基于改进遗传算法的机器人路径规划方法

针对基本遗传算法在机器人路径规划中存在收敛速度慢、易陷入局部最优解的问题,提出一种改进的遗传算法. 在适应度函数中增加带有惩罚项的平滑度函数; 引入精英保留机制,保留每一代最优个体; 自适应调整交叉概率和变异概率,使交叉概率和变异概率随进化次数变化而变化. 利用MATLAB在两种障碍物地图中与其他两种算法进行仿真对比分析,实验结果表明,改进后的算法在路径规划的应用中有效减少了机器人的转弯次数,提高了逃离局部最优路径的能力,寻优能力更强.     

基于遗传规划的机器人足球团体协作进化策略

利用基于进化的方法,对机器人足球比赛中的团队协作策略进行设计.论文给出了一种新的强类型的遗传规划算法,它对传统遗传规划方法做出了较大的改进,主要是提出了两种新的计算方法：基于概率的树的生成算法1,和基于概率的树的生成算法2.这两种算法不仅算法简便,又可以让用户对树结构进行控制,从而使其能更好地适应机器人足球系统的实时性和动态要求.     

基于神经网络的移动机器人路径规划

针对移动机器人在部分环境信息已知情况下的路径规划问题,运用神经网络动态路径最优算法,研究了基于传感器信息的在线路径规划方法.基于扩展卡尔曼滤波的定位方法融合了多个与机器人状态及环境相关的信息,提高了定位精度.首先建立动态的工作空间信息,基于神经网络的路径规划算法完成机器人的路径规划,根据路径点集运动趋向来调节小车移动,完成了导航的任务.对算法的性能和效率进行了分析,实验表明该方法在障碍物的信息未知的情况下,执行速度快.     

自适应并行混沌免疫进化规划

基于克隆选择原理,提出一种新的并行混沌免疫进化规划算法.在算法中,根据抗体抗原亲和度将抗体种群分为两个子群,相应的提出混沌克隆算子和超变异算子,混沌克隆算子在局部空间具有较强搜索能力,超变异算子在广阔空间具有大范围搜索能力,通过两个算子的并行操作使局部寻优和多样性保持相结合,从而提高算法的搜索效率.仿真表明,与传统进化规划(EP)和基于混沌变异的进化算法(EACM)相比较,并行免疫进化规划搜索效率高,能有效抑制早熟收敛现象,可用于解决复杂的机器学习问题.     

无线传感器网络中的进化规划重采样定位算法

为了对无线传感器网络中随机分布的节点进行更精确的定位,提出了一种基于进化规划重采样的定位算法.在初始阶段进行位置采样并求得初始位置估计后,利用小规模的进化规划进行位置的重采样优化,然后使用迭代求得位置估计.在进化过程中,可以使用标准进化规划和元进化规划两种方法来得到重采样位置.仿真结果表明:对比同类算法,该算法将平均定位误差降低了20%左右;相对于标准进化规划,采用元进化规划的重采样具有更强的自适应能力,对定位算法的精度提升更加显著.     

基于柯西变异的免疫单克隆策略

系统地阐述了基于细胞克隆选择学说的克隆算子，将其应用于进化策略，并利用柯西变异替代传统进化策略中的高斯变异，提出了改进的进化策略算法——基于柯西变异的免疫单克隆策略算法，并利用Markov链的有关性质，证明了该算法的收敛性．理论分析和仿真实验表明，与传统的进化策略算法以及免疫克隆算法相比，基于柯西变异的免疫单克隆策略算法不仅有效克服了早熟问题、保持了解的多样性，而且收敛速度比前两者都快．     

机器人BP神经网络避障控制模型构建及仿真

针对传统BP神经网络在未知环境下机器人路径规划及避障算法中存在权值调节收敛速度慢、易陷入局部极小点、网络结构不稳定等问题,基于权值调节收敛速度与学习率之间的关系,通过引入调节因子及设置参数kinc和kdec对传统BP神经算法进行了改进,实现了学习率的大小动态调节,优化了权值的收敛.利用改进后BP神经网络算法,给出了一种新型机器人二级BP神经网络避障控制模型.仿真结果表明:该模型用于障碍物实时识别及机器人快速避障时有效可行,障碍物识别率达到80.5%~99.5%,避障路径趋近最优直线路径.     

一种新的基于MMAS的机器人路径规划方法

机器人路径规划就是在复杂的结构空间中,找到一条由起点到目标点的可行路径.基于最大-最小蚂蚁算法,结合机器人路径规划的典型问题,给出了一种新的规划方法.实验结果表明,该方法能以较大的概率得到机器人路径规划问题的优化解.     

强化学习方法在移动机器人导航中的应用

路径规划是智能机器人关键问题之一,它包括全局路径规划和局部路径规划.局部路径规划是路径规划的难点,当环境复杂时,很难得到好的路径规划结果.这里将强化学习方法用于自主机器人的局部路径规划,用以实现在复杂未知环境下的路径规划.为了克服标准Q 学习算法收敛速度慢等缺点,采用多步在策略SARSA(λ)强化学习算法,讨论了该算法在局部路径规划问题上的具体应用.采用CMAC神经网络实现了强化学习系统,完成了基于CMAC神经网络的SARSA(λ)算法.提出了路径规划和沿墙壁行走两个网络的互相转换的方法,成功解决了复杂障碍物环境下的自主机器人的局部路径规划问题.仿真结果表明了该算法的有效性,同传统方法相比该算法有较强的学习能力和适应能力.     

基于距离测度的实数编码自适应遗传退火算法

提出一种基于距离测度的实数编码自适应遗传退火算法,根据个体的距离密集度自适应地确定其交叉概率和变异概率.空间距离密集度越高的个体,其交叉概率和变异概率也越高.算法引入模拟退火机制,在遗传进化过程中的每一代,对最优个体进行邻域局部寻优,利用模拟退火进一步改善算法的收敛性能.对带边界约束函数优化问题进行了仿真计算,结果表明该算法有效.