CN107943045A - 一种基于蚁群遗传融合算法的移动机器人路径规划方法 - Google Patents
一种基于蚁群遗传融合算法的移动机器人路径规划方法 Download PDFInfo
- Publication number
- CN107943045A CN107943045A CN201711297222.4A CN201711297222A CN107943045A CN 107943045 A CN107943045 A CN 107943045A CN 201711297222 A CN201711297222 A CN 201711297222A CN 107943045 A CN107943045 A CN 107943045A
- Authority
- CN
- China
- Prior art keywords
- ant
- algorithm
- path
- ant colony
- node
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
Abstract
本发明公开了一种基于蚁群遗传融合算法的移动机器人路径规划方法，本发明针对移动机器人路径规划的特点，把智能算法引入到机器人路径规划中。而单一蚁群算法和遗传算法，存在收敛速度慢、效率低或容易陷入局部最优等缺陷，本发明对蚁群算法进行改进，提出一种改进蚁群遗传算法的融合方案，并把该方案应用到移动机器人路径规划中，在栅格环境下进行仿真测试，仿真结果表明该方案能有效提高最优路径的搜索效率，整体性能优于蚁群或遗传单一智能算法。
Description
技术领域
本发明涉及一种基于蚁群遗传融合算法的移动机器人路径规划方法。
背景技术
路径规划是移动机器人导航领域研究的首要任务，也是机器人安全无碰撞的执行各项任务的基本保障，目前在移动机器人路径规划过程中经常使用的智能算法有蚁群算法、遗传算法、神经网络法、粒子群算法等。针对传统蚁群算法在在路径搜索初期存在盲目性，搜索空间大、效率较低，而遗传算法全局搜索方面的能力较强，但在搜索后期启发信息利用不足等缺陷。
蚁群算法(Ant Colony Algorithm,ACA)是根据自然界中蚂蚁觅食行为而提出的一种模拟进化算法。算法中要求蚂蚁在搜索路径时不能重复经过同一节点，通过在算法中加入了禁忌表项来实现。表示第k只蚂蚁在t时刻的i节点选择向j节点移动的概率。
蚁群算法是一种求解组合最优路径问题的启发式方法，该算法具有分布式计算、正反馈机制和良好的并行性、健壮性和可扩展性，并且蚂蚁觅食行为与机器人路径规划有着天然的关联性，因此可以被应用到移动机器人路径规划中。但该算法在搜索初期存在盲目性大，在搜索后期存在着耗时长和容易出现停滞等缺陷。因此传统蚁群算法需要经过改进后才能应用到移动机器人路径规划中。
遗传算法(Genetic Algorithm,GA)是基于进化论遗传学机理上产生的搜索优化方法。遗传算法具有良好的并行性和较强的通用性，并且该算法具有良好的全局优化和稳定性，操作简单，但是当求解到一定范围时也容易陷入局部最优解。
蚁群算法和遗传算法是目前应用比较广泛的两种智能仿生算法，已经被应用到科研工程等相关领域。蚁群算法的正反馈机制使其具有更好的全局优化能力以及分布并行计算能力，但在搜索初期由于信息素的匮乏，导致求解效率较低。遗传算法在搜索初期速度快，又适合大范围的搜索，但搜索后期由于无法充分利用系统中的反馈信息，会在冗余迭代上耗费大量的时间。为了克服两种智能算法存在的缺陷，可以对蚁群和遗传算法进有效的融合。
通过大量的分析研究与实验论证，发现蚁群和遗传两种算法在求解速度与时间上的总体态势如图1所示。
由图1可以看出，遗传算法在搜索初期t0～tc时间段，求解速度较快，经过tc时刻后，遗传算法效率开始急速下滑；蚁群算法搜索初期由于信息素信息缺乏，在t0～tc时刻，效率较低，过了tc时刻后，蚁群算法效率开始快速上升，最后达到一个较高的稳定状态。
融合算法的思路是在融合算法前期，用遗传算法产生的最优解来初始化蚁群算法的信息素。融合算法后期利用蚁群算法的收敛速度快来寻找最优路径。在遗传算法阶段，统计迭代过程中子代种群的进化率，如果连续代的进化率都小于预先设定的迭代次数的最小进化率，则遗传算法终止，蚁群算法执行。
发明内容
本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于蚁群遗传融合算法的移动机器人路径规划方法。
为了解决上述技术问题，本发明提供了如下的技术方案：
本发明提供一种基于蚁群遗传融合算法的移动机器人路径规划方法，其包括以下步骤：
S1、对蚁群算法进行改进：
在蚁群算法中，路径上的信息素的值会随着时间的流逝而减小，用Rij来进行表示，通过一个递减的指数函数来表示；
式(2)中tij是蚂蚁从节点i到节点j所花费的时间，是一个常数，Rij的值越大，代表着从蚂蚁从i到节点j的路径越好；
在每次迭代过程中，只有在指定时间内，最优的蚂蚁才会更新此路径上信息素的值；在式(4)中是最优的蚂蚁经过该路径后此路径上信息素的改变量；Lk第k只蚂蚁走过的路径，是第k值蚂蚁从i节点到k节点花费的时间，是第k值蚂蚁从i节点到k节点学习到的信息；
S2、设置遗传算法的最小迭代次数为Gmin，最大迭代次数为Gmax，最小进化率为Gratio，当给定迭代次数范围内连续Gend代的进化率低于Gratio，则终止遗传算法搜索，用遗传算法得到的信息来初始蚁群算法中信息素的初始值，转入蚁群算法求解；算法的步骤如下；
步骤1：初始化交叉概率pc，变异概率pm，以及最大进化代数Gmax，最小进化代数Gmin，最小进化率Gratio，进化结束代数Gend；
步骤2：设置种群规模为S得初始群体G，使Gmin<G<Gmax，根据实际问题进行编码，确定适应度函数，计算种群中个体的适应度值；
步骤3：对种群个体进行解码，执行选择、交叉、变异操作；
步骤4：比较新个体与原父代种群中的个体，根据结果进行个体的优劣替换，选择优良个体作为下一代新的子个体；
步骤5：若Gmin<G<Gmax且Gend的进化率>Gratio，则转向(3)，否则转向(6)；
步骤6：用遗传算法生成的较优解初始化蚁群算法信息素的初始值；
步骤7：设置蚁群算法最大循环次数为Nmax，蚂蚁个数为m，循环次数k为0；
步骤8：每只蚂蚁根据状态移动规则公式(1)选择下一个节点；
步骤9：当蚂蚁k到达终点End时，按公式(2，3，4)对其经过路段上的信息浓度进行更新；
步骤10：重复步骤(8)，(9)直至所有蚂蚁都到达终点End；
步骤11：更新本次迭代最差路径长度及其所包含路段信息，全局最优路径长度及其包含路段信息；
步骤12：把m只蚂蚁的位置重置为起点Start，置空禁忌表；
步骤13：若循环次数k>Nmax则程序结束，否则转到步骤(8)。
本发明所达到的有益效果是：
本发明通针对蚁群算法和遗传算法在移动机器人路径规划中存在的搜索盲目性大、效率低以及容易陷入局部最优等缺陷，改进了蚁群算法中信息素更新的方法，并且提出了一种基于改进蚁群和遗传算法的融合方案(FACGA)，该方案使蚁群和遗传算法优势互补。实验结果表明，本发明所提出的方案能提高移动机器人搜索效率，快速找到从起点到终点的较优路径。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是蚁群算法与遗传算法的速度-时间曲线图；
图2是蚁群遗传融合算法路径规划流程图；
图3是三种算法路径规划图对比图；
图4是三种算法路径长度迭代次数对比图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如图2所示，一种基于蚁群遗传融合算法的移动机器人路径规划方法，其包括以下步骤：
S1、对蚁群算法进行改进：
在蚁群算法中，路径上的信息素的值会随着时间的流逝而减小，用Rij来进行表示，通过一个递减的指数函数来表示；
式(2)中tij是蚂蚁从节点i到节点j所花费的时间，是一个常数，Rij的值越大，代表着从蚂蚁从i到节点j的路径越好；
在每次迭代过程中，只有在指定时间内，最优的蚂蚁才会更新此路径上信息素的值；在式(4)中是最优的蚂蚁经过该路径后此路径上信息素的改变量；Lk第k只蚂蚁走过的路径，是第k值蚂蚁从i节点到k节点花费的时间，是第k值蚂蚁从i节点到k节点学习到的信息；
S2、设置遗传算法的最小迭代次数为Gmin，最大迭代次数为Gmax，最小进化率为Gratio，当给定迭代次数范围内连续Gend代的进化率低于Gratio，则终止遗传算法搜索，用遗传算法得到的信息来初始蚁群算法中信息素的初始值，转入蚁群算法求解；算法的步骤如下；
步骤1：初始化交叉概率pc，变异概率pm，以及最大进化代数Gmax，最小进化代数Gmin，最小进化率Gratio，进化结束代数Gend；
步骤2：设置种群规模为S得初始群体G，使Gmin<G<Gmax，根据实际问题进行编码，确定适应度函数，计算种群中个体的适应度值；
步骤3：对种群个体进行解码，执行选择、交叉、变异操作；
步骤4：比较新个体与原父代种群中的个体，根据结果进行个体的优劣替换，选择优良个体作为下一代新的子个体；
步骤5：若Gmin<G<Gmax且Gend的进化率>Gratio，则转向(3)，否则转向(6)；
步骤6：用遗传算法生成的较优解初始化蚁群算法信息素的初始值；
步骤7：设置蚁群算法最大循环次数为Nmax，蚂蚁个数为m，循环次数k为0；
步骤8：每只蚂蚁根据状态移动规则公式(1)选择下一个节点；
步骤9：当蚂蚁k到达终点End时，按公式(2，3，4)对其经过路段上的信息浓度进行更新；
步骤10：重复步骤(8)，(9)直至所有蚂蚁都到达终点End；
步骤11：更新本次迭代最差路径长度及其所包含路段信息，全局最优路径长度及其包含路段信息；
步骤12：把m只蚂蚁的位置重置为起点Start，置空禁忌表；
步骤13：若循环次数k>Nmax则程序结束，否则转到步骤(8)。
仿真实验：
用VC++6.0和MATLAB构建仿真平台，在栅格环境下建模对蚁群算法(ACA)、遗传算法(GA)和本发明提出的算法(FACGA)进行分析，设置仿真环境如图3，设定障碍物分布在全局静态10×10的栅格矩阵中，蚂蚁起点为图3中Start，终点为End，蚁群算法中参数为：蚂蚁数量m＝20，信息启发算子α和期望启发算子β分别为1和5；信息挥发系数ρ＝0.6，遗传算法中参数为：初始种群G为60，运行遗传算法Gmax为60次，每次产生260代，变异概率pm为0.07，交叉概率pc为0.8，图3中障碍物为黑色填充单元格。
仿真结果表明在相同的环境下，在搜索初始阶段，由于基本蚁群算法(ACA)搜索的盲目性，增加了不必要的搜索范围，降低了搜索效率，并且难以搜寻到最优路径；而遗传算法(GA)算法搜索后期由于无法充分利用系统中的反馈信息，在冗余迭代上需要耗费大量的时间，并且陷入了局部最优。融合蚁群和遗传算法(FACGA)在搜索前期通过把遗传算法的最优解引入到蚁群算法的初始化信息素中，缩小了算法的查询范围，搜索后期又切换到蚁群算法，从而避免了算法陷入局部最优，缩短了寻找最优路径的时间，获得了从Start到End的全局最优路径。验证了本发明所提算法的随机性、有效性和全局收敛性。
图4中当采用ACA算法进行路径规划时算法收敛需迭代39次，最优路径长度为17.914，当采用GA算法进行路径规划时算法收敛需迭代45次，最优路径长度为17.438，当采用FACGA算法进行路径规划时算法收敛需迭代22次，最优路径长度为16.352，可以看出本发明所设计算法FACGA收敛速度更快，收敛路径更短，效率更高。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于蚁群遗传融合算法的移动机器人路径规划方法，其特征在于，包括以下步骤：
S1、对蚁群算法进行改进：
在蚁群算法中，路径上的信息素的值会随着时间的流逝而减小，用Rij来进行表示，通过一个递减的指数函数来表示；
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>&lambda;</mi>
<mi>s</mi>
</mrow>
</mfrac>
<mi>I</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>&lambda;t</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式(2)中tij是蚂蚁从节点i到节点j所花费的时间，是一个常数，Rij的值越大，代表着从蚂蚁从i到节点j的路径越好；
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>&Delta;&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mo>&ForAll;</mo>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mi>L</mi>
<mo>,</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mi>B</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
<mi>A</mi>
<mi>n</mi>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Delta;&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<mo>(</mo>
<mrow>
<mfrac>
<msubsup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mi>S</mi>
<mi>max</mi>
</msub>
</mfrac>
<mo>&times;</mo>
<mfrac>
<mn>1</mn>
<msubsup>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
</mfrac>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>L</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mi>B</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
<mi>A</mi>
<mi>n</mi>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
在每次迭代过程中，只有在指定时间内，最优的蚂蚁才会更新此路径上信息素的值；在式(4)中是最优的蚂蚁经过该路径后此路径上信息素的改变量；Lk第k只蚂蚁走过的路径，是第k值蚂蚁从i节点到k节点花费的时间，是第k值蚂蚁从i节点到k节点学习到的信息；
S2、设置遗传算法的最小迭代次数为Gmin，最大迭代次数为Gmax，最小进化率为Gratio，当给定迭代次数范围内连续Gend代的进化率低于Gratio，则终止遗传算法搜索，用遗传算法得到的信息来初始蚁群算法中信息素的初始值，转入蚁群算法求解；算法的步骤如下；
步骤1：初始化交叉概率pc，变异概率pm，以及最大进化代数Gmax，最小进化代数Gmin，最小进化率Gratio，进化结束代数Gend；
步骤2：设置种群规模为S得初始群体G，使Gmin<G<Gmax，根据实际问题进行编码，确定适应度函数，计算种群中个体的适应度值；
步骤3：对种群个体进行解码，执行选择、交叉、变异操作；
步骤4：比较新个体与原父代种群中的个体，根据结果进行个体的优劣替换，选择优良个体作为下一代新的子个体；
步骤5：若Gmin<G<Gmax且Gend的进化率>Gratio，则转向(3)，否则转向(6)；
步骤6：用遗传算法生成的较优解初始化蚁群算法信息素的初始值；
步骤7：设置蚁群算法最大循环次数为Nmax，蚂蚁个数为m，循环次数k为0；
步骤8：每只蚂蚁根据状态移动规则公式(1)选择下一个节点；
步骤9：当蚂蚁k到达终点End时，按公式(2，3，4)对其经过路段上的信息浓度进行更新；
步骤10：重复步骤(8)，(9)直至所有蚂蚁都到达终点End；
步骤11：更新本次迭代最差路径长度及其所包含路段信息，全局最优路径长度及其包含路段信息；
步骤12：把m只蚂蚁的位置重置为起点Start，置空禁忌表；
步骤13：若循环次数k>Nmax则程序结束，否则转到步骤(8)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711297222.4A CN107943045A (zh) | 2017-12-08 | 2017-12-08 | 一种基于蚁群遗传融合算法的移动机器人路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711297222.4A CN107943045A (zh) | 2017-12-08 | 2017-12-08 | 一种基于蚁群遗传融合算法的移动机器人路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107943045A true CN107943045A (zh) | 2018-04-20 |
Family
ID=61946269
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711297222.4A Pending CN107943045A (zh) | 2017-12-08 | 2017-12-08 | 一种基于蚁群遗传融合算法的移动机器人路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107943045A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898340A (zh) * | 2018-06-26 | 2018-11-27 | 易家网络科技有限公司 | 物流运费的计算方法及系统 |
| CN109300140A (zh) * | 2018-10-22 | 2019-02-01 | 东北大学 | 基于遗传算法和蚁群算法的图像边缘检测方法 |
| CN109375625A (zh) * | 2018-11-12 | 2019-02-22 | 智慧航海（青岛）科技有限公司 | 一种基于快速搜索遗传算法的智能船舶路径规划方法 |
| CN110095122A (zh) * | 2019-05-10 | 2019-08-06 | 安徽工程大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
| CN110146088A (zh) * | 2019-06-17 | 2019-08-20 | 安徽大学 | 一种智能仓储管理系统中的室内定位导航方法及导航模型 |
| CN110414662A (zh) * | 2019-08-02 | 2019-11-05 | 北京深度奇点科技有限公司 | 数据处理方法及系统 |
| CN111299815A (zh) * | 2020-02-13 | 2020-06-19 | 西安交通大学 | 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法 |
| CN112084744A (zh) * | 2020-08-07 | 2020-12-15 | 天津科技大学 | 一种基于融合算法的晶圆晶粒缺陷点修复路径规划方法 |
| CN112859922A (zh) * | 2021-01-25 | 2021-05-28 | 西安工业大学 | 改进自适应遗传-变领域协同搜索的多无人机长时工作路径规划 |
| CN113917925A (zh) * | 2021-10-14 | 2022-01-11 | 安徽工程大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
| CN115079704A (zh) * | 2022-08-01 | 2022-09-20 | 中国电信股份有限公司 | 路径规划方法、装置、存储介质及电子设备 |
| CN115391385A (zh) * | 2022-09-13 | 2022-11-25 | 南京开特信息科技有限公司 | 一种基于蚁群遗传动态融合算法的数据库查询优化方法 |
| CN116107328A (zh) * | 2023-02-09 | 2023-05-12 | 陕西科技大学 | 一种基于改进遗传算法的扑翼飞行器最优自动避障方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101504795A (zh) * | 2008-11-03 | 2009-08-12 | 天津理工大学 | 应用于立体车库车位调度的dsp控制系统的工作方法 |
| CN106611378A (zh) * | 2016-01-18 | 2017-05-03 | 四川用联信息技术有限公司 | 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 |
| CN107368077A (zh) * | 2017-08-15 | 2017-11-21 | 西京学院 | 一种基于遗传‑蚁群算法的机器人路径规划方法 |
-
2017
- 2017-12-08 CN CN201711297222.4A patent/CN107943045A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101504795A (zh) * | 2008-11-03 | 2009-08-12 | 天津理工大学 | 应用于立体车库车位调度的dsp控制系统的工作方法 |
| CN106611378A (zh) * | 2016-01-18 | 2017-05-03 | 四川用联信息技术有限公司 | 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 |
| CN107368077A (zh) * | 2017-08-15 | 2017-11-21 | 西京学院 | 一种基于遗传‑蚁群算法的机器人路径规划方法 |
Non-Patent Citations (3)
| Title |
|---|
| IMEN CHAARI,ET AL.: "smartPATH: A Hybrid ACO-GA Algorithm for Robot Path Planning", 《WCCI 2012 IEEE WORLD CONGRESS ON COMPUTATIONAL LNTELIIGENCE》 * |
| SHAHLA NEMATI,ET AL.: "A novel ACO–GA hybrid algorithm for feature selection in protein function prediction", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
| 赵开新等: "蚁群遗传算法在移动机器人路径规划中的综合应用研究", 《制造业自动化》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898340A (zh) * | 2018-06-26 | 2018-11-27 | 易家网络科技有限公司 | 物流运费的计算方法及系统 |
| CN109300140A (zh) * | 2018-10-22 | 2019-02-01 | 东北大学 | 基于遗传算法和蚁群算法的图像边缘检测方法 |
| CN109375625A (zh) * | 2018-11-12 | 2019-02-22 | 智慧航海（青岛）科技有限公司 | 一种基于快速搜索遗传算法的智能船舶路径规划方法 |
| CN110095122B (zh) * | 2019-05-10 | 2022-05-17 | 安徽工程大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
| CN110095122A (zh) * | 2019-05-10 | 2019-08-06 | 安徽工程大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
| CN110146088A (zh) * | 2019-06-17 | 2019-08-20 | 安徽大学 | 一种智能仓储管理系统中的室内定位导航方法及导航模型 |
| CN110146088B (zh) * | 2019-06-17 | 2020-10-27 | 安徽大学 | 一种智能仓储管理系统中的室内定位导航方法及导航模型 |
| CN110414662A (zh) * | 2019-08-02 | 2019-11-05 | 北京深度奇点科技有限公司 | 数据处理方法及系统 |
| CN110414662B (zh) * | 2019-08-02 | 2022-07-01 | 北京深度奇点科技有限公司 | 数据处理方法及系统 |
| CN111299815A (zh) * | 2020-02-13 | 2020-06-19 | 西安交通大学 | 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法 |
| CN111299815B (zh) * | 2020-02-13 | 2021-02-09 | 西安交通大学 | 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法 |
| CN112084744A (zh) * | 2020-08-07 | 2020-12-15 | 天津科技大学 | 一种基于融合算法的晶圆晶粒缺陷点修复路径规划方法 |
| CN112859922A (zh) * | 2021-01-25 | 2021-05-28 | 西安工业大学 | 改进自适应遗传-变领域协同搜索的多无人机长时工作路径规划 |
| CN112859922B (zh) * | 2021-01-25 | 2022-09-06 | 西安工业大学 | 改进自适应遗传-变领域协同搜索的多无人机长时工作路径规划方法 |
| CN113917925A (zh) * | 2021-10-14 | 2022-01-11 | 安徽工程大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
| CN113917925B (zh) * | 2021-10-14 | 2022-12-09 | 安徽工程大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
| CN115079704A (zh) * | 2022-08-01 | 2022-09-20 | 中国电信股份有限公司 | 路径规划方法、装置、存储介质及电子设备 |
| CN115079704B (zh) * | 2022-08-01 | 2024-02-27 | 中国电信股份有限公司 | 路径规划方法、装置、存储介质及电子设备 |
| CN115391385A (zh) * | 2022-09-13 | 2022-11-25 | 南京开特信息科技有限公司 | 一种基于蚁群遗传动态融合算法的数据库查询优化方法 |
| CN116107328A (zh) * | 2023-02-09 | 2023-05-12 | 陕西科技大学 | 一种基于改进遗传算法的扑翼飞行器最优自动避障方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107943045A (zh) | 一种基于蚁群遗传融合算法的移动机器人路径规划方法 | |
| Singh et al. | Hybrid MPSO-CNN: Multi-level particle swarm optimized hyperparameters of convolutional neural network | |
| Shang et al. | Community detection based on modularity and an improved genetic algorithm | |
| Wang et al. | Multi-population following behavior-driven fruit fly optimization: A Markov chain convergence proof and comprehensive analysis | |
| Paige et al. | A compilation target for probabilistic programming languages | |
| CN107272679A (zh) | 基于改进的蚁群算法的路径规划方法 | |
| Kennedy | Some issues and practices for particle swarms | |
| CN109271320B (zh) | 一种上位多目标测试用例优先级排序方法 | |
| CN105760503B (zh) | 一种快速计算图节点相似度的方法 | |
| Hu et al. | SaCHBA_PDN: Modified honey badger algorithm with multi-strategy for UAV path planning | |
| Jiang et al. | An efficient multi-objective artificial raindrop algorithm and its application to dynamic optimization problems in chemical processes | |
| Wu et al. | Hyperparameter learning for deep learning-based recommender systems | |
| Zhang et al. | Birds foraging search: a novel population-based algorithm for global optimization | |
| Niu | The optimization for PID controller parameters based on genetic algorithm | |
| Meirom et al. | Optimizing tensor network contraction using reinforcement learning | |
| CN113326884B (zh) | 大规模异构图节点表示的高效学习方法及装置 | |
| Zhang et al. | Reinforcement learning with actor-critic for knowledge graph reasoning | |
| Wozniak | Positioning Traffic in NoSQL Database Systems by the Use of Particle Swarm Algorithm. | |
| Tang | An improved intelligent bionic optimization algorithm based on the growth characteristics of tree branches | |
| Liao | Research on PAGV path planning based on artificial immune ant colony fusion algorithm | |
| Jia | A novel hybrid optimization algorithm and its application in solving complex problem | |
| Tang | Intelligent Bionic Optimization Algorithm Based on the Growth Characteristics of Tree Branches. | |
| Yang et al. | Application of a New m Ant-Miner PR Algorithm in Classification Rule Mining. | |
| Xu et al. | Application of hybrid genetic algorithm based on simulated annealing in function optimization | |
| Chauhan et al. | DQNAS: Neural Architecture Search using Reinforcement Learning |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |