基于遗传算法的机器鱼水中路径规划

针对机器鱼水中路径寻优的具体要求,提出一种以遗传算法为基础的机器鱼路径规划方法。通过介绍遗传算法的3种基本操作,将遗传算法应用到试验场景中规划出最优路径,分析研究了一种根据目标点与机器鱼的距离变化而改变机器鱼运动速度的策略,并进行仿真分析和实验。仿真结果表明：采用遗传算法的水中救援路径规划可将救援时间缩短30%以上,提高了寻优效率。说明遗传算法对机器鱼的路径规划具有积极效果和快速寻优特性。     

一种基于中垂线路径规划的仿真机器鱼射门算法

为提高仿真机器鱼在进攻过程中的射门效率和准确度,减少水波和敌方对仿真鱼的干扰[1],设计一种基于仿真鱼的刚体中心点和仿真水球中心点连线的中垂线的射门路径最优路径规划算法[2]。介绍中垂线路径规划最优射门算法,分析算法用于射门存在的问题,给出射门算法改进的基本思路,提出算法的实现方法,并以实例进行仿真及效果评价。该算法已成功应用于机器鱼水球比赛1vs1、3vs3、水球斯诺克等中。实际应用结果表明:该算法实现简洁巧妙,进攻效率高而且抗干扰强,能使机器鱼在最短的时间内寻找一条合适路径然后顶球射门[3]。     

基于遗传蚁群动态融合的地面自主作战 机器人路径规划

在机器人路径规划与避障算法中,遗传算法具有快速全局搜索能力,但是没有利用系统中反馈的信息。蚁群算法具有很好的信息反馈性,但是由于初期信息素匮乏导致求解速度较慢,易陷入局部最优。提出了一种动态融合的方法,在算法初期通过遗传算法生成蚁群算法的初始信息素分布,后期采取蚁群算法动态融合遗传算子的方法。通过路径规划仿真及实验分析,该动态融合算法不仅提高了收敛速度,而且改善了蚁群算法易陷入局部最优的问题;同时引入了动态避障策略,从而达到了更好的路径规划效果。     

限定搜索区域的分层遗传算法无人机路径规划

为克服简单遗传算法易陷入局部最优解的缺点,减小路径搜索范围,提出了限定搜索区域的分层遗传算法无人机路径规划方法,该方法将分层遗传算法引入无人机路径规划的优化搜索问题中,将路径节点的二维坐标作为基因进行编码,根据威胁的分布情况缩小路径规划算法的搜索范围,使子种群可以获得包含不同优良模式的新个体,为子种群提供更加平等的竞争生存机会,使优化搜索有较为明确的搜索方向。仿真结果表明:与基于分层遗传算法的路径规划方法相比,该方法提高了路径寻优算法的性能,减少了绕行路径的出现几率,缩短了最优路径的长度。     

基于合作博弈的多机器鱼路径规划

为更好地实现机器鱼之间的协作,避免只规划单个机器鱼的最优路径而使系统运动有失协调性,提出基于合作博弈的多机器鱼路径规划方法。利用博弈论中的合作博弈建立数学模型,将系统中的多机器鱼对应于博弈的参与者,对多机器鱼路径构造合作模型下的博弈方得益函数,求得系统的帕累托(Pareto)最优解,从而得到整个系统的最优路径。在水中机器人2D仿真平台上进行实验分析并用Matlab模拟机器鱼轨迹。分析结果表明,该路径规划理论应用在多机器鱼运动系统中是有效、可行的。     

基于遗传算法的机器鱼路径规划

针对在线跟踪机器鱼运动等难题,提出基于对基于遗传算法的机器鱼路径规划方法。采用栅格法对机器鱼工作空间进行划分,然后通过复制、交叉、变异等遗传操作得到机器鱼在由栅格表示环境下的最短无碰路径。根据分段控制和模糊控制的思想分别设计出机器鱼前进的速度控制算法和方向控制算法,使机器鱼的实际推进路线尽量与通过遗传算法得到的理想最优路径一致。再通过计算机向机器鱼发出相应的控制指令。实验结果表明,该方法的是有效的。     

基于遗传算法的军用飞行器航迹规划

为规划出飞行器在低空突防时的最优路径，本文主要采用遗传算法进行航迹规划。文中分析了遗传算法在求解路径规划问题时相对于其它算法的优点，并针对低空突防的特点和飞行器的机动能力，设计了有效的路径遗传算子，改进了简单遗传算法。其结果表明：该方法加快了遗传算法的收敛速度，避免了收敛到局部最优解，并能合理地利用规划区域内的地形与飞行器的机动能力，达到躲避敌方火力单元、有效打击目标的目的。     

基于遗传算法的军用飞行器航迹规划

为规划出飞行器在低空突防时的最优路径,本文主要采用遗传算法进行航迹规划.文中分析了遗传算法在求解路径规划问题时相对于其它算法的优点,并针对低空突防的特点和飞行器的机动能力,设计了有效的路径遗传算子,改进了简单遗传算法.其结果表明该方法加快了遗传算法的收敛速度,避免了收敛到局部最优解,并能合理地利用规划区域内的地形与飞行器的机动能力,达到躲避敌方火力单元、有效打击目标的目的.     

一种基于有限状态自动机的多鱼协作顶球算法

针对水中机器人比赛中多机器鱼协作顶球时出现的互相干扰的问题,提出一种基于有限状态自动机的多鱼协作顶球算法。从机器鱼运动特点以及水环境的特点出发,以单鱼顶球算法为基础,以有限状态自动机的思路建模,对每条机器鱼的动作决策进行规划,从而能够高效地完成每条机器鱼的路径规划并避免互相干扰,以达到高效顶球的效果。实验结果证明:该有限状态机能够触发每条鱼的状态动作的转换,最大可能地实现互不干扰地交互顶球,大大提高了在多鱼顶球时的效率。     

一种基于遗传算法-模式搜索法的无人机路径规划

为改善遗传算法局部寻优精度较差的固有缺陷,提出一种基于遗传算法-模式搜索法的无人机路径规划算法.采用简单的一维编码表示路径,构造了路径最优化的目标函数和适应度函数.先用遗传算法全局搜索,得到全局近似最优路径,在此基础上使用局部寻优精度好的模式搜索法,得到精度更好的路径.仿真结果表明所提的遗传算法-模式搜索法改善了单一遗传算法局部寻优精度较差的缺陷,提高了路径规划的精度.     

基于局部路径重连的多星测控调度遗传交叉算子

为提高多星测控调度问题简单遗传算法的搜索精度,设计一种基于局部分层路径搜索的交叉算子(local layering path-relinking crossover operator,LLPRCO)。分析多星测控调度问题的遗传算法编码特点,得出解空间的复杂性和基因间较弱的相关性。借鉴路径重连的思想,利用构成初始解和引导解要素的差异性,构建从初始解出发的分层搜索邻域,将邻域中满足模型约束的解作为交叉的结果,并创建2个仿真场景进行验证。仿真结果表明,该交叉算子与具备一定随机特性的交叉算子混合使用能明显提高遗传算法对问题的求解性能。     

海军装备保障物资战时运输路径优化方法

为优化装备保障物资运输路径,提出一种结合弗洛伊德算法与蚁群算法相结合的新方法.通过模拟目前我国海军装备物资储备仓库与海军部队的位置,结合在战时出现的状况,从装备调度指挥员的角度出发,根据运输道路的路况采用等效距离代替实际距离的方法,采用弗洛伊德算法与蚁群算法对等效距离进行优化.实例检验结果表明:该方法能大大简化运算,最大程度上减少蚁群算法容易陷入局部最优的危害,解决了运输道路遭到敌人破坏情况下路径的优化问题.     

基于改进A*算法的路径规划在海战兵棋推演中的应用

为满足海战兵棋推演中多目标路径规划的需求,解决传统A^*算法无法在兵棋推演中直接运用的问题,提出一种可供类似兵棋推演环境参考、基于改进A^*算法的路径规划方法。建立一种映 射机制,实现了A^*算法在兵棋推演环境中的初步运用。构建一种既能满足多目标需求又能保证生成最优路径的估价函数。为验证算法有效性,在实际推演平台上进行了相关实验。结果表明,改进A^*算法可较好地统筹多个决策目标之间的关系,有效提升路径方案的质量,解决使用A^*算法在海战兵棋推演中进行最优路径规划的实际问题。     

一种快速、稳健的图像分割方法

文中的目的在于寻求一种高效、快速的图像分割方法。在分析MeanShift算法的基础上提出差值模型和优选模型．并将这两种模型运用于MeanShift算法的图像分割。差值模型增加了MeanShift算法的步长．优选模型提高了图像分割的准确性。试验结果表明．两种模型的应用使MeanShift算法在图像分割方面的效能得到明显的提高。     

基于稀疏A*算法的AUV全局路径规划

路径规划是自主式水下航行器(AUV)研究领域的重要课题之一。传统的AUV路径规划算法,如人工势场法、图搜索法等,容易出现陷入局部最优解、计算速度慢等问题,为克服上述缺陷,本文基于稀疏A*算法,提出了一种新的用于构造搜索空间的随机布点方法,在路径规划区域内,利用随机函数均匀地布撒足够多的搜索节点,从而构成搜索空间,可显著降低计算量,提高搜索效率;并进一步对所得路径进行通视性检查,有效地减少路径点个数和折点数,获得更优路径。仿真试验结果验证了该算法的正确性和有效性,表明该算法具有全局优化能力强、计算速度快的优点,具有一定的工程应用价值。     

深海着陆车路径规划及跟踪控制方法

为降低深海着陆车(DSLV)在复杂海底自主作业时规划路径长度及提高路径跟踪精度,提出一种变参数蚁群算法及自适应权重模型预测控制算法。改进了蚁群算法的启发算子和信息素挥发因子,减少规划路径长度和寻优迭代次数;基于DSLV运动学方程建立预测模型,并在跟踪目标函数中引入自适应权重调节思想。仿真结果表明：规划路径长度降低4.60%,跟踪精度提高47.6%;相比传统方法,新算法具有更好的性能,实现了短距离、高精度的路径规划及跟踪。     

基于改进的复合自适应遗传算法的UUV水下回收路径规划

传统遗传算法的变异操作会简单随机产生新的路径,对算法进化性能有不利影响,使算法易陷入局部最优的陷阱;遗传算法常配合栅格法进行路径规划,所得的最优路径并非无人水下航行器（UUV)回收路径规划可获得的最短路径,并存在UUV机动性能可能与最优路径冲突的问题。为此,设计一种具有UUV机动性约束条件的改进遗传算法,提出环境复杂度的概念用于分析机动性约束的具体取值,使路径规划适配于UUV的机动性,使算法结果更具实用性;提出复合自适应变异策略,控制变异的个体在迭代过程中发生自适应的进化;当一定迭代数内种群进化停滞时,引导最优个体进行双阶段自适应变异,从而使最优路径趋近全局近似最优解,有效提高算法的收敛速度。基于MATLAB软件的算法对比仿真结果表明一般复杂水域和复杂水域环境下,改进的复合自适应遗传算法生成的最优路径相比于遗传算法和自适应遗传算法的最优路径更加平滑,路径长度更低,可见改进的复合自适应遗传算法在路径规划上收敛性能和寻优能力更优,更具有可行性和优越性。