CN107368077A - 一种基于遗传‑蚁群算法的机器人路径规划方法 - Google Patents
一种基于遗传‑蚁群算法的机器人路径规划方法 Download PDFInfo
- Publication number
- CN107368077A CN107368077A CN201710698730.7A CN201710698730A CN107368077A CN 107368077 A CN107368077 A CN 107368077A CN 201710698730 A CN201710698730 A CN 201710698730A CN 107368077 A CN107368077 A CN 107368077A
- Authority
- CN
- China
- Prior art keywords
- mrow
- grid
- ant
- msub
- path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000003016 pheromone Substances 0.000 claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 241000257303 Hymenoptera Species 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims 1
- 230000010365 information processing Effects 0.000 abstract description 3
- 239000013589 supplement Substances 0.000 abstract description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Physiology (AREA)
- Radar, Positioning & Navigation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种基于遗传‑蚁群算法的机器人路径规划方法,在栅格障碍环境下,先采用遗传算法生成一系列无障碍栅格序列,这些栅格序列根据一定的规则设定环境中的初始信息素,继而启动蚁群算法,在正确的信息素的指导下,蚁群能够快速准确地搜索出最优解;本发明结合遗传算法在信息处理前期的快速有效性和蚁群算法在具有正确信息素指导情况下求解的快速性和精确性,从而达到时间效率上优于蚁群算法,在求精确解效率上优于遗传算法,实现两种算法的优势互补。
Description
技术领域
本发明涉及机器人智能算法技术领域,具体涉及一种基于遗传-蚁群算法的机器人路径规划方法。
背景技术
现有的遗传算法在种群进化前期具有快速随机的全局搜索能力,但由于不能充分利用系统中的反馈信息,导致在求解后期做大量无谓的冗余迭代,进化速度急剧下降。
蚂蚁算法是通过信息素的累积和更新收敛于最优路径上,具有分布式全局搜索能力,但由于求解初期信息素匮乏,求解速度慢,而一旦信息素积累到一定程度,就能够快速收敛到最优解。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种基于遗传-蚁群算法的机器人路径规划方法,结合遗传算法在信息处理前期的快速有效性和蚁群算法在具有正确信息素指导情况下求解的快速性和精确性,从而达到时间效率上优于蚁群算法,在求精确解效率上优于遗传算法,实现两种算法的优势互补。
为了达到上述目的,本发明采取的技术方案是:
一种基于遗传-蚁群算法的机器人路径规划方法,包括以下步骤:
步骤1:首先采用栅格法对机器人的工作环境进行建模,机器人移动的基本步长等于机器人外接圆直径,值为c,为保证机器人能够在环境模型中无碰撞地运动,取c作为栅格单元的边长,设工作环境是长为X、宽为Y的方形区域,从左上角开始将工作区域划分为m行n列个边长为c的栅格;如果某一栅格中存在障碍物,则定义此栅格为障碍栅格,反之为自由栅格,采用序号表示法对栅格进行编码,用0和1分别表示障碍栅格和自由栅格,按照从左到右,从下到上的顺序对栅格依次进行编码;
步骤2:随机生成初始种群,随机、自由地选取一系列自由栅格序号连接起点和终点;
步骤3:计算群体中各个个体的适应度,适应度函数取为
其中,F为适应度函数,n为机器人走过的删格数,D为机器人所走路径长度;
步骤4:采用随机联赛选择方法进行选择操作,即从群体中随机选择2个个体进行适应度大小的比较,将适应度最高的个体遗传到下一代群体中,重复上述过程重复M次,就得到下一代群体的M个个体;
步骤5:随机选择两个个体,根据交叉概率判断是否进行交叉,如果满足交叉条件,分别在两个个体中随机产生一个交叉位,进行交叉操作;
步骤6:根据变异概率进行变异操作,从个体中以一定的概率选择一个起点和终点以外的路经点作为变异点,另一个随机产生的序号代替它;
步骤7:判断路径中是否有重合的路径点,即序号相同的栅格,如果有则执行删除操作,直到无重合路径点;
步骤8:判断是否满足终止条件,达到最大进化代数,或连续三代的子代群体进化率都大于最大进化率,不满足则转步骤3;
步骤9:根据式(1)设置初始信息素分布,循环次数N置零,设置蚂蚁数和最大循环次数,并将所有蚂蚁置于起点,
Tij=Tc+Tg,ij=1,2,.....,N,i≠j (1)
其中,Tc是一个给定的信息素常数,Tg是由遗传算法的结果根据某种规则转换得到的信息素;
步骤10:启动蚁群算法,每只蚂蚁按照式(2)计算的转移概率选择下一个路径点,
表示t时刻蚂蚁k择下一个删格i的转移概率,表示蚂蚁k下一步允许选择的路径点,必须为自由删格;
步骤11:重复步骤10直到蚁群到达终点,根据删格的信息素浓度调整式(3)和式(4)进行信息素更新,
其中,ΔTij表示本次循环中路径(i,j)上的信息素的增量,1-ρ表示信息素消逝程度;
其中,Q是常数,Lk表示第k只蚂蚁在本次循环中所走过的路径长度;
步骤12:令N=N+1,并利用当代的最优路径,根据式(3)和式(4)更新信息素;
步骤13:若蚁群全部收敛到一条路径或达到最大循环次数,则循环结束,输出最优路径,否则转步骤11。
本发明的有益效果为:本发明在栅格障碍环境下,先采用遗传算法生成一系列无障碍栅格序列,这些栅格序列根据一定的规则设定环境中的初始信息素,继而启动蚁群算法,在正确的信息素的指导下,蚁群能够快速准确地搜索出最优解。本发明结合遗传算法在信息处理前期的快速有效性和蚁群算法在具有正确信息素指导情况下求解的快速性和精确性,从而达到时间效率上优于蚁群算法,在求精确解效率上优于遗传算法,实现两种算法的优势互补。
附图说明
图1是本发明方法的流程图。
图2是实施例采用本发明方法规划路径图。
图3是实施例采用基本蚁群算法规划路径图。
具体实施方式
下面结合附图对本发明做详细描述。
参照图1,一种基于遗传-蚁群算法的机器人路径规划方法,包括以下步骤:
步骤1:首先采用栅格法对机器人的工作环境进行建模,机器人移动的基本步长等于机器人外接圆直径,值为c,为保证机器人能够在环境模型中无碰撞地运动,取c作为栅格单元的边长,设工作环境是长为X、宽为Y的方形区域,从左上角开始将工作区域划分为m行n列个边长为c的栅格;如果某一栅格中存在障碍物,则定义此栅格为障碍栅格,反之为自由栅格,此处考虑到序号表示方法较直角坐标表示方法节省系统的存储空间,而且便于遗传算法中遗传算子的操作,有效缩短进化个体的长度,故采用序号表示法对栅格进行编码,用0和1分别表示障碍栅格和自由栅格,按照从左到右,从下到上的顺序对栅格依次进行编码;
步骤2:随机生成初始种群,为减少生成初始群体的困难性,随机、自由地选取一系列自由栅格序号连接起点和终点,而对栅格的连续性不作要求;
步骤3:计算群体中各个个体的适应度,适应度函数取为
其中,F为适应度函数,n为机器人走过的删格数,D为机器人所走路径长度;
步骤4:采用随机联赛选择方法进行选择操作,即从群体中随机选择2个个体进行适应度大小的比较,将适应度最高的个体遗传到下一代群体中,重复上述过程重复M次,就得到下一代群体的M个个体;
步骤5:随机选择两个个体,根据交叉概率判断是否进行交叉,如果满足交叉条件,分别在两个个体中随机产生一个交叉位,进行交叉操作;
步骤6:根据变异概率进行变异操作,为保证解的多样性它实际上是子代个体按小概率扰动产生的变化,即从个体中以一定的概率选择一个起点和终点以外的路经点作为变异点,另一个随机产生的序号代替它;
步骤7:判断路径中是否有重合的路径点,即序号相同的栅格,如果有则执行删除操作,直到无重合路径点;
步骤8:判断是否满足终止条件,达到最大进化代数,或连续三代的子代群体进化率都大于最大进化率,不满足则转步骤3;
步骤9:根据式(1)设置初始信息素分布,循环次数N置零,设置蚂蚁数和最大循环次数,并将所有蚂蚁置于起点,
Tij=Tc+Tg,ij=1,2,.....,N,i≠j (1)
其中,Tc是一个给定的信息素常数,Tg是由遗传算法的结果根据某种规则转换得到的信息素;
步骤10:启动蚁群算法,每只蚂蚁按照式(2)计算的转移概率选择下一个路径点,
表示t时刻蚂蚁k择下一个删格i的转移概率,表示蚂蚁k下一步允许选择的路径点,必须为自由删格;
步骤11:重复步骤10直到蚁群到达终点,根据删格的信息素浓度调整式(3)和式(4)进行信息素更新,
其中,ΔTij表示本次循环中路径(i,j)上的信息素的增量,1-ρ表示信息素消逝程度;
其中,Q是常数,Lk表示第k只蚂蚁在本次循环中所走过的路径长度;
步骤12:令N=N+1,并利用当代的最优路径,根据式(3)和式(4)更新信息素;
步骤13:若蚁群全部收敛到一条路径或达到最大循环次数,则循环结束,输出最优路径,否则转步骤11。
假定机器人的起点为栅格环境的左下角,终点为右上角,设置横纵向均为15个栅格的环境模型,环境中为0的点代表被障碍物占据的栅格(图中部分已被涂成黑块),为1的则是自由栅格;遗传算法的退出条件为连续三代的进化率均大于0.9,或是遗传代数超过100代,
在这种障碍物环境下,采用遗传-蚁群的算法在第2代时所有的蚂蚁都收敛到了全局最优路径上,并且最优距离为28,如图2所示;而采用基本蚁群算法,迭代10代找到最优路径,最优路径为38,如图3所示。可见遗传-蚁群算法不但在快速性上优于基本蚁群算法,而且能够有效地避免陷入局部最小值,最终找到全局最优解。
Claims (1)
1.一种基于遗传-蚁群算法的机器人路径规划方法,其特征在于,包括以下步骤:
步骤1:首先采用栅格法对机器人的工作环境进行建模,机器人移动的基本步长等于机器人外接圆直径,值为c,为保证机器人能够在环境模型中无碰撞地运动,取c作为栅格单元的边长,设工作环境是长为X、宽为Y的方形区域,从左上角开始将工作区域划分为m行n列个边长为c的栅格;如果某一栅格中存在障碍物,则定义此栅格为障碍栅格,反之为自由栅格,采用序号表示法对栅格进行编码,用0和1分别表示障碍栅格和自由栅格,按照从左到右,从下到上的顺序对栅格依次进行编码;
步骤2:随机生成初始种群,随机、自由地选取一系列自由栅格序号连接起点和终点;
步骤3:计算群体中各个个体的适应度,适应度函数取为
<mrow>
<mi>F</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msqrt>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msqrt>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
<mo>*</mo>
<mi>D</mi>
</mrow>
<mrow>
<mi>k</mi>
<msqrt>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msqrt>
</mrow>
</mfrac>
</mrow>
其中,F为适应度函数,n为机器人走过的删格数,D为机器人所走路径长度;
步骤4:采用随机联赛选择方法进行选择操作,即从群体中随机选择2个个体进行适应度大小的比较,将适应度最高的个体遗传到下一代群体中,重复上述过程重复M次,就得到下一代群体的M个个体;
步骤5:随机选择两个个体,根据交叉概率判断是否进行交叉,如果满足交叉条件,分别在两个个体中随机产生一个交叉位,进行交叉操作;
步骤6:根据变异概率进行变异操作,从个体中以一定的概率选择一个起点和终点以外的路经点作为变异点,另一个随机产生的序号代替它;
步骤7:判断路径中是否有重合的路径点,即序号相同的栅格,如果有则执行删除操作,直到无重合路径点;
步骤8:判断是否满足终止条件,达到最大进化代数,或连续三代的子代群体进化率都大于最大进化率,不满足则转步骤3;
步骤9:根据式(1)设置初始信息素分布,循环次数N置零,设置蚂蚁数和最大循环次数,并将所有蚂蚁置于起点,
Tij=Tc+Tg,ij=1,2,.....,N,i≠j (1)
其中,Tc是一个给定的信息素常数,Tg是由遗传算法的结果根据某种规则转换得到的信息素;
步骤10:启动蚁群算法,每只蚂蚁按照式(2)计算的转移概率选择下一个路径点,
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>/</mo>
<msub>
<mi>&Sigma;&Delta;T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>j</mi>
<mo>&Element;</mo>
<msubsup>
<mi>S</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
表示t时刻蚂蚁k择下一个删格i的转移概率,表示蚂蚁k下一步允许选择的路径点,必须为自由删格;
步骤11:重复步骤10直到蚁群到达终点,根据删格的信息素浓度调整式(3)和式(4)进行信息素更新,
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&rho;</mi>
<mo>*</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&Delta;T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>&rho;</mi>
<mo>&Element;</mo>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&Delta;T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>W</mi>
</munderover>
<mrow>
<msubsup>
<mi>&Delta;T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
1
其中,ΔTij表示本次循环中路径(i,j)上的信息素的增量,1-ρ表示信息素消逝程度;
其中,Q是常数,Lk表示第k只蚂蚁在本次循环中所走过的路径长度;
步骤12:令N=N+1,并利用当代的最优路径,根据式(3)和式(4)更新信息素;
步骤13:若蚁群全部收敛到一条路径或达到最大循环次数,则循环结束,输出最优路径,否则转步骤11。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710698730.7A CN107368077A (zh) | 2017-08-15 | 2017-08-15 | 一种基于遗传‑蚁群算法的机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710698730.7A CN107368077A (zh) | 2017-08-15 | 2017-08-15 | 一种基于遗传‑蚁群算法的机器人路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107368077A true CN107368077A (zh) | 2017-11-21 |
Family
ID=60309453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710698730.7A Pending CN107368077A (zh) | 2017-08-15 | 2017-08-15 | 一种基于遗传‑蚁群算法的机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107368077A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107943045A (zh) * | 2017-12-08 | 2018-04-20 | 江苏商贸职业学院 | 一种基于蚁群遗传融合算法的移动机器人路径规划方法 |
CN108227718A (zh) * | 2018-01-30 | 2018-06-29 | 安徽宇锋智能科技有限公司 | 一种自适应切换的自动搬运小车路径规划方法 |
CN108711155A (zh) * | 2018-04-20 | 2018-10-26 | 西京学院 | 一种人工蜂群优化模糊聚类的图像快速分割算法 |
CN108898866A (zh) * | 2018-07-04 | 2018-11-27 | 深圳万智联合科技有限公司 | 一种有效的智能车辆控制系统 |
CN109359740A (zh) * | 2018-11-02 | 2019-02-19 | 北京华如科技股份有限公司 | 基于多生境遗传算法的机动路径优选方法及存储介质 |
CN110275526A (zh) * | 2019-05-16 | 2019-09-24 | 贵州大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
CN110750095A (zh) * | 2019-09-04 | 2020-02-04 | 北京洛必德科技有限公司 | 一种基于5g通讯的机器人集群运动控制优化方法及系统 |
CN110941263A (zh) * | 2019-10-25 | 2020-03-31 | 华南理工大学 | 一种自主水下航行器路径规划方法和装置 |
CN110990769A (zh) * | 2019-11-26 | 2020-04-10 | 厦门大学 | 一种适合多自由度机器人的姿态迁移算法框架 |
CN111007813A (zh) * | 2019-11-19 | 2020-04-14 | 一汽物流有限公司 | 一种基于多种群混合智能算法的agv避障调度方法 |
CN112148030A (zh) * | 2020-09-23 | 2020-12-29 | 天津大学 | 一种基于启发式算法的水下滑翔机路径规划方法 |
CN114323055A (zh) * | 2022-03-15 | 2022-04-12 | 北京航空航天大学 | 一种基于改进遗传算法的机器人弱拒止区域路径规划方法 |
CN117516548A (zh) * | 2023-12-29 | 2024-02-06 | 广东技术师范大学 | 一种自主移动机器人的路径规划方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
CN104618982A (zh) * | 2015-01-08 | 2015-05-13 | 重庆邮电大学 | 基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法 |
US20150371135A1 (en) * | 2014-06-23 | 2015-12-24 | International Business Machines Corporation | Solving vehicle routing problems using evolutionary computing techniques |
CN105509749A (zh) * | 2016-01-04 | 2016-04-20 | 江苏理工学院 | 基于遗传蚁群算法的移动机器人路径规划方法及系统 |
CN105527965A (zh) * | 2016-01-04 | 2016-04-27 | 江苏理工学院 | 基于遗传蚁群算法的路径规划方法及系统 |
CN106200650A (zh) * | 2016-09-22 | 2016-12-07 | 江苏理工学院 | 基于改进蚁群算法的移动机器人路径规划方法及系统 |
CN106444755A (zh) * | 2016-09-22 | 2017-02-22 | 江苏理工学院 | 基于改进遗传算法的移动机器人路径规划方法及系统 |
-
2017
- 2017-08-15 CN CN201710698730.7A patent/CN107368077A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
US20150371135A1 (en) * | 2014-06-23 | 2015-12-24 | International Business Machines Corporation | Solving vehicle routing problems using evolutionary computing techniques |
CN104618982A (zh) * | 2015-01-08 | 2015-05-13 | 重庆邮电大学 | 基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法 |
CN105509749A (zh) * | 2016-01-04 | 2016-04-20 | 江苏理工学院 | 基于遗传蚁群算法的移动机器人路径规划方法及系统 |
CN105527965A (zh) * | 2016-01-04 | 2016-04-27 | 江苏理工学院 | 基于遗传蚁群算法的路径规划方法及系统 |
CN106200650A (zh) * | 2016-09-22 | 2016-12-07 | 江苏理工学院 | 基于改进蚁群算法的移动机器人路径规划方法及系统 |
CN106444755A (zh) * | 2016-09-22 | 2017-02-22 | 江苏理工学院 | 基于改进遗传算法的移动机器人路径规划方法及系统 |
Non-Patent Citations (1)
Title |
---|
何娟 等: "一种遗传蚁群算法的机器人路径规划方法", 《计算机仿真》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107943045A (zh) * | 2017-12-08 | 2018-04-20 | 江苏商贸职业学院 | 一种基于蚁群遗传融合算法的移动机器人路径规划方法 |
CN108227718A (zh) * | 2018-01-30 | 2018-06-29 | 安徽宇锋智能科技有限公司 | 一种自适应切换的自动搬运小车路径规划方法 |
CN108227718B (zh) * | 2018-01-30 | 2022-04-05 | 安徽宇锋智能科技有限公司 | 一种自适应切换的自动搬运小车路径规划方法 |
CN108711155A (zh) * | 2018-04-20 | 2018-10-26 | 西京学院 | 一种人工蜂群优化模糊聚类的图像快速分割算法 |
CN108898866A (zh) * | 2018-07-04 | 2018-11-27 | 深圳万智联合科技有限公司 | 一种有效的智能车辆控制系统 |
CN108898866B (zh) * | 2018-07-04 | 2021-03-16 | 矩阵数据科技(上海)有限公司 | 一种智能车辆控制系统 |
CN109359740B (zh) * | 2018-11-02 | 2020-11-03 | 北京华如科技股份有限公司 | 基于多生境遗传算法的机动路径优选方法及存储介质 |
CN109359740A (zh) * | 2018-11-02 | 2019-02-19 | 北京华如科技股份有限公司 | 基于多生境遗传算法的机动路径优选方法及存储介质 |
CN110275526A (zh) * | 2019-05-16 | 2019-09-24 | 贵州大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
CN110750095A (zh) * | 2019-09-04 | 2020-02-04 | 北京洛必德科技有限公司 | 一种基于5g通讯的机器人集群运动控制优化方法及系统 |
CN110941263A (zh) * | 2019-10-25 | 2020-03-31 | 华南理工大学 | 一种自主水下航行器路径规划方法和装置 |
CN111007813A (zh) * | 2019-11-19 | 2020-04-14 | 一汽物流有限公司 | 一种基于多种群混合智能算法的agv避障调度方法 |
CN110990769A (zh) * | 2019-11-26 | 2020-04-10 | 厦门大学 | 一种适合多自由度机器人的姿态迁移算法框架 |
CN110990769B (zh) * | 2019-11-26 | 2021-10-22 | 厦门大学 | 一种适合多自由度机器人的姿态迁移算法系统 |
CN112148030A (zh) * | 2020-09-23 | 2020-12-29 | 天津大学 | 一种基于启发式算法的水下滑翔机路径规划方法 |
CN112148030B (zh) * | 2020-09-23 | 2023-11-24 | 天津大学 | 一种基于启发式算法的水下滑翔机路径规划方法 |
CN114323055A (zh) * | 2022-03-15 | 2022-04-12 | 北京航空航天大学 | 一种基于改进遗传算法的机器人弱拒止区域路径规划方法 |
CN114323055B (zh) * | 2022-03-15 | 2022-06-07 | 北京航空航天大学 | 一种基于改进遗传算法的机器人弱拒止区域路径规划方法 |
CN117516548A (zh) * | 2023-12-29 | 2024-02-06 | 广东技术师范大学 | 一种自主移动机器人的路径规划方法 |
CN117516548B (zh) * | 2023-12-29 | 2024-04-12 | 广东技术师范大学 | 一种自主移动机器人的路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107368077A (zh) | 一种基于遗传‑蚁群算法的机器人路径规划方法 | |
Juang | A hybrid of genetic algorithm and particle swarm optimization for recurrent network design | |
Hu et al. | A knowledge based genetic algorithm for path planning of a mobile robot | |
CN109282815A (zh) | 一种动态环境下基于蚁群算法的移动机器人路径规划方法 | |
CN108734202A (zh) | 一种基于改进bp神经网络的高压断路器故障诊断方法 | |
CN107017618B (zh) | 一种有源配电网供电区域划分方法及装置 | |
Mirza et al. | High-efficiency swarm intelligent maximum power point tracking control techniques for varying temperature and irradiance | |
Esmin et al. | Hybrid evolutionary algorithm based on PSO and GA mutation | |
CN106444755A (zh) | 基于改进遗传算法的移动机器人路径规划方法及系统 | |
CN110147099A (zh) | 一种基于改进鸽群优化的多无人机协同搜索方法 | |
Bhattacharjee et al. | Oppositional real coded chemical reaction based optimization to solve short-term hydrothermal scheduling problems | |
CN109932903A (zh) | 多父代优化网络和遗传算法的风机控制多目标优化方法 | |
CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
CN105809297A (zh) | 一种基于多目标差分进化算法的火电厂环境经济调度方法 | |
CN113917925B (zh) | 一种基于改进遗传算法的移动机器人路径规划方法 | |
CN106611378A (zh) | 一种基于优先权编码的混合遗传算法解作业车间调度问题 | |
CN107146411A (zh) | 基于方势阱模型的量子行为粒子群优化方法 | |
Roeva et al. | Description of simple genetic algorithm modifications using generalized nets | |
Yu et al. | AGV multi-objective path planning method based on improved cuckoo algorithm | |
Huang et al. | Mobile robot path planning based on improved genetic algorithm | |
Deb | Single and multi-objective dynamic optimization: two tales from an evolutionary perspective | |
Shankar et al. | Integrated cuckoo and monkey search algorithm for energy efficient clustering in wireless sensor networks | |
CN113219989B (zh) | 一种基于改进的蝴蝶优化算法移动机器人路径规划方法 | |
Zhang et al. | Learning the Bayesian networks structure based on ant colony optimization and differential evolution | |
CN112148030B (zh) | 一种基于启发式算法的水下滑翔机路径规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171121 |