该算法用于最短路径求取中，仿真结果证实是合理的和有效的。     

基于Mapinfo的最短路径混合搜索算法

在迪杰斯特拉(Dijkstra)算法的基础上,针对有较多节点和道路的大网络在求解最短路径时计算时间慢、扩展节点多的缺点,采用基于局部最优方向和A*算法的混合算法,利用局部最优方向法的结果,对A*算法的启发函数加以改造,可以减少扩展的节点数量,快速的找到一条最短路径.通过实验仿真证实了该算法的快速有效性.     

适于物流配送车辆导航路径优化的遗传算法

提出了适于物流配送车辆导航路径优化的遗传算法,分别对遗传算法的初始种群产生方法、交叉方法、变异方法进行了改进,实现了算法中参数的自适应调整.实验结果表明,改进后的算法能避免断路、回路的产生,提高算法的搜索效率和适应性.文中提出的算法能快速有效地求解物流配送车辆导航路径规划中的点到点型路径优化,满足实时性要求.     

带油耗率的车辆路径问题的改进量子遗传算法研究

针对实际生活中车辆油耗会随着运载量的变化而变化,建立带油耗率车辆路径问题的数学模型,以最小化总成本为目标函数。将运输过程中随运载量变化的油耗率转化成交叉概率,自适应地改变交叉概率,提高算法的全局搜索能力;考虑车辆满载率,设计一种与运载量相关的变异概率,使其逐渐减小并使群体迅速集中,可以抑制早熟。基于以上方法构造的一种自适应遗传算法,实例进行仿真表明,提出的算法在收敛速度和寻优结果两方面略优于自适应遗传算法和遗传算法。     

基于改进Dijkstra算法的最短路径搜索仿真

提出基于Dijkstra算法的最短路径搜索改进算法,通过设置高效的优先目标搜索区域,减少大量无意义运算,达到提高搜索效率的目的.以淄博市交通道路图(局部)为例建立系统仿真模型,分别以两点间距离系数和拥堵系数作为权值进行系统仿真,得出了基于不同权值的最短路径求解结果,并对算法改进前后测试数据进行对比分析.结果表明,基于改进Dijkstra算法实际运行时间均值仅占Dijkstra算法运行时间均值的23%以下.     

基于栅格法的矿难搜索机器人全局路径规划与局部避障

针对矿难发生后井下环境的不确定性,提出一种以矿难前的GIS(Geographic information system)地图为基础建立环境栅格模型并结合改进遗传算法的矿难搜索机器人全局路径规划方法.效仿蚁群算法中的信息素提出基于位置信息负反馈的方法,并结合优先权分组的思想,提出一种新的有效的种群初始化方法,同时将该种群初始化方法应用到变异算子中,且依据最优解的变化情况自适应地调整交叉和变异的概率.与此同时,针对环境信息的不同变化情况,结合全局路径规划结果对机器人进行局部避障方法的研究.最后,通过仿真实验证明本方法能够快速有效地在已知环境中得到机器人的最优路径,并且能够在局部变化的环境中实现实时避障.     

基于混合粒子群算法的农情监测无人机路径规划

用无人机对果树病虫害进行巡航拍摄是有较大潜力的农情监测方法,本文以飞行时间最短为目标,建立了农情监测无人机路径规划的数学模型。结合遗传算法、模拟退火算法的思想,在粒子群算法中引入交叉、变异、替换操作,提出了一种混合粒子群算法来求解无人机路径规划的数学模型。实验表明,无人机路径规划数学模型可以被混合粒子群算法有效求解,且混合粒子群算法的性能优于遗传算法和模拟退火算法。     

一种基于遗传算法的机器人加工路径规划方法

针对传统机器人加工路径规划采用示教再现方法很难适应复杂变化任务的问题 ,提出了基于遗传算法的路径规划方法 ,研究了遗传算法中的编码方式、交叉算子和变异算子的改进方法 .仿真实验表明 ,采用遗传算法进行机器人加工路径规划是可行的和有效的 .     

动态环境中基于遗传算法的机器人路径规划

为解决动态环境中足球机器人的路径规划问题,采用栅格法对机器人工作空间进行划分,用序号标识栅格,并以此序号作为机器人路径规划参数编码,建立了以路径最短、避障为优化目标的遗传算法个体评价函数.采用轮盘赌选择、重合点交叉、多种变异结合等方法完成了遗传操作.针对遗传算法易陷入局部最优的不足,在标准遗传算法基础上加入了复原操作和重构操作,使改进后的遗传算法收敛于全局最优.仿真结果表明:该算法能够成功地在动态环境里规划出一条近似最优的路径,算法是有效的     

和声搜索算法在求解最短路径问题中的应用

提出了一种改进的全局和声搜索算法来解决最短路径问题.首先,定义了动态基因突变率,并引入到和声搜索算法中,有效地阻止了算法陷入局部最优解.其次,应用动态优先值编码方案,根据和声向量中变量对应节点的优先值来构造路径,通过迭代更新和声记忆库,并最终获得最短路径.对由20～100个节点构成的网络拓扑进行仿真实验,应用三种性能指...     

混合工作日历下资金受限工程项目工期最短化任务指派方法

针对一类混合工作日历下资金受限工程项目工期最短化任务指派问题,提出了一种基于遗传算法的优化方法。对混合工作日历下资金受限工程项目工期最短化任务指派问题进行了描述,并设计了遗传算法对问题进行求解。提出了基于承包商工作日历的时间推算机制,设计了时间推算函数作为混合工作日历下工程项目工期推算的基础;算法采用"基于承包商号的整数编码方式"对个体进行编码和"拒绝策略"产生初始可行种群,使用"交叉算子改进策略"和"两点交叉方式"进行交叉以保证交叉后子个体可行,采用"拒绝策略"和"单点变异方式"进行变异以保证变异后子个体可行,解码过程中基于"关键路径法"和"正向推算函数FC"推算项目工期。通过案例分析验证了所提方法的有效性。     

基于出行偏好和路径长度的路径规划方法

针对基于最短路径的路径规划方法只关注路径长度,而基于轨迹的路径规划方法过度依赖用户偏好的问题,提出一种同时考虑用户出行偏好和路径长度的路径规划方法.首先,利用长短期记忆模型从历史出行轨迹中提取用户的出行偏好;其次,采用Markov链Monte Carlo采样技术将用户的出行偏好引入启发式搜索算法A*中,在道路网络中搜索...     

面向绿色再制造系统的AGV路径规划研究

为了解决绿色再制造系统中的自动导引运输车(AGV)路径规划问题的问题,提出一种粒子群遗传融合的AGV全局路径优化的自适应算法.该方法集成了遗传算法(GA)和粒子群算法(PSO)二者的优点,为了改善传统PSO-GA融合算法迭代前期寻优速度慢的问题,引入了自适应惯性权重;为了提高算法进入迭代后期的收敛精度,提出了一种双重交叉变异策略,使得改进的PSO-GA融合算法比传统的PSO-GA融合算法搜索能力更强,进化速度更快,收敛精度更高.为了验证改进后算法的优越性,采用栅格法模拟自动导引运输车运行环境并通过MATLAB对标准粒子群、遗传、传统的PSO-GA融合、改进PSO-GA融合四种算法解决路径优化问题进行试验对比,结果证明了改进后的PSO-GA算法的可行性和有效性.     

基于云自适应遗传算法的改进BP算法

针对标准BP算法对初始权值敏感、收敛速度慢、易陷入局部极小等问题,结合正态云模型云滴的随机性和稳定倾向性,以及遗传算法的全局搜索能力、收敛速度快等特性,提出了云自适应遗传改进BP算法.该算法首次将云模型和遗传算法结合调整神经网络的权值和阈值.由X条件云发生器产生改进的自适应交叉概率和变异概率.实验结果表明:云自适应遗传改进BP算法比标准BP算法收敛速度快.     

改进遗传算法求解有时间窗车辆路由问题

为了有效求解带有时间窗的车辆路由问题,在标准遗传算法的基础上,引入两代竞争近距淘汰选择算子,用欧氏距离来判断个体之间的距离作为个体的相似程度,相似程度高且适应度差的个体被淘汰,并辅以循环交叉算子和插入变异算子,构造出了一种改进的遗传算法.仿真实验表明,改进的算法在迭代过程中能有效保持群体的多样性,避免出现早熟现象而陷入局部极值点,提高遗传算法的内在并行性.同时通过竞争淘汰,使局部搜索能力得到加强,加快了搜索速度.改进算法所计算出的结果优于用轮盘赌和自适应选择作为选择算子的遗传算法的结果.