煤炭勘探及救援机器人最优路径规划研究

为了解决三维环境中的煤炭勘探及救援机器人路径规划问题,提出了一种基于改进蚁群算法的煤炭勘探及救援机器人最优路径规划方法。利用栅格法创建了三维空间环境模型,建立了煤炭勘探及救援机器人的路径规划目标函数;通过引入新的启发函数因子、节点随机选择机制、局部更新和全局更新相结合的策略分别对算法的节点转移概率设计、节点选择策略和信息素更新策略进行了优化改进。Matlab仿真结果表明,在三维空间环境模型中,传统蚁群算法和改进蚁群算法均能为煤炭勘探及救援机器人搜索出一条最优路径;在不同任务要求下,改进蚁群算法能有效缩短搜索路径长度和降低路径搜索时间,且具有较强的决策能力和较好的收敛性能。     

改进微粒群算法在机器人路径规划中的应用

研究机器人路径规划问题,是为了设定合理最短路径、最快速度、小能耗的优化路径.由于目前微粒群算法应用在路径规划中易陷入局部最优、搜索时间长等缺点,在微粒群算法基础上,提出一种引入了交叉算子和变异算子的改进算法进行路径规划设计,并采用栅格法对机器人实际运动环境进行三维空间建模.在微粒群算法中引入交叉算子,使成对的粒子可以进行信息交换,以便粒子具有了向新的搜索空间飞行的能力;同时引入变异算子,使其坐标值被随机更新,增强了微粒群算法跳出局部最优点的能力.仿真结果表明改进算法简单有效,收敛速度快且具有优秀的搜索能力,为优化机器人路径规划性能提供了依据.     

基于$pm3sigma$正态概率区间分族遗传蚁群算法的移动机器人路径规划

针对移动机器人路径规划问题,提出一种基于正态概率区间分族的家族遗传蚁群融合算法.首先提出初始种群优化及删除算子解决传统遗传蚁群融合算法中遗传阶段随机生成的初始种群质量低的问题;然后引入适应度值正态概率区间种群分族机制及家族混合交叉算子,解决传统遗传蚁群融合算法中易出现未成熟收敛的问题;最后引入混合变异策略以提高随机变异后生成的路径质量.将全局路径规划算法与局部路径规划算法-动态窗口算法相结合形成完整移动机器人运动规划.基于Matlab仿真平台与机器人操作系统平台进行实验分析,结果验证了所提出正态化概率分族遗传蚁群融合算法求解移动机器人路径规划问题的有效性.     

基于梯度统计变异量子遗传算法的车辆路径规划

针对传统路径规划算法收敛速度慢、稳定性差、易陷入局部极值的问题, 提出一种基于梯度统计变异量子遗传算法的车辆路径规划方法. 首先在依据染色体适应度值动态调整旋转角步长的基础上, 引入梯度下降思想对量子旋转门调整策略进行改进; 根据染色体变化趋势的统计特性, 设计基于梯度统计的变异算子实现变异操作, 提出基于量子位概率密度的自适应变异策略; 以路径最短为指标建立车辆路径规划模型, 通过仿真实验验证改进算法在车辆路径规划中的有效性, 与其他优化算法相比, 本文改进算法所规划路径长度更短, 搜索稳定性更好, 能有效控制算法陷入局部最优.     

基于信息差异度蚁群算法的QoS路由算法

针对基本蚁群算法在求解QoS路由问题中存在的容易陷入局部最优和收敛速度慢的缺陷,提出一种基于信息差异度的蚁群算法对该问题进行求解。该算法在节点选择中嵌入路径信息素的差异度调节函数和迭代算子,动态调整节点选择策略;根据各路径上信息素的“集中”程度判断解的早熟、停滞情况,并引入路径变异和二次蚁群操作;根据最大-最小蚁群算法原理对信息素进行限制。仿真实验表明,算法全局搜索能力较强,能够跳出局部极值区间,快速收敛到全局最优解,算法是可行、有效的。     

大规模AGV的改进时间窗路径规划

在机器人路径规划中,A*算法搜索路径时存在大量冗余节点,随着任务量增加,其搜索效率也会急剧下降,因此无法适应大规模任务下的路径规划。为此提出一种改进时间窗的有界次优A*算法用于求解大规模自动导引车（automatic guided vehicle,AGV）路径规划问题。算法使用时间启发式,并在搜索过程中采用时空搜索,规划无冲突的最优或次优路径。算法主要进行了三处改进：采用时间启发式,缩短了路径时间;采用动态时间窗算法,避免多次路径规划;优化了聚焦搜索算子,降低负反馈。通过MATLAB实验结果证明改进后的算法在进行多机器人路径规划时,能快速有效地规划出无冲突的平滑次优路径,搜索效率高,稳定性强。     

自适应遗传算法在机器人路径规划的应用

针对现有遗传算法在求解机器人路径规划存在的收敛速度慢、易陷入局部最优等缺点,提出一种基于自适应遗传算法的机器人路径规划方法。该方法引入逆转算子,增加插入算子和删除算子,提出新的自适应策略对交叉和变异概率进行调整,更好地避免陷入局部最优,提高算法寻优效率。该算法在MATLAB和Inte3D平台中进行算例验证,实验结果表明改进的自适应遗传算法比现有遗传算法更为有效。     

基于变异和启发式选择的蚁群优化算法

为了解决传统蚁群算法求解TSP问题的求解时间较长、易于局部收敛的问题,提出了一种基于变异和启发式选择的蚁群优化算法。利用较优路径中城市相互之间的邻接特点,避免了大范围搜索求解,使得能具有较好的初始解,将算法的时间复杂度大大降低;同时为了加快算法的收敛速度,对于路径的启发式选择进行重新定义;引入变异机制,充分利用2-交换法简洁高效的特点,既提高了变异效率,也改进了变异质量。实验结果证明,在一些经典TSP问题上新算法表现出很好的性能。     

基于可视图与改进遗传算法的机器人平滑路径规划

针对传统遗传算法在路径规划中存在收敛速度慢、易早熟和路径质量差等缺点,提出一种基于可视图与改进遗传算法的路径规划算法。首先,利用可视图法压缩地图信息,减少搜索节点;然后,对路径个体采用浮点数编码,引入模拟二进制交叉(simulated binary crossover,SBX)算子和多项式变异算子,并采用精英保留策略和轮盘赌相结合的选择算子以防止优质个体丢失;之后,将贝塞尔(Bezier)算子引入遗传算法,改善路径的平滑性;最后,分段优化贝塞尔控制节点,防止优化路径与障碍物碰撞。在仿真地图中进行测试,实验结果表明,所提算法相比于其他算法可以规划出一条更平滑、更短的路径。将算法应用在康复助行机器人中进行测试,实验结果表明,所提算法能有效解决机器人的全局路径规划问题,提升全局路径规划的效率。     

多仓储机器人协同路径规划与作业避碰

针对多仓储移动机器人协同作业问题,提出了一种基于全局规划和局部调整的路径规划方法,以获得较短、无碰、避障的可行路径.在路径规划时根据当前节点到终点的距离和局部路径与起点至终点的欧氏路径的夹角设计新启发式函数,驱使机器人沿最短路行进;根据可选节点的数量提出避障规则,提高避障能力;依据路径长度对信息素进行比较更新,以精炼搜索空间、提高收敛性能,对蚁群算法加以改进寻找各自最优路径.在作业避碰时设计避碰规则有效解决仓储机器人间作业碰撞,找到最优或近优路径组合.实验结果表明了本方法的可行性、有效性.     

一种新的变异因子选择策略

在具有多层学习机制的免疫优化算法中,变异因子的选择概率对算法的有效性起着至关重要的作用。如果选择不够合理,将导致算法容易陷入局部最优,在一定程度上影响解的质量和收敛速度。针对多层学习机制的特点,讨论了各个因子之间的依赖性和相关性,提出了一种新的变异因子选择策略。选择4个基准函数作为测试函数进行了验证,结果表明,解的质量和收敛速度都有了明显的改善。     

Assessment of C++ object‐oriented mutation operators: A selective mutation approach

Mutation testing is an effective but costly testing technique. Several studies have observed that some mutants can be redundant and therefore removed without affecting its effectiveness. Similarly, some mutants may be more effective than others in guiding the tester on the creation of high‐quality test cases. On the basis of these findings, we present an assessment of C++ class mutation operators by classifying them into 2 rankings: the first ranking sorts the operators on the basis of their degree of redundancy and the second regarding the quality of the tests they help to design. Both rankings are used in a selective mutation study analysing the trade‐off between the reduction achieved and the effectiveness when using a subset of mutants. Experimental results consistently show that leveraging the operators at the top of the 2 rankings, which are different, lead to a significant reduction in the number of mutants with a minimum loss of effectiveness.     

Combining weak and strong mutation for a noninterpretive Java mutation system

Because of the computationally expensive cost of mutation testing, automated system support is indispensable for conducting mutation testing. Mutation systems can be classified into interpretive and noninterpretive, but recent systems are noninterpretive. Weak mutation is a well‐known cost reduction method of mutation testing, but it is not directly applicable to noninterpretive mutation systems. To address the problem and take advantage of the efficiency of weak mutation, this paper presents a combined weak and strong mutation for noninterpretive Java mutation systems. The new term ‘serialmutant’ is defined as a specialized program to conduct weak mutation against all mutants in an execution and report only weakly killed mutants as strong mutation candidates. Then strong mutation is conducted only for those reported mutants. The paper also describes an implementation based on a previous Java mutation tool, MuJava. Method‐level mutation operators for Java are also redesigned. Experimental results show that the proposed approach efficiently improves the mutation cost in a noninterpretive mutation system. Copyright © 2012 John Wiley & Sons, Ltd.     

基于柯西-高斯动态消减变异的果蝇优化算法研究

针对果蝇优化算法易陷入局部极值收敛速度减慢的不足,结合柯西变异和高斯变异的各自优点,提出了变异效能系数和柯西-高斯动态消减变异因子等概念,进而提出了一种柯西-高斯动态消减变异方法,将该方法应用于改进果蝇优化算法,提出了一种基于柯西-高斯动态消减变异的果蝇优化算法。该算法兼顾了全局探索和局部开发两个特性,丰富了种群的多样性,有效地消除了易陷入局部极值的弊端,提高了算法的收敛速度。仿真实验采用经典函数用例和实际工程用例进行验证,结果表明该算法的求解速度和精度更高,稳定性更好。     

基于变异策略的改进型花朵授粉算法*

介绍了一种新的元启发式群智能算法——花朵授粉算法(flower pollinate algorithm ,FPA)和一种新型的差分进化变异策略——定向变异(targeted mutation,TM)策略。针对FPA存在的收敛速度慢、寻优精度低、易陷入局部最优等问题,提出了一种基于变异策略的改进型花朵授粉算法——MFPA算法,该算法通过改进TM策略,并应用到FPA的局部搜索过程中,以增强算法的局部开发能力;同时在FPA的全局搜索过程中引入均匀变异算子,以增强算法的全局寻优能力。最后通过4个标准的测试函数进行测试,测试结果表明,MFPA算法的寻优能力明显优于原始的花朵授粉算法、粒子群算法以及蝙蝠算法。     

一种双变异率的改进遗传算法及其仿真研究

针对标准遗传算法收敛速度慢,寻优能力差,易陷入局部最优等问题,提出了一种双变异率的改进遗传算法。在进化过程中,引入广义海明距离这个概念,当由广义海明距离控制的交叉操作产生个体数不足种群规模时,对原种群进行局部小变异,这样在避免近亲繁殖的同时又可扩大搜索空间,增加种群多样性,有效地抑制了早熟收敛;随后进行的全局大变异保证整个过程全局收敛。仿真实验用典型的测试函数验证了此算法能显著提高解的质量和收敛速度。     

改进的速度变异粒子群算法

论文提出了一种新的PSO算法——改进的速度变异粒子群算法(iPSOVMO)。其变异策略是:在每次迭代循环中,对具有m个粒子的粒子群的每一维d上的速度的绝对值｜v1,d｜,｜v2,d｜,…,｜vm,d｜最小的速度vTd,d以一定的概率进行变异:使vTd,d随机而均匀地分布于[-vmax,vmax]上。对四个多峰的测试函数所做的对比实验表明,无论是全局版还是局部版,iPSOVMO都大大优于原始的PSO和传统变异PSO,也优于速度变异PSO(PSOVMO)。     

Fault detection effectiveness of mutation and data flow testing

We report results from an experiment to compare the fault detection effectiveness of mutation, its variants and the all-uses data flow criteria. Adequate test sets were generated randomly, as opposed to by human testers as in some previous studies. We view our results in the light of those from earlier studies comparing mutation with path-oriented testing strategies. We identify and discuss factors that one might consider while evaluating an adequacy criterion for use in practice. Results from our experiments strengthen a hypothesis that an adequacy criterion based on one of the two variants of mutation has superior fault detection effectiveness than that of the all-uses criterion.     

多车场多车型车辆调度问题的改进粒子群算法

多车场多车型车辆调度问题优化是物流配送中的典型NP难解问题,针对传统的粒子群算法存在收敛速度慢,易早熟收敛等问题,提出了一种改进的粒子群优化算法。该算法对种群中的粒子采用一定的概率进行柯西变异,使算法跳出局部最优解。将算法应用于多车场多车型车辆调度问题优化,算例证明该算法求解多车场多车型车辆调度问题是可行的,并且优于标准粒子群优化算法。     

一种改进的求解约束函数优化问题的演化算法

带约束的函数优化是函数优化中最多,也是较难的问题.针对这个问题提出一种改进的算法,它是基于遗传算法的非参惩罚函数的函数优化.通过改进广义的目标函数,对不可行解恰当地进行惩罚,并引进柯西组合、柯西变异以及高斯变异,极大地提高了算法的全局搜索和局部搜索能力,克服传统遗传算法"爬山能力差"的弱点.