基于遗传算法移动机器人的路径规划研究

路径规划是移动机器人研究中的一个重要内容,它在移动机器人导航中起着不可缺少而又重要的作用。提出一种采用遗传算法对移动机器人进行路径规划的方法,使用栅格法建立移动机器人的工作环境模型,采用路径中的序号进行编码,通过选择适当的遗传算子,最后得到移动机器人工作环境的最优或次最优无碰路径。     

基于改进遗传算法的矿井突水避险路径规划

为了降低煤矿生产中发生突水事故的人员和财产损失,在对矿井巷道结构和煤矿突水特性研究分析的基础上,提出了基于改进遗传算法的煤矿突水避险路径规划方法。以遗传算法为基础,通过对遗传算子进行重新设计,引入新的交叉、变异算子,并在适应度函数中加入安全通过概率作为路径优劣的评定标准,在尽量避免出现早熟现象的前提下,提升算法的收敛速度和可靠性,使算法更适合应用于矿井突水应急逃生和救援路径搜索。实验结果表明,将本算法应用于矿井突水避险路径规划,与传统算法相比,在搜索速度和规避淹没巷道的能力上都有明显提升。     

基于改进蚁群算法移动机器人的路径规划

针对基本蚁群算法存在收敛速度慢,计算周期长,易死锁等问题,提出了蚂蚁回退、蚂蚁相遇、带交叉点的路径交叉的改进算法。通过随机数引入和状态转移概率的应用,平衡了各路径信息素,从而有效地避免陷入局部最优,使得算法在收敛速度和执行效率上得到有效提高。     

基于改进遗传算法的矿山救援机器人路径规划

针对矿山救援机器人路径规划要求,采用拓扑图法对矿山环境建模,提出一种改进遗传算法,该算法在保留遗传算法高效的全局搜索能力的同时,兼具模拟退火算法良好的局部搜索能力。利用深度优先搜索优化初始种群,提高搜索效率;引入编辑距离对交叉、变异的父代进行近亲筛选,避免近亲繁殖产生的子代与父代表现相似;引入进化逆转操作,使用退火算子对种群进行更新,在不流失最优基因的基础上进一步提高算法跳出局部最优的能力。利用MATLAB进行仿真,验证算法能够高效寻得最优救援路径。     

GIS空间分析中两种改进的路径规划算法

通过对经典Dijkstra算法和启发式搜索的分枝算法各自的不足之处进行分析,并分别对它们进行了改进。利用VC编程进行实验,实验表明：改进的Dijkstra算法可以减少大量的无关节点的计算,使其时间复杂性得到降低,同时运算空间开销也减少;改进的分枝算法则可以提高搜索到最优路径的成功率。     

煤矿井下基于改进A*算法的移动机器人路径规划

移动机器人的路径规划一直是移动机器人研究领域的难点问题。针对煤矿井下环境的不确定性,移动机器人路径规划效果不理想,采用启发式搜索算法中的A*算法实现井下移动机器人的局部路径规划,并对A*算法中的估价函数进行加权修正,保证了估价函数的可靠性,提高了路径规划效率。仿真实验说明该方法的有效性和可行性。     

煤矿井下基于改进A*算法和移动机器人路径规划

移动机器人的路径规划一直是移动机器人研究领域的难点问题.针对煤矿井下环境的不确定性,移动机器人路径规划效果不理想,采用启发式搜索算法中的A*算法实现井下移动机器人的局部路径规划, 并对A*算法中的估价函数进行加权修正,保证了估价函数的可靠性,提高了路径规划效率.仿真实验说明该方法的有效性和可行性.     

基于改进势场栅格法的移动机器人路径规划

路径规划是移动机器人的核心问题之一。以势场栅格法为前提,在首次得到安全路径的基础上,去掉无效栅格,将剩余栅格长度等比递减,再次以同样方法规划路径。通过对移动机器人在不同环境下的改进前后的2次路径规划结果进行比较知,采用改进后的势场栅格法所得到的路径,距离更短且安全有效。     

煤矿井下移动机器人路径规划的算法优化

机器人研究领域中一大难题就是机器人路径规划问题,特别是对于条件极为恶劣、工况十分复杂的煤矿井下作业环境而言,获取满意的规划结果的难度更大。文章首先对Q-learning算法进行简单介绍,之后阐述了依托于Q-learning算法的路径规划,并进行了仿真分析。     

基于改进A∗ 算法的地下自动驾驶铲运机路径规划

为解决自动驾驶铲运机路径规划的安全和效率问题,提出一种基于改进A? 算法的地下自动驾驶铲运机路径规划方法。该方法通过将A? 节点扩展限制在巷道骨架范围内,使得规划路径分布于巷道中央区域,并采用矿山的真实地图数据进行了对比试验和路径跟踪应用。结果表明,使用曼哈顿距离作为算法的启发函数表现最优,且相较于传统A? 算法,改进A?算法的规划路径更接近巷道中央、平均耗时减少约76.0％,在安全性和规划速度方面具有优越性.现场应用中,自动驾驶铲运机的平均跟踪偏差为0.26 m,能够根据规划路径安全抵达终点.研究结果可为地下矿无人驾驶系统的建设提供参考。     

基于遗传算法的井下车辆路径规划设计

针对矿井巷道狭窄、路况复杂、会车困难的实际情况,设计了基于遗传算法的井下车辆路径规划。该规划以最短路径和最少会车次数为优化目标,以车辆载货量为约束条件,采用遗传算法分别规划井下车辆各自的运输路线。仿真结果表明,通过遗传算法对井下车辆运输路径进行规划后,不但能使各车按较短的路径进行有序运输,而且极大程度上减少了各车的会车次数,能降低发生交通事故的风险,提高井下车辆的运输效率。     

基于蚁群算法的移动机器人运动规划研究

针对当前机器人运动规划研究中存在的问题,提出了一种以蚁群算法为基础的机器人运动规划,该算法能够在比较复杂的环境中规划出更优化的路径,并且提高了规划的效率。通过仿真实验验证了算法的有效性。     

智能选矿摇床巡检机器人的路径规划

选矿摇床是一种重要的重力选矿设备,已有百年的发展历史,它是钨、锡等矿选矿的关键设备,在工业中获广泛应用。但是,目前摇床的生产操作基本还是依赖人工来完成,摇床的自动化和智能化是目前急需解决的问题。针对选矿摇床生产的智能化问题,基于团队开发的摇床智能巡检机器人,采用改进的遗传算法对摇床生产巡检机器人的全局路径进行规划,并用带栅格地图的A*算法解决了巡检机器人的局部路径规划问题。     

基于跳跃基因遗传算法的模糊系统设计优化方法

采用一种新的跳跃基因遗传算法对获取的初始模糊系统参数进行优化。在此基础上,综合考虑隶属度函数的距离相似性和形状相似性,依据隶属度函数相似性对模糊变量的隶属度函数集进行简化。     

基于Q-learning算法的煤矿井下移动机器人路径规划

如何针对煤矿井下环境的不确定性规划机器人的路径是其中的一个难点。文章提出了一种基于Q-learning算法的移动机器人路径规划,希望对提高机器人救援的避障能力的提升,起到一定的促进作用。     

基于BP神经网络的移动机器人路径规划

对BP神经网络算法进行了改进,克服了直接使用神经网络算法进行路径规划的不足之处。仿真表明,设计了附加动量项的BP神经网络,能有效地提高算法的收敛速度。最后在MAT-LAB中给出了在有静止和运动障碍物的动态环境中路径规划仿真结果,结果表明此方法是可行的。