CN110802601A - 一种基于果蝇优化算法的机器人路径规划方法 - Google Patents
一种基于果蝇优化算法的机器人路径规划方法 Download PDFInfo
- Publication number
- CN110802601A CN110802601A CN201911200819.1A CN201911200819A CN110802601A CN 110802601 A CN110802601 A CN 110802601A CN 201911200819 A CN201911200819 A CN 201911200819A CN 110802601 A CN110802601 A CN 110802601A
- Authority
- CN
- China
- Prior art keywords
- sequence
- path
- individuals
- robot
- fruit fly
- 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.)
- Granted
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于果蝇优化算法的机器人路径规划方法,属于人工智能和机器人控制技术领域。本发明中采用融合遗传机制对果蝇算法进行优化,在个体搜索过程中加入交叉、变异等操作,在保持较强的收敛速度的同时还有更高的全局搜索能力。根据优化后的算法,能够高效得出机器人最优路径规划,在各类场景应用环境中,能够有提升机器人路径规划系统的工作和生产效率,实用性强。
Description
技术领域
本发明涉及一种基于果蝇优化算法的机器人路径规划方法,属于人工智能和机器人控制技术领域。
背景技术
机器人是未来最具发展潜力的产业领域之一,在工业、农业、服务业等领域,应用越来越广泛。随着机器人技术的不断发展,人类对机器人的要求也变得越来越高,不仅要保证可靠性、还有提高机器人的生成效率。目前在制造业企业的工作环境当中,我们已经使用了机器人去代替传统的手工操作,大大提高了制造业企业的生产效率。
机器人路径规划问题是机器人领域的一个重点研究问题,也是在工业环境当中经常面临的问题。在实际场景中也有广泛的技术应用,比如GPS导航、基于GIS系统的道路规划、城市道路网规划导航、焊接机器人路径规划等领域。早期,对于路径规划问题采用的是Dijkstra算法、Floyd算法、A*寻路算法等问题,但是其缺点是由于求解复杂度太高,难以应对复杂的路径规划环境需求。
发明内容
本发明的目的是为了解决机器人系统作业过程中,面临的机器人路径规划的技术问题,提出一种基于果蝇优化算法的机器人路径规划方法,高效求解机器人最优规划路径。果蝇算法(FOA),是由潘文涛教授于2012年受果蝇觅食行为启发,提出的一种新型群体智能算法,具有清晰的生物机制、可塑性强、易编程、较快的搜索速度等优点,但在基本FOA中,果蝇搜索半径是固定值,使得全局搜索能力下降,且易陷入局部最优。本发明中采用融合遗传机制进行改进,在个体搜索过程中加入交叉、变异等操作,在保持较强的收敛速度的同时还有更高的全局搜索能力,能够高效得出机器人最优路径规划,在各类场景应用环境中,能够有提升机器人路径规划系统的工作和生产效率。
一种基于果蝇优化算法的机器人路径规划方法,包括以下步骤:
步骤1:选取机器人系统作业任务中的全部任务点,作为路径点。
步骤2:结合机器人系统作业任务,对果蝇算法进行离散建模,将路径规划问题进行抽象。假设机器人作业任务有n个路径点,路径点标号设为{1,2,3,…,n},则对果蝇的离散编码为:第i只果蝇的当前位置为Ci=(Ci1,Ci2,…,Cin),其中,Cij表示路径点标号;设dj,j+1为路径点Ci,j与Ci,j+1之间的距离,将个体的适应度定义为路径序列长度的倒数,适应度越高表示该果蝇个体越优,以此得到的路径长度越短。第i只果蝇的适应度fi为:
步骤3:设果蝇种群规模为m。随机初始化果蝇种群每个个体,初始化为Ci=Random(),个体序列表示机器人的初始路径序列。计算果蝇种群中每个个体的适应度fi,根据适应度大小,对种群中的个体进行适应度排序,得到适应度最高的个体Cbest,其中适应度越高,表明在当前种群中用这个果蝇个体中的序列解作为机器人的规划路径是最优的;
步骤4:计算其他个体与Cbest的距离步长,即,统计两个个体中序列相异的数量di,距离步长表示其他个体中表征的机器人路径序列与最优路径序列的差异程度。
具体操作即为统计Ci≠Cbest的数量,得到di,0≤di≤n。
步骤5:保存果蝇种群中适应度最高的个体,并对果蝇种群进行分割,将适应度最高的前k个个体作为遗传算法种群进行迭代,其中,选取p个个体,利用步长di更新自己位置,即Ci的序列设位与Cbest一致,其中p+k+1=n,将这p个个体表征的路径序列和最优路径序列保持一致后,再以步骤6的方式进行随机搜索,其作用就是这些个体在当前的机器人最优路径的基础上进行随机搜索,能有更大的概率搜索到更短的机器人作业路径,因此收敛速度更快;而保留前k个个体作为遗传算法种群进行迭代、使用其交叉变异操作是因为每次在当前的最优路径中进行随机搜索容易陷入局部最优解,而遗传算法中的交叉、变异操作能有效提高算法的全局搜索能力,此操作在步骤7中进行;
Ci=Ci(Cbest) (2)
步骤6:根据步长,对p个个体进行果蝇视觉随机搜索,得到新的p个果蝇个体:
Xi=Xi+Random(di) (3)
具体操作为对随机搜索的个体序列,在该序列中,选取长度为d=max{di,threshold}的子序列进行随机化,其中,threshold为最小随机化阈值,设定最小化阈值的作用是保证序列都可以在最优路径序列的基础上接着搜索最优路径序列。
步骤7:根据遗传算法交叉变异操作,对选取的k个果蝇个体进行交叉、变异,生成k个新个体;
交叉操作,即选择两个个体,选择序列中的一段,互换两个个体在这一段的序列值,并且解决出现的冲突问题;变异操作为随机选择一个个体,在这个个体序列中,随机选择两个位置进行交换。交叉变异操作可以得到多样的不同路径序列,在此改进下算法得到的机器人作业路径的长度就越可能是最短长度。
步骤8:根据步骤6生成的p个个体和步骤7中生成的k个个体以及保留的一个Cbest最优个体,一起构成新的序列集合,其中有m个序列,每个序列表示的在算法优化以后搜索到的一个机器人路径规划顺序,其中记录在当前的所有序列中得到的路径长度最短的序列,并在此基础上继续进行步骤3至步骤7的操作,其目的就是通过不断地搜索,并且记录每一次搜索后的序列集合中的最优路径序列,与之前已知的最优路径序列进行比较,若本次搜索到的机器人路径序列比之前的最优路径序列更短,则将此次搜索到的最优路径序列作为已知的最优序列;并且反复迭代这个过程,直到该序列的路径长度已经是机器人路径规划的最短路径长度,结束流程。
步骤9:根据最优路径规划结果,进行机器人系统路径规划。按照最优路径规划,顺序进行机器人系统作业,如得到的最优路径规划为{1,0,3,2,5,……},则机器人的作业顺序为先移动到目标点1进行作业,再移动到目标点0,然后移动到目标点3,之后依次类推。
有益效果
本发明方法,对实际的机器人路径规划问题提出一种高效解决方案,通过对果蝇优化算法进行离散化,加入自适应步长策略加速收敛速度,并融合遗传算法的、交叉变异机制进行加强全局搜索能力。能够高效规划出最优路径,并再实际生产再应用该最优路径作为机器人的工作路径,提高机器人的工作效率,实用性强。
附图说明
图1为本发明方法的流程图。
图2为前大梁的焊接路径规划任务中焊点分布图。
图3为采用本发明方法规划处的路径序列图。
图4为融合遗传机制中的交叉操作示意图。
图5为融合遗传机制中的变异操作示意图。
具体实施方式
下面结合附图和实施例对本发明方法做进一步说明。
实施例
基于改进果蝇优化算法的方案可以有效解决机器人路径规划问题,该方法可应用于港机机器人的焊接任务当中。在港机作业当中,箱梁、桁架等典型大型构件是港机制造中工作量最大的环节,但我国港机企业在其关键工序焊接、打磨和涂装上还完全依靠人工完成,存在效率低下、质量无法保证、作业环境恶劣等问题,而国外企业由于大量研发和使用了机器人等智能加工装备,在制造成本和周期上有较大优势。因此将该算法应用于港机中机器人的焊接、打磨和涂装的作业当中,能有效提高港机机器人的工作效率,提高生产质量。
以下是基于改进果蝇优化算法对港机大构件龙门架前大梁的焊接作业路径规划的具体实施过程
如图1所示,具体实现过程如下:
将焊接构件的焊点坐标作为路径点输入。
表1焊点坐标
步骤1:将以上的焊接工作任务点,作为路径点。
步骤2:结合机器人焊接作业任务,对果蝇算法进行离散建模,将路径规划问题进行抽象。从输入数据可知机器人焊接作业任务有n=36个路径点,路径点标号设为{1,2,3,…,36},则对果蝇的离散编码为:第i只果蝇的当前位置为Ci=(Ci1,Ci2,…,Cin),其中,Cij表示路径点标号;设dj,j+1为路径点Ci,j与Ci,j+1之间的距离,将个体的适应度定义为路径序列长度的倒数,适应度越高表示该果蝇个体越优,以此得到的焊接路径长度越短,第i只果蝇的适应度fi为:
步骤3:设定果蝇种群规模m=50。随机初始化果蝇种群每个个体位置,Ci=Random(),个体序列表示机器人的初始焊接路径序列。计算果蝇种群中每个个体的适应度fi,根据适应度大小,对种群中的个体进行适应度排序,得到适应度最高的个体Cbest,由公式(1)可知适应度为焊接序列长度的倒数,因此适应度越高,表明在当前种群中用这个果蝇个体中的序列解作为机器人的规划焊接路径是最优的;
步骤4:计算其他个体序列与Cbest的距离步长,即,统计两个个体中序列相异的数量di,距离步长表示其他个体中表征的机器人焊接路径序列与最优焊接路径序列的差异程度。
步骤5:保存种群中适应度最高的个体,并对种群进行分割,将适应度最高的前k个个体作为利用遗传算法中的交叉、变异操作进行迭代,其中,选取p个个体,利用步长di更新自己位置,即Ci的序列设位与Cbest一致,其中p+k+1=n,将这p个个体表征的机器人焊接路径序列和最优机器人焊接路径序列保持一致后,再以步骤6的方式进行随机搜索,其作用就是这些个体在当前的机器人最优焊接路径的基础上进行随机搜索,能有更大的概率搜索到更短的机器人焊接作业路径,因此收敛速度更快,能更快速地找到更好的机器人焊接路径;而保留前k个个体作为遗传算法种群进行迭代、使用其交叉变异操作是因为每次在当前的最优焊接路径中进行随机搜索容易陷入局部最优路径,而遗传算法中的交叉、变异操作能有效提高算法的全局搜索能力,能使得我们最终得到的焊接路径长度最短,此操作在步骤7中进行;
Ci=Ci(Cbest) (2)
步骤6:根据步长,对p个个体进行果蝇视觉随机搜索,得到新的p个果蝇个体:
Xi=Xi+Random(di) (3)
具体操作为对随机搜索的个体序列,在该序列中,选取长度为d=max{di,threshold}的子序列进行随机化,其中,threshold为最小随机化阈值,设定最小化阈值的作用是保证序列都可以在最优路径序列的基础上接着搜索最优路径序列。
步骤7:根据遗传算法交叉变异操作,对选取的k个果蝇个体进行交叉、变异,生成k个新个体;
交叉操作,即选择两个个体,选择序列中的一段,互换两个个体在这一段的序列值,并且解决出现的冲突问题;变异操作为随机选择一个个体,在这个个体序列中,随机选择两个位置进行交换。交叉变异操作可以得到多样的不同机器人焊接路径序列,在此改进下算法得到的机器人焊接路径路径的长度就越可能是最短长度。
步骤8:根据步骤6生成的p个个体和步骤7中生成的k个个体以及保留的一个Cbest最优个体,一起构成新的序列集合,其中有m个序列,每个序列表示在算法优化以后搜索到的一个机器人焊接路径规划顺序,其中记录在当前的所有序列中得到的路径长度最短的序列,并在此基础上继续进行步骤3至步骤7的操作,其目的就是通过不断地搜索,并且记录每一次搜索后我们的序列集合中的最优路径序列与之前已知的最优路径序列进行比较,若该次搜索到的机器人路径序列比之前的最优路径序列更短,则将此次我们搜索到的最优路径序列作为已知的最优序列;并且反复迭代这个过程,直到该序列的路径长度已经是机器人路径规划的最短路径长度,终止算法流程。
步骤9:根据最优路径规划结果,进行机器人系统路径规划,具体的实际规划流程就是按照最优路径规划中顺序进行机器人系统作业,比如得到的最优路径规划为{1,0,3,2,5,……},则机器人的作业顺序为先移动到目标点1进行作业,再移动到目标点0,然后移动到目标点3,之后依次类推。
如下表所示,基于改进果蝇优化算法的工作完成了最优路径规划,具体的规划路径如下表所示,其中点序号和相应的坐标值与输入的任务点数据表格是一致的,实际机器人的焊接路径规划则根据以下给出的路径规划结果表格的顺序进行焊接则为最优机器人焊接路径。
表1路径规划结果
Claims (3)
1.一种基于果蝇优化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:选取机器人系统作业任务中的全部任务点,作为路径点;
步骤2:结合机器人系统作业任务,对果蝇算法进行离散建模,将路径规划问题进行抽象;
假设机器人作业任务有n个路径点,路径点标号设为{1,2,3,…,n},则对果蝇的离散编码为:第i只果蝇的当前位置为Ci=(Ci1,Ci2,…,Cin),其中,Cij表示路径点标号;设dj,j+1为路径点Ci,j与Ci,j+1之间的距离,将个体的适应度定义为路径序列长度的倒数,适应度越高表示该果蝇个体越优,以此得到的路径长度越短;第i只果蝇的适应度fi为:
步骤3:设果蝇种群规模为m,随机初始化果蝇种群每个个体,初始化为Ci=Random(),个体序列表示机器人的初始路径序列;计算果蝇种群中每个个体的适应度fi,根据适应度大小,对种群中的个体进行适应度排序,得到适应度最高的个体Cbest,其中适应度越高,表明在当前种群中用这个果蝇个体中的序列解作为机器人的规划路径最优;
步骤4:计算其他个体与Cbest的距离步长,统计两个个体中序列相异的数量di,距离步长表示其他个体中表征的机器人路径序列与最优路径序列的差异程度;
步骤5:保存果蝇种群中适应度最高的个体,并对果蝇种群进行分割,将适应度最高的前k个个体作为遗传算法种群进行迭代,其中,选取p个个体,利用步长di更新自己位置,即Ci的序列设位与Cbest一致,其中p+k+1=n;
Ci=Ci(Cbest) (2)
将这p个个体表征的路径序列和最优路径序列保持一致;
步骤6:根据步长,对p个个体进行果蝇视觉随机搜索,得到新的p个果蝇个体:
Xi=Xi+Random(di) (3)
对随机搜索的个体序列,在该序列中,选取长度为d=max{di,threshold}的子序列进行随机化,其中,threshold为最小随机化阈值;
步骤7:根据遗传算法交叉变异操作,对选取的k个果蝇个体进行交叉、变异,生成k个新个体;
步骤8:根据步骤6生成的p个个体和步骤7中生成的k个个体以及保留的一个Cbest最优个体,一起构成新的序列集合,其中有m个序列,每个序列表示在算法优化以后搜索到的一个机器人路径规划顺序;记录在当前的所有序列中得到的路径长度最短的序列,并在此基础上继续执行步骤3至步骤7,通过不断搜索,并且记录每一次搜索后的序列集合中的最优路径序列,并与之前已知的最优路径序列进行比较,若本次搜索到的机器人路径序列比之前的最优路径序列更短,则将此次搜索到的最优路径序列作为已知的最优序列;并且反复迭代这个过程,直到该序列的路径长度已经是机器人路径规划的最短路径长度,结束流程;
步骤9:根据最优路径规划结果,进行机器人系统路径规划;按照最优路径规划,顺序进行机器人系统作业。
2.如权利要求1所述的一种基于果蝇优化算法的机器人路径规划方法,其特征在于,步骤7所述交叉操作为:选择两个个体,选择序列中的一段,互换两个个体在这一段的序列值,并且解决出现的冲突问题。
3.如权利要求1所述的一种基于果蝇优化算法的机器人路径规划方法,其特征在于,步骤7所述变异操作为:随机选择一个个体,在这个个体序列中,随机选择两个位置进行交换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911200819.1A CN110802601B (zh) | 2019-11-29 | 2019-11-29 | 一种基于果蝇优化算法的机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911200819.1A CN110802601B (zh) | 2019-11-29 | 2019-11-29 | 一种基于果蝇优化算法的机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110802601A true CN110802601A (zh) | 2020-02-18 |
CN110802601B CN110802601B (zh) | 2021-02-26 |
Family
ID=69492050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911200819.1A Active CN110802601B (zh) | 2019-11-29 | 2019-11-29 | 一种基于果蝇优化算法的机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110802601B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111580518A (zh) * | 2020-05-12 | 2020-08-25 | 哈尔滨工程大学 | 一种基于改进果蝇优化和动态窗口法的无人艇分层避障方法 |
CN113311829A (zh) * | 2021-05-11 | 2021-08-27 | 北京理工大学 | 一种基于动态时间窗冲突搜索的多机器人路径规划方法 |
CN113447022A (zh) * | 2020-03-24 | 2021-09-28 | 百德机械股份有限公司 | 工件检测的路径规划方法及其系统 |
CN113495573A (zh) * | 2021-07-30 | 2021-10-12 | 中国人民解放军陆军装甲兵学院 | 一种基于改进全局果蝇算法的地面无人平台路径规划方法 |
CN113495564A (zh) * | 2021-07-30 | 2021-10-12 | 中国人民解放军陆军装甲兵学院 | 一种基于进化型果蝇算法的地面无人平台路径规划方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103846606A (zh) * | 2014-02-17 | 2014-06-11 | 华南理工大学 | 基于机器视觉的焊接轨迹校正专用测试装置及方法 |
CN105643157A (zh) * | 2016-03-02 | 2016-06-08 | 湘潭大学 | 基于修正型果蝇算法优化grnn的大梁自动焊障碍预测方法 |
CN105825293A (zh) * | 2016-03-10 | 2016-08-03 | 桂林电子科技大学 | 一种基于果蝇优化算法的多工位装配序列规划方法 |
US20170350985A1 (en) * | 2016-06-06 | 2017-12-07 | Brian G. Agee | Blind despreading of civil GNSS signals for resilient PNT applications |
CN107677473A (zh) * | 2017-09-23 | 2018-02-09 | 哈尔滨理工大学 | 一种基于foa优化的grnn旋转机械故障预测方法 |
CN108490773A (zh) * | 2018-03-16 | 2018-09-04 | 北京理工大学 | 一种基于视觉传感的仿生分段复合末制导方法 |
CN109299741A (zh) * | 2018-06-15 | 2019-02-01 | 北京理工大学 | 一种基于多层检测的网络攻击类型识别方法 |
CN109905067A (zh) * | 2019-04-12 | 2019-06-18 | 北京理工大学 | 电机驱动系统结构与控制一体优化方法 |
-
2019
- 2019-11-29 CN CN201911200819.1A patent/CN110802601B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103846606A (zh) * | 2014-02-17 | 2014-06-11 | 华南理工大学 | 基于机器视觉的焊接轨迹校正专用测试装置及方法 |
CN105643157A (zh) * | 2016-03-02 | 2016-06-08 | 湘潭大学 | 基于修正型果蝇算法优化grnn的大梁自动焊障碍预测方法 |
CN105825293A (zh) * | 2016-03-10 | 2016-08-03 | 桂林电子科技大学 | 一种基于果蝇优化算法的多工位装配序列规划方法 |
US20170350985A1 (en) * | 2016-06-06 | 2017-12-07 | Brian G. Agee | Blind despreading of civil GNSS signals for resilient PNT applications |
CN107677473A (zh) * | 2017-09-23 | 2018-02-09 | 哈尔滨理工大学 | 一种基于foa优化的grnn旋转机械故障预测方法 |
CN108490773A (zh) * | 2018-03-16 | 2018-09-04 | 北京理工大学 | 一种基于视觉传感的仿生分段复合末制导方法 |
CN109299741A (zh) * | 2018-06-15 | 2019-02-01 | 北京理工大学 | 一种基于多层检测的网络攻击类型识别方法 |
CN109905067A (zh) * | 2019-04-12 | 2019-06-18 | 北京理工大学 | 电机驱动系统结构与控制一体优化方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447022A (zh) * | 2020-03-24 | 2021-09-28 | 百德机械股份有限公司 | 工件检测的路径规划方法及其系统 |
CN111580518A (zh) * | 2020-05-12 | 2020-08-25 | 哈尔滨工程大学 | 一种基于改进果蝇优化和动态窗口法的无人艇分层避障方法 |
CN111580518B (zh) * | 2020-05-12 | 2022-08-02 | 哈尔滨工程大学 | 一种基于改进果蝇优化和动态窗口法的无人艇分层避障方法 |
CN113311829A (zh) * | 2021-05-11 | 2021-08-27 | 北京理工大学 | 一种基于动态时间窗冲突搜索的多机器人路径规划方法 |
CN113311829B (zh) * | 2021-05-11 | 2022-04-08 | 北京理工大学 | 一种基于动态时间窗冲突搜索的多机器人路径规划方法 |
CN113495573A (zh) * | 2021-07-30 | 2021-10-12 | 中国人民解放军陆军装甲兵学院 | 一种基于改进全局果蝇算法的地面无人平台路径规划方法 |
CN113495564A (zh) * | 2021-07-30 | 2021-10-12 | 中国人民解放军陆军装甲兵学院 | 一种基于进化型果蝇算法的地面无人平台路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110802601B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110802601B (zh) | 一种基于果蝇优化算法的机器人路径规划方法 | |
CN109159127B (zh) | 一种基于蚁群算法的双焊接机器人智能路径规划方法 | |
CN104050390B (zh) | 一种基于可变维粒子群膜算法的移动机器人路径规划方法 | |
CN106500697B (zh) | 适用于动态环境的ltl-a*-a*最优路径规划方法 | |
CN107186713B (zh) | 一种过路径点的机械臂多轴运动规划优化方法 | |
CN108413963B (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
CN107563653B (zh) | 一种多机器人全覆盖任务分配方法 | |
CN113050640B (zh) | 一种基于生成对抗网络的工业机器人路径规划方法和系统 | |
CN111610786A (zh) | 基于改进rrt算法的移动机器人路径规划方法 | |
Garcia et al. | GPU-based dynamic search on adaptive resolution grids | |
CN114707881A (zh) | 一种基于深度强化学习的作业车间自适应调度方法 | |
Lunardi et al. | An extended flexible job shop scheduling problem with parallel operations | |
CN110889552A (zh) | 一种基于最优参数遗传算法的苹果自动装箱路径优化方法 | |
CN116244333A (zh) | 一种基于代价因子校准的数据库查询性能预测方法及系统 | |
Das et al. | A modified real time A* algorithm and its performance analysis for improved path planning of mobile robot | |
Pathak et al. | Traveling salesman problem using bee colony with SPV | |
Zhu et al. | Deep reinforcement learning for real-time assembly planning in robot-based prefabricated construction | |
CN107024220B (zh) | 基于强化学习蟑螂算法的机器人路径规划方法 | |
CN106611213A (zh) | 一种求解作业车间调度问题的混合粒子群算法 | |
CN113819919B (zh) | 一种基于布尔约束的机器人最优路径规划方法 | |
Vale et al. | A machine learning-based approach to accelerating computational design synthesis | |
CN113858196A (zh) | 一种考虑机器人避碰轨迹的机器人拆卸序列规划方法 | |
CN111738993B (zh) | 一种基于g-w距离的蚁群图形匹配方法 | |
CN115293623A (zh) | 一种生产调度模型的训练方法、装置、电子设备及介质 | |
Li et al. | An Efficient 2-opt Operator for the Robotic Task Sequencing Problem |
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 |