CN109613914B - 一种蜘蛛群居算法的机器人路径规划方法 - Google Patents
一种蜘蛛群居算法的机器人路径规划方法 Download PDFInfo
- Publication number
- CN109613914B CN109613914B CN201811061502.XA CN201811061502A CN109613914B CN 109613914 B CN109613914 B CN 109613914B CN 201811061502 A CN201811061502 A CN 201811061502A CN 109613914 B CN109613914 B CN 109613914B
- Authority
- CN
- China
- Prior art keywords
- spider
- population
- individuals
- individual
- fitness value
- 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.)
- Active
Links
- 241000239290 Araneae Species 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000013016 learning Effects 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000013011 mating Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000007758 mating behavior Effects 0.000 claims description 4
- 230000009326 social learning Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Images
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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0212—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, 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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种蜘蛛群居算法的机器人路径规划方法,包括采用栅格法对地图环境进行建模、初始化蜘蛛群居算法基本参数、随机分配初始蜘蛛种群、蜘蛛种群按照蜘蛛群居算法的学习策略完成协作过程、输出适应度值、判断适应度值是否小于设定的最小适应度值、输出最短路径和长度。本发明通过引入惯性权重和学习因子,对邻域搜索与全局搜索进行优化,增加惯性权重与学习因子之间的相互作用来平衡方法的全局搜索和局部开发能力,改进后的方法收敛结果更稳定,提高了收敛速度与搜索精度,实现所规划的最短路径优异。
Description
技术领域
本发明涉及机器人路径规划方法,尤其是涉及一种蜘蛛群居算法的机器人路径规划方法。
背景技术
路径规划是移动机器人研究的重要领域之一,其优劣直接影响行径过程中机器人与周围环境的交互能力。一般来说,路径规划问题可以描述为:给定带有障碍物的环境,使得机器人能够自主的寻找到一条从起始点到目标点的路径,该路径能够安全无碰撞地避开所有障碍物且长度最短。由于本质上路径规划可以看作是优化问题,因而具有全局寻优能力及隐含并行计算特性的遗传算法、粒子群优化、人工免疫以及蚁群算法等智能优化算法在解决该问题的过程中发挥了极大的作用。这些算法各有优缺点,例如人工势场法简单且容易实现,但易陷入局部极小值;遗传算法具有很好的全局求解能力,但运算效率不高;蚁群算法进化进度慢,易陷入局部最优。蜘蛛群居算法(Social Spider Optimization, SSO)近两年内才被提出,是一种新型的智能群体优化算法。SSO算法的提出源自群集智能的思想,在模拟蜘蛛群体的生物进程中,得到寻优结果,即依据雌、雄蜘蛛的协作,相互吸引以及婚配过程进行信息交互最终得到最优解。目前SSO算法的收敛速度和搜索能力不佳。
发明内容
本发明的目的在于一种蜘蛛群居算法的机器人路径规划方法,本发明为解决以上问题而提出引入惯性权重和学习因子,对邻域搜索与全局搜索进行优化,增加惯性权重与学习因子之间的相互作用来平衡方法的全局搜索和局部开发能力,改进后的方法收敛结果更稳定,提高了收敛速度与搜索精度,实现所规划的最短路径优异。
本发明解决上述技术问题采用的技术方案是:一种蜘蛛群居算法的机器人路径规划方法,包括以下步骤:
步骤一:采用栅格法对地图环境进行建模,设置起始节点、目标节点、障碍物;
步骤二:初始化蜘蛛群居算法基本参数,包括种群数目N、婚配半径r、最大迭代次数T、最小适应度值;
步骤三:随机分配初始蜘蛛种群,根据适应度函数,确定当前各个蜘蛛的适应值;
步骤四:蜘蛛种群依据蜘蛛群居算法的学习策略完成协作过程,产生新的蜘蛛个体,根据适应度函数值选择新、旧蜘蛛种群中较优的个体作为迭代种群,记录迭代路径,输出适应度值;
步骤五:判断适应度值是否小于设定的最小适应度值,若适应度值小于或等于最小适应度值,输出最短路径和长度;
步骤六:若适应度值大于最小适应度值,返回步骤四。
改进后的方法收敛结果更稳定,提高了收敛速度与搜索精度,实现所规划的最短路径优异。
作为优选,步骤六中若适应度值大于最小适应度值,判断迭代次数是否小于最大迭代次数,若迭代次数小于最大迭代次数,返回步骤四;若迭代次数大于或等于最大迭代次数,输出最短路径和长度。迭代次数的设置能够防止在蜘蛛群居算法无法找到最小适应度值时,能够通过最大迭代次数终止算法执行,确保在一定时间内找到的最短路径和长度的输出。
作为优选,学习策略包括惯性权重,惯性权重设置为:
q为惯性权重,n为非线性调整指数,T为最大迭代次数,t为当前迭代次数,qmax和qmin分别是惯性权重的最大值和最小值。惯性权重引入能够在算法进化初期加大算法,使蜘蛛个体尽量在全局范围内搜索,增强蜘蛛种群的全局搜索能力,加强较差个体与全局最优个体之间的信息交流,加速较差个体向着全局最优解的进化速度,促进种群收敛,进化后期保留个体内的优良基因,增强个体的局部搜索能力,使得个体能够在自身邻域附近更加精细搜索,增大个体搜索到全局最优解的概率。
作为优选,学习策略还包括蜘蛛个体在群体中信息交流程度的学习因子,学习因子变化式为:
Z=Zmin+(Zmax-Zmin)COS(q)
H=Hmax-(Hmax-Hmin)COS(q)
Z与H分别代表个体的自我学习能力和社会学习能力,q惯性权重,其中Zman和Hmax为学习因子Z和H的最大值,Zmin和Hmin为学习因子Z和H的最小值。算法初期优秀个体学习较强,自身学习较弱,随着进化的进行,逐渐减少个体向优秀个体的学习、加大自身的调整力度,所以利用惯性权重同时来控制学习因子,学习因子反应了蜘蛛个体在群体中的信息交流程度,通过惯性权重与学习因子的相互作用来平衡算法的全局探索与局部开发能力提高了算法的收敛速度与精度。
作为优选,蜘蛛种群包括雄性蜘蛛种群和雌性蜘蛛种群,雄性蜘蛛种群和雌性蜘蛛种群按照蜘蛛群居算法进行雌、雄蜘蛛的婚配。生物学上,雄性蜘蛛具有自动识别聚集功能,可以自动分成较为优异的支配雄性子中种群和较差的非支配雄性子种群。支配雄蜘蛛具有吸引与其靠近的雌性蜘蛛的能力,非支配雄蜘蛛具有向雄性种群中间个体聚集的趋势。
步骤三中,其分配规则如n下:
(Mkj=Mjmin+rand(Mjmax-Mjmin).
其中:Fij和Mkj分别为雌性种群和雄性种群中的个体,Fjmax和Fjmin为第j维变量的上下限,i∈{1,2,…,Nf},k∈{1,2,…,Nm},j∈{1,2,…,D}.。
雄性蜘蛛种群的协作过程个体更新公式为:
其中j为随机选择的与i不同的个体,Sf为距离雄性支配个体i最近的雌性个体f。
作为优选,蜘蛛群居算法包括以下步骤:
步骤A:判断雄性个体婚配半径内是否存在雌性个体,如果不存在,则转至步骤E;否则,将其在婚配半径内的所有雌性个体结合为一个子种群;
步骤B:计算步骤A中所述子种群内个体的分配概率,具体公式为:
TG为子种群,PSk为子种群内个体的分配概率,w为蜘蛛个体的权重。
步骤C:根据步骤B中所述的概率按照轮盘赌方式从TG内选择个体;
步骤D:如果新个体优于雄性蜘蛛种群和雌性蜘蛛种群中的最差个体,则代替该个体;
步骤E:判断所有雄性个体是否完成婚配行为,完成则结束,否则转至步骤 A。
雌性蜘蛛位于雄性蜘蛛婚配半径内时,则发生婚配行为,产生新的蜘蛛个体及新的蜘蛛种群。
作为优选,新的蜘蛛个体包括原蜘蛛个体、原蜘蛛向邻域最优解学习个体、原蜘蛛向全局最优解学习个体和随机部分。原蜘蛛个体可以理解为自我认知部分,原蜘蛛向邻域最优解学习个体、原蜘蛛向全局最优解学习个体保证个体向更优化方向进化,随机部分可以维护种群多样性。学习策略为原蜘蛛向邻域最优解学习、原蜘蛛向全局最优解学习,学习策略包括惯性权重和学习因子。
作为优选,每个蜘蛛个体都被赋予一个个体权重wi,代表种群中个体i所对应的解决问题的能力,每个蜘蛛的权重为:
J(Si)是蜘蛛个体Si位置获得的适应度值,besti为最优个体适应度值,worsti为最差个体适应度值,计算方式为:
本发明具有的有益效果是:
1、通过引入惯性权重和学习因子,对邻域搜索与全局搜索进行优化,增加惯性权重与学习因子之间的相互作用来平衡方法的全局搜索和局部开发能力,改进后的方法收敛结果更稳定,提高了收敛速度与搜索精度,实现所规划的最短路径优异;
2、本发明具备强大的跳出局部最优的能力,收敛速度快、执行力强、收敛精度优;
3、通过设置最小适应值和最大迭代数两种作为方法结束的选择,减少了执行时间、提高了执行效率。
附图说明
图1是本发明的流程图。
具体实施方式
以下结合附图和实施方式对本发明作进一步的说明。
如图1所示,本发明一种蜘蛛群居算法的机器人路径规划方法,包括以下步骤:
步骤一:采用栅格法对地图环境进行建模,设置起始节点、目标节点、障碍物;
步骤二:初始化蜘蛛群居算法基本参数,包括种群数目N、婚配半径r、最大迭代次数T、最小适应度值;
步骤三:随机分配初始蜘蛛种群,根据适应度函数,确定当前各个蜘蛛的适应值;
步骤四:蜘蛛种群按照蜘蛛群居算法的学习策略完成协作过程,产生新的蜘蛛个体,根据适应度函数值选择新、旧蜘蛛种群中较优的个体作为迭代种群,记录迭代路径,输出适应度值;
步骤五:判断适应度值是否小于设定的最小适应度值,若适应度值小于或等于最小适应度值,输出最短路径和长度;
步骤六:若适应度值大于最小适应度值,返回步骤四。
改进后的方法收敛结果更稳定,提高了收敛速度与搜索精度,实现所规划的最短路径优异。
步骤六中若适应度值大于最小适应度值,判断迭代次数是否小于最大迭代次数,若迭代次数小于最大迭代次数,返回步骤四;若迭代次数大于或等于最大迭代次数,输出最短路径和长度。迭代次数的设置能够防止在蜘蛛群居算法无法找到最小适应度值时,能够通过最大迭代次数终止算法执行,确保在一定时间内找到的最短路径和长度的输出。
作为优选,学习策略包括惯性权重,惯性权重设置为:
q为惯性权重,n为非线性调整指数,T为最大迭代次数,t为当前迭代次数,qmax和qmin分别是惯性权重的最大值和最小值。惯性权重引入能够在算法进化初期加大算法,使蜘蛛个体尽量在全局范围内搜索,增强蜘蛛种群的全局搜索能力,加强较差个体与全局最优个体之间的信息交流,加速较差个体向着全局最优解的进化速度,促进种群收敛,进化后期保留个体内的优良基因,增强个体的局部搜索能力,使得个体能够在自身邻域附近更加精细搜索,增大个体搜索到全局最优解的概率。
学习策略还包括蜘蛛个体在群体中信息交流程度的学习因子,学习因子变化式为:
Z=Zmin+(Zmax-Zmin)COS(q)
H=Hmax-(Hmax-Hmin)COS(q)
Z与H分别代表个体的自我学习能力和社会学习能力,q惯性权重,其中Zman和Hmax为学习因子Z和H的最大值,Zmin和Hmin为学习因子Z和H的最小值。算法初期优秀个体学习较强,自身学习较弱,随着进化的进行,逐渐减少个体向优秀个体的学习、加大自身的调整力度,所以利用惯性权重同时来控制学习因子,学习因子反应了蜘蛛个体在群体中的信息交流程度,通过惯性权重与学习因子的相互作用来平衡算法的全局探索与局部开发能力提高了算法的收敛速度与精度。
蜘蛛种群包括雄性蜘蛛种群和雌性蜘蛛种群,雄性蜘蛛种群和雌性蜘蛛种群按照蜘蛛群居算法进行雌、雄蜘蛛的婚配。生物学上,雄性蜘蛛具有自动识别聚集功能,可以自动分成较为优异的支配雄性子中种群和较差的非支配雄性子种群。支配雄蜘蛛具有吸引与其靠近的雌性蜘蛛的能力,非支配雄蜘蛛具有向雄性种群中间个体聚集的趋势。
雌性蜘蛛数量在整个蜘蛛总数的65%-90%范围之内随机选取,因此参数雌性蜘蛛数量Nf与雄性蜘蛛数量Nm定义如下:
(Nm=N-Nf
其中rand是[0,1]之间的随机数,而floor映射一个实数为整数。
蜘蛛群婚配半径r定义如下:
整个种群集合S由雌性蜘蛛种群集合F和雄性蜘蛛种群集合M构成,即:
S=F∪M
步骤三中,其分配规则如下:
(Mkj=Mjmin+rand(Mjmax-Mjmin).
其中:Fij和Mkj分别为雌性种群和雄性种群中的个体,Fjmax和Fjmin为第j维变量的上下限,i∈{1,2,…,Nf},k∈{1,2,…,Nm},j∈{1,2,…,D}.。
雄性蜘蛛种群的协作过程个体更新公式为:
其中j为随机选择的与i不同的个体,Sf为距离雄性支配个体i最近的雌性个体f。
蜘蛛群居算法包括以下步骤:
步骤A:判断雄性个体婚配半径内是否存在雌性个体,如果不存在,则转至步骤E;否则,将其在婚配半径内的所有雌性个体结合为一个子种群;
步骤B:计算步骤A中所述子种群内个体的分配概率,具体公式为:
TG为子种群,PSk为子种群内个体的分配概率,w为蜘蛛个体的权重。
步骤C:根据步骤B中所述的概率按照轮盘赌方式从方式从TG内选择个体;
步骤D:如果新个体优于雄性蜘蛛种群和雌性蜘蛛种群中的最差个体,则代替该个体;
步骤E:判断所有雄性个体是否完成婚配行为,完成则结束,否则转至步骤 A。
作为优选,所述新的蜘蛛个体包括原蜘蛛个体、原蜘蛛向邻域最优解学习个体、原蜘蛛向全局最优解学习个体和随机部分。原蜘蛛个体可以理解为自我认知部分,原蜘蛛向邻域最优解学习个体、原蜘蛛向全局最优解学习个体保证个体向更优化方向进化,随机部分可以维护种群多样性。学习策略为原蜘蛛向邻域最优解学习、原蜘蛛向全局最优解学习,学习策略包括惯性权重和学习因子。
作为优选,每个蜘蛛个体都被赋予一个个体权重wi,代表种群中个体i所对应的解决问题的能力,每个蜘蛛的权重为:
J(Si)是蜘蛛个体Si位置获得的适应度值,besti为最优个体适应度值,worsti为最差个体适应度值,计算方式为:
Claims (7)
1.一种蜘蛛群居算法的机器人路径规划方法,其特征在于,包括以下步骤:
步骤一:采用栅格法对地图环境进行建模,设置起始节点、目标节点、障碍物;
步骤二:初始化蜘蛛群居算法基本参数,包括种群数目N、婚配半径r、最大迭代次数T、最小适应度值;
步骤三:随机分配初始蜘蛛种群,根据适应度函数,确定当前各个蜘蛛的适应值;
步骤四:蜘蛛种群依据蜘蛛群居算法的学习策略完成协作过程,产生新的蜘蛛个体,根据适应度函数值选择新、旧蜘蛛种群中较优的个体作为迭代种群,记录迭代路径,输出适应度值;
学习策略包括惯性权重,惯性权重设置为:
q为惯性权重,n为非线性调整指数,T为最大迭代次数,t为当前迭代次数,qmax和qmin分别是惯性权重的最大值和最小值;
步骤五:判断适应度值是否小于设定的最小适应度值,若适应度值小于或等于最小适应度值,输出最短路径和长度;
步骤六:若适应度值大于最小适应度值,返回步骤四。
2.根据权利要求1所述的蜘蛛群居算法的机器人路径规划方法,其特征在于:若适应度值大于最小适应度值,判断迭代次数是否小于最大迭代次数,若迭代次数小于最大迭代次数,返回步骤四;若迭代次数大于或等于最大迭代次数,输出最短路径和长度。
3.根据权利要求1所述的蜘蛛群居算法的机器人路径规划方法,其特征在于:学习策略还包括蜘蛛个体在群体中信息交流程度的学习因子,学习因子变化式为:
Z=Zmin+(Zmax-Zmin)COS(q)
H=Hmax-(Hmax-Hmin)COS(q),
Z与H分别代表个体的自我学习能力和社会学习能力,q惯性权重,其中Zmax和Hmax为学习因子Z和H的最大值,Zmin和Hmin为学习因子Z和H的最小值。
4.根据权利要求1或2或3所述的蜘蛛群居算法的机器人路径规划方法,其特征在于:蜘蛛种群包括雄性蜘蛛种群和雌性蜘蛛种群,雄性蜘蛛种群和雌性蜘蛛种群按照蜘蛛群居算法进行雌、雄蜘蛛的婚配。
6.根据权利要求5所述的蜘蛛群居算法的机器人路径规划方法,其特征在于:新的蜘蛛个体包括原蜘蛛个体、原蜘蛛向邻域最优解学习个体、原蜘蛛向全局最优解学习个体和随机部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811061502.XA CN109613914B (zh) | 2018-09-12 | 2018-09-12 | 一种蜘蛛群居算法的机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811061502.XA CN109613914B (zh) | 2018-09-12 | 2018-09-12 | 一种蜘蛛群居算法的机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109613914A CN109613914A (zh) | 2019-04-12 |
CN109613914B true CN109613914B (zh) | 2021-11-09 |
Family
ID=66002188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811061502.XA Active CN109613914B (zh) | 2018-09-12 | 2018-09-12 | 一种蜘蛛群居算法的机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109613914B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111012251B (zh) * | 2019-12-17 | 2021-09-03 | 哈工大机器人(合肥)国际创新研究院 | 一种清扫机器人的全覆盖路径的规划方法及装置 |
CN111340272A (zh) * | 2020-02-14 | 2020-06-26 | 迈拓仪表股份有限公司 | 一种基于蜘蛛群智算法的供热调度最优化方法 |
CN111818119B (zh) * | 2020-05-04 | 2023-10-24 | 国网浙江省电力有限公司 | 基于改进的蜘蛛集群的数据服务资源优化调度方法 |
CN111882108B (zh) * | 2020-06-18 | 2023-04-28 | 河南科技学院 | 一种混养模式下肉鸡仓储式圈舍分配方法 |
CN112461247B (zh) * | 2020-12-16 | 2023-05-23 | 广州大学 | 一种基于自适应麻雀搜索算法的机器人路径规划方法 |
CN113657722B (zh) * | 2021-07-26 | 2023-07-21 | 西安理工大学 | 基于群居蜘蛛优化算法的发电厂节能调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8571904B2 (en) * | 2008-02-08 | 2013-10-29 | Rockwell Automation Technologies, Inc. | Self sensing component interface system |
CN106611214A (zh) * | 2016-02-04 | 2017-05-03 | 四川用联信息技术有限公司 | 一种求解柔性作业车间调度问题的群居蜘蛛优化算法 |
CN107292381A (zh) * | 2017-07-12 | 2017-10-24 | 东北电力大学 | 一种用于单目标优化的混合生物共生搜索的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090150345A1 (en) * | 2007-12-06 | 2009-06-11 | Leviathan Entertainment | Web Domain Data Replication System |
CN107302140B (zh) * | 2017-05-12 | 2020-01-17 | 哈尔滨工程大学 | 基于量子蜘蛛群演化机制的平面天线阵列稀疏方法 |
-
2018
- 2018-09-12 CN CN201811061502.XA patent/CN109613914B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8571904B2 (en) * | 2008-02-08 | 2013-10-29 | Rockwell Automation Technologies, Inc. | Self sensing component interface system |
CN106611214A (zh) * | 2016-02-04 | 2017-05-03 | 四川用联信息技术有限公司 | 一种求解柔性作业车间调度问题的群居蜘蛛优化算法 |
CN107292381A (zh) * | 2017-07-12 | 2017-10-24 | 东北电力大学 | 一种用于单目标优化的混合生物共生搜索的方法 |
Non-Patent Citations (4)
Title |
---|
Feature Selection Approach Based on Social Spider Algorithm: Case Study on Abdominal CT Liver Tumor;Ahmed M. Anter;《2015 Seventh International Conference on Advanced Communication and Networking 》;20150731;全文 * |
基于动态学习策略的群集蜘蛛优化算法;王艳娇;《控制与决策》;20150930;第30卷(第9期);第1575-1582页 * |
战艺.移动机器人SLAM与路径规划方法研究.《中国优秀硕士学位论文全文数据库•信息科技辑》.2017,正文第34-47页. * |
移动机器人SLAM与路径规划方法研究;战艺;《中国优秀硕士学位论文全文数据库•信息科技辑》;20170615;第34-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109613914A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109613914B (zh) | 一种蜘蛛群居算法的机器人路径规划方法 | |
CN112461247B (zh) | 一种基于自适应麻雀搜索算法的机器人路径规划方法 | |
CN109945881B (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
Abraham et al. | Hybrid differential artificial bee colony algorithm | |
CN112327923B (zh) | 一种多无人机协同路径规划方法 | |
CN111982125A (zh) | 一种基于改进蚁群算法的路径规划方法 | |
CN112462803B (zh) | 一种基于改进nsga-ii的无人机路径规划方法 | |
CN109451012B (zh) | 一种端云协同负载均衡调度方法、系统及存储介质 | |
CN114326735A (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN108875896A (zh) | 一种全局最优引导的自扰动混沌人工蜂群算法 | |
Hao et al. | Efficient and robust emergence of norms through heuristic collective learning | |
Shipman et al. | The use of neutral genotype-phenotype mappings for improved evolutionary search | |
CN114757322A (zh) | 一种多样搜索策略离散粒子群算法 | |
Pan et al. | The phasmatodea population evolution algorithm and its application in 5g heterogeneous network downlink power allocation problem | |
Lhotska et al. | PSO and ACO in Optimization Problems | |
Sooda et al. | A comparative analysis for determining the optimal path using PSO and GA | |
Wang et al. | An improved farmland fertility algorithm for global function optimization | |
Showalter et al. | Multiobjective neuromodulated controllers for efficient autonomous vehicles with mass and drag in the pursuit-evasion game | |
CN112148030B (zh) | 一种基于启发式算法的水下滑翔机路径规划方法 | |
CN102902824A (zh) | 交通路径搜索系统及方法 | |
Yu et al. | A novel automated guided vehicle (AGV) remote path planning based on RLACA algorithm in 5G environment | |
CN113011097A (zh) | 一种多种群自适应协作优化方法 | |
Saggu et al. | Applications of swarm intelligence | |
Goyal et al. | Genetic algorithm: a metaheuristic approach of optimization | |
CN117151577B (zh) | 考虑群体异质性的组合路径优化方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |