基于改进遗传算法的机器人路径规划与仿真

针对标准遗传算法解决机器人处于障碍环境下寻找最优路径局部寻优精度较差、规划效率低的问题,提出一种改进遗传算法的机器人路径规划方法。该算法采用一维编码表示路径,构造了路径最优化的目标函数和适应度函数,利用多个种群拓宽搜索空间,提高了规划效率,采用保优选择策略,避免陷入局部最优。仿真结果表明,改进遗传算法比标准遗传算法路径规划质量高,能够获得平滑的低代价路径,稳定性好,是机器人路径规划的一种较好的方法,且具有一定的推广意义。     

水下机器人最优逃生线路规划研究与仿真

在水下机器人的逃生路线规划设计中,由于深海条件十分复杂,水下机器人在遇到各种险情逃生路线规划存在避障难题。传统的水下机器人逃生路线规划算法因受到海水连续波动问题,导致水下机器人速度和位置出现较大的扰动,摆脱路径规划结果存在较大偏差。为保障水下机器人作业安全,提出一种基于神经优化网络及遗传算法的水下机器人视觉最优逃生的线路规划,把机器人视觉仪器采集复杂障碍特征,归一化到视觉信息,融入规划模型中进行最佳路径的选择,将机器人摆脱复杂障碍以及最短路径的要求融合成一个适应度函数,通过遗传算法搜索获取最佳机器人逃生线路。仿真结果说明,神经网络优化遗传算法对于危险复杂海下情况,水下机器人最优逃生线路规划长度以及效率都优于传统模型。     

改进遗传算法与领航跟随法的机器人编队方法

针对传统遗传算法在求解机器人路径规划问题时存在的收敛速度慢、路径不平滑问题,对其进行了改进,在适应度函数中加入了路径平滑度因素,选择操作时平滑度较好的路径更容易被选中。在种群选择时将最优个体直接复制到下一代,有效地保留了父代优良基因。在领航机器人规划路径阶段,使用改进的遗传算法为领航机器人规划出一条安全无碰撞且平滑度较好的最优路径。在跟随机器人跟随阶段,使用领航跟随法控制每一个跟随机器人使其与领航者保持特定的距离与角度,从而形成设定的队形。最后通过MATLAB软件建立栅格地图进行仿真,验证了该算法的可行性,与传统遗传算法相比,改进遗传算法收敛速度更快,且路径更加平滑。     

水下机器人最优逃生线路规划研究与仿真

水下机器人最优逃生路线规划方法在海洋资源探测方面发挥巨大作用;水下环境较为复杂,机器人在逃生过程中规划逃生路线需要考虑复杂的水下环境,建立过多的约束条件;传统的机器人路径规划模型应用到水下时,会导致建模较慢,规划耗时;为了避免上述缺陷,提出基于贪婪遗传算法的水下机器人最优逃生线路规划方法;将自适应遗传算法与贪婪算法相结合,针对水下机器人最优逃生路线规划问题求解,获取最合理的逃生线路,保证水下机器人的安全运行;实验结果表明,利用改进算法进行水下机器人最优逃生路线规划,能够在大量的逃生路线中选取满足逃生约束条件的最优路线,缩短逃生时间,保证逃生效率,最终保证水下机器人的安全逃生。     

蚁群算法在机器人路径规划中的应用研究

针对传统机器人路径规划方法无法保证寻找全局最优路径的问题,本文提出了一种基于蚁群算法求解机器人路径规划的方法.在此基础上构建了移动机器人路径规划模型,并通过Visual C 6.0进行仿真.结果表明该算法能够在动态和静态环境中迅速找到机器人的最优路径,与基于遗传算法的路径规划方法相比具有较大的优势.     

多机器人协作搬运路径规划研究

针对多机器人协作系统,提出了一种新的混合定点转动和遗传算法的方法,解决其协作路径规划问题。该方法利用遗传算法并行计算、不易陷入局部最优的优点,具备概率上寻找全局最优解的能力,同时结合了定点转动法易实现、有效减少单机器人路径浪费的优点。仿真实验结果表明,该规划方法运算速度较快,在得到有效规划路径的同时,也易于实现对单机器人的控制。     

移动机器人路径规划的仿真研究

研究移动机器人路径优化问题,由于移动机器人寻优中存在定位稳定性和避障准确性问题,机器人路径规划不仅找到一条无碰撞、安全的移动机器人路径,而且要求路径尽可能最短。传统单一栅格法和遗传算法搜索最优路径效率低,难以全局最优路径。为了获得机器人全局最优路径,提出一种栅格法和混沌遗传算法相融合的移动机器人路径规划方法。首先采用栅格法对移动路径进行规划,作为遗传算法的初始种群,采用遗传算法进一步寻找最优路径。最后对移动机器人路径规划进行仿真,结果表明,混合算法可以很好地避免障碍物,快速找到一条机器人最优移动路径,十分适合于复杂环境路径规划。     

多点焊接机器人最优运动规划策略与算法研究

利用遗传算法寻找多点焊接机器人的最优运动规划的方法。第一步应用遗传算法对多点焊接工业机器人进行全局路径最优规划,确定机器人操作手终端遍历所有目标点的最短路径;然后在相邻目标点之间应用遗传算法进行关节空间的轨迹规划,寻找时间最短的最优轨迹。实验结果表明缩短了运行时间,提高了机器人的工作效率,可见方法的可行性和先进性。     

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。     

基于混沌遗传算法的机器人路径规划方法研究

针对机器人路径规划中,应用遗传算法时容易陷入局部最优解以及收敛速度较慢等问题,设计出一种基于混沌遗传算法的路径规划方法。在基本遗传算法的基础上采用自适应调整的选择概率,并引入混沌操作,从而增强移动机器人路径规划算法的鲁棒性,解决一般遗传算法的早熟和收敛速度慢问题。经MATLAB仿真,证明该方法具有良好的避障性能。     

基于轨迹安全性评价的免疫遗传路径规划算法

针对移动机器人栅格路径规划中安全轨迹规划、局部极小点问题,提出了一种基于轨迹安全性评价的免疫遗传路径规划算法.通过将人工势场(APF)模型与轨迹安全性评价相结合,提出利用斥力场强度评估轨迹安全性,建立基于轨迹安全性、行驶代价评估的适应度函数,利用免疫遗传算法对APF模型中的势力场参数进行自适应优化估计.通过将参数变化控制在一个合理的区间,有效避免局部极小情况的发生,同时提高了路径的安全性.算法的有效性通过仿真实验得到了验证.     

一种基于改进冲突搜索的多机器人路径规划算法

针对智能仓储环境下多载位自主移动机器人集群拣选-配送路径规划问题,提出一种改进型基于冲突搜索的多智能体路径规划算法.在模型方面,采用多载位机器人替代KIVA机器人,建立以最小化拣选-配送时间以及无效路径比为目标的数学规划模型.在算法方面,首先,提出一种基于优先级规则的多智能体冲突消解加速策略;然后,设计基于动态规划的单机器人拣选序列优化算法;最后,设计考虑转向惩罚的增强A*算法搜索机器人最优路径.实验结果表明:所提出模型与KIVA系统相比有较大优越性;所提出算法能够有效缩短拣选-配送时间、减少无效路径时间.     

改进遗传算法在移动机器人路径规划中的应用

提出了一种应用于机器人路径规划的改进自适应遗传算法。在遗传算法的选择操作中引入模拟退火思想，以此来提高算法的全局搜索能力；对交叉、变异算子自调整策略进行改进，以提高算法的收敛速度；将规划出的路径做平滑优化处理，并根据路径与障碍物间的距离进行不同速度段的划分；在适应度函数中加入安全行驶速度和转弯次数等多个规划指标，使规划出的路径更加安全高效。仿真实验表明，改进后的算法实现效率好、安全可靠性高，规划出的路径也更加符合实际情况。     

基于改进遗传算法的AGV路径规划

为解决基本遗传算法在规划AGV运行路径时存在早熟收敛的问题,对基本遗传算法进行改进优化。用模拟退火法进行种群选择,提高种群的差异性;改进交叉、变异算子自整定策略和精英策略,提高算法的收敛速度;在适应度函数中加入路径曲折度、路径繁忙度和车辆负重度等多个规划指标,使规划出的路径更符合实际。将优化后的算法与基本遗传算法进行比较,仿真结果表明,改进后算法在AGV路径规划中具有高效性。     

基于改进的A*算法与动态窗口法的移动机器人路径规划

提出了一种改进的A^*算法与动态窗口法相结合的混合算法,以解决移动机器人在多目标复杂环境中的路径规划问题．首要,为了提升算法的运行效率,实现单次规划的路径可通过多个目标点,同时提升路径平滑处理的灵活性并满足移动机器人非完整约束条件,本文利用目标成本函数对所有目标进行优先级判定,进而利用改进的A^*算法规划一条经过多个目标点的最优路径,同时采用自适应圆弧优化算法与加权障碍物步长调节算法,有效地将路径长度缩短5%,转折角总度数降低26.62%．其次,为实现移动机器人在动态复杂环境中局部避障并追击动态目标点．提出将改进动态窗口算法与全局路径规划信息相结合的在线路径规划法,采用预瞄偏差角追踪法成功捕捉移动目标点,并提升了路径规划效率．最后,对所提方法进行仿真实验,结果表明该方法能够在复杂动态环境中更有效地实现路径规划．     

基于改进蚁群与动态窗口法的AGV动态路径规划

针对全局静态路径规划算法无法有效躲避动态障碍物、局部动态路径规划算法缺少全局环境信息指导规划路径质量差或无法成功到达目标点等问题,提出了一种结合改进蚁群算法和动态窗口法的全局动态路径规划算法,实现在动态环境中的全局最优路径实时规划.对传统蚁群算法提出了初始信息素不均匀、双向分布、引入放大系数A增大相邻栅格启发信息差异、...     

基于量子遗传算法的移动机器人的一种路径规划方法

以人工势场法和栅格法为基础,考虑到遗传算法的“收敛速度慢”和“早熟收敛”问题,提出了一种基于量子遗传算法的机器人路径规划方法。该方法采用栅格法进行路径规划,利用人工势场法控制移动机器人,利用量子遗传算法选择最优或次优个体,并且引入双适应度评价函数评价进化个体,为最优或次优个体进入下一代提供了保障。仿真实验表明,该方法的寻优能力及稳定性均优于遗传算法和量子遗传算法,且具有更好的收敛性以及更强的连续空间搜索能力,适于求解复杂优化问题。     

基于改进模拟退火算法的搬运机器人路径规划

针对传统搬运机器人路径规划方法易陷入局部最优解,以及缺乏对环境普遍适应性的问题。应用栅格法创建搬运机器人工作环境模型,以一种建立搜索禁忌表的改进贪心算法为基础,通过加入遗传算法中“优胜劣汰”的思想,重新定义了模拟退火系数和栅格系数,提出了一种可以解决贪心算法局部收敛问题的改进模拟退火算法。最后通过仿真和具体实物实验,验证了该算法具有的可行性以及对于不同环境的适应性,能够有效地提高搬运机器人路径规划的质量。