CN111796597A - 一种基于新型萤火虫群优化的机器人多目标路径寻优方法 - Google Patents
一种基于新型萤火虫群优化的机器人多目标路径寻优方法 Download PDFInfo
- Publication number
- CN111796597A CN111796597A CN202010686930.2A CN202010686930A CN111796597A CN 111796597 A CN111796597 A CN 111796597A CN 202010686930 A CN202010686930 A CN 202010686930A CN 111796597 A CN111796597 A CN 111796597A
- Authority
- CN
- China
- Prior art keywords
- firefly
- path
- population
- robot
- optimization
- 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
- 241000254158 Lampyridae Species 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 8
- 241000254056 Luciola Species 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000037361 pathway Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012545 processing Methods 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
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
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)
- Manipulator (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于新型萤火虫群优化的机器人多目标路径寻优方法,包括参数初始化、基于概率分布随机生成萤火虫种群、根据三维目标函数计算种群个体发光亮度、将Pareto支配关系引入萤火虫种群个体亮度评价体系、采用自适应网格策略划分维护种群多样性、根据多样性优化后的精英记录库生成最优路径。本发明基于Pareto支配关系评价种群个体发光强度,构建精英库保留最优解,同时优化路径长度、路径安全性和路径平滑度三个目标,实现了运行一次多目标路径规划算法,机器人可得到多条可行路径的路径规划方法,它们之间彼此互不支配,均侧重于一个或两个优化目标,平衡了目标之间同时寻优的冲突,为基于目标重要性路径选择提供了多种方案。
Description
技术领域
本发明涉及一种基于新型萤火虫群优化的机器人多目标路径寻优方法,属于机器人运动控制领域。
背景技术
工作在复杂的室内环境中,路径规划是带电作业机器人完成服务任务的重要保障。当前,移动机器人的路径规划方法主要有:基于模板匹配的路径规划方法、基于人工势场的路径规划方法、基于地图构建的路径规划方法和基于人工智能的路径规划方法等。尽管相关方法研究已取得了重要成果,但在实际应用中,仍存在着一定的局限性:多数的路径规划方法通常仅仅追求单个性能指标的最优,比如路径长度最短、路径安全性最好,获得的路径难以适应复杂动态环境的需求。考虑到作业环境具有较强的动态性、异质性和复杂性等特点,而带电作业机器人的路径规划通常需要考虑多项性能指标,比如路径长度、运行时间、路径的安全性、路径平滑程度、机器人能耗等。研究表明,路径规划所涉及的多数指标之间往往是相互冲突的,采用单一的目标函数描述问题难以充分描述问题本质,有必要基于多个目标函数分别表达且同时优化。
发明内容
本发明提供了一种基于新型萤火虫群优化的机器人多目标路径寻优方法,以用于通过多目标函数的方式实现机器人的路径寻优。
本发明的技术方案是:一种基于新型萤火虫群优化的机器人多目标路径寻优方法,包括参数初始化、基于概率分布随机生成萤火虫种群、根据三维目标函数计算种群个体发光亮度、将Pareto支配关系引入萤火虫种群个体亮度评价体系、采用自适应网格策略划分维护种群多样性、根据多样性优化后的精英库生成最优路径。
所述参数初始化包括:种群的大小、算法迭代次数、精英库规模、连续迭代不满足条件的次数、自适应窗格的大小。
所述三维目标函数为{f1(L),f2(S),f3(α)};其中,f1(L)为路径长度、f2(S)为路径安全性、f3(α)为路径平滑度。
所述f1(L)具体为:
其中,d(Pi,Pi+1)为描述机器人可达路径的有序点Pi与Pi+1之间欧式距离,i=1,…n-1表示有序点编号,n为有序点的总个数。
所述f2(S)具体为:
其中,p(Pi,Pi+1)为描述机器人可达路径的有序点Pi与Pi+1之间所经过栅格占有概率之和,i=1,…n-1表示有序点编号,n为有序点的总个数。
所述f3(α)具体为:
其中,αq表示汇集于描述机器人可达路径的有序点Pq处的两段路径矢量间的夹角,q=2,…n-1表示有序点编号,n为有序点的总个数。
所述将Pareto支配关系引入萤火虫种群个体亮度评价体系,具体为:
对于种群中的任意两只萤火虫个体Fu和Fv,采用目标函数{f1(L),f2(S),f3(α)}这一三维向量,基于Pareto支配的相关概念,判断两萤火虫个体之间的Pareto支配关系:若萤火虫Fu支配萤火虫Fv,则萤火虫Fu所表达的路径解更优越,则萤火虫Fv会被萤火虫Fu吸引,并更新其位置;种群中不被任何萤火虫支配的个体则代表了迭代过程中的Pareto最优解,它们随机移动;
随后创建精英库,保留种群迭代过程中的Pareto最优解;在每次迭代过程中,比较每个萤火虫与精英库中成员之间的亮度支配关系:若当前萤火虫的亮度评价不受精英库中的任何成员支配,并且该萤火虫Fc不支配精英库中的任何成员,则将此萤火虫个体Fc加入精英库;若当前萤火虫Fc支配精英库中的某个或若干成员,则将当前萤火虫Fc替换精英库中的受支配成员;若当前萤火虫Fc被精英库中某个或若干成员支配,则萤火虫Fc向精英库中的支配成员移动,若当前萤火虫Fc连续迭代一定代数后,仍受精英库中的某个或若干成员支配,将萤火虫Fc丢弃,并随机产生新的种群成员。
所述位置更新公式如下:
Lv(t+1)=Lv(t)+βuv(ruv)·(Lu(t)-Lv(t))+ruv·random()
其中,Lu(t)、Lv(t)分别为萤火虫Fu和萤火虫Fv在t时刻所在的位置,Lv(t+1)代表萤火虫Fv在t+1时刻所在的位置,βuv(ruv)表示个体吸引半径ruv下的个体吸引程度,random()为[-1,1]之间的随机数。
所述采用自适应网格策略划分维护种群多样性具体为:把种群个体所在的搜索空间划分为若干立体网格,基于网格内种群个体的数目衡量个体密度,在每一代进化时,根据当前个体分布情况自适应调整网格边界,若网格内的个体数目大于设定阈值,随机删掉若干个体。
本发明的有益效果是:本发明利用栅格地图构建环境模型,基于Pareto支配关系评价种群个体发光强度,构建精英库保留最优解,同时优化路径长度、路径安全性和路径平滑度三个目标,实现了运行一次多目标路径规划算法,机器人可得到多条可行路径的路径规划方法,它们之间彼此互不支配,均侧重于一个或两个优化目标,平衡了目标之间同时寻优的冲突,为基于目标重要性路径选择提供了多种方案。
附图说明
图1为本发明流程图;
图2为实施例2仿真结果图。
具体实施方式
实施例1:如图1所示,一种基于新型萤火虫群优化的机器人多目标路径寻优方法,包括参数初始化、基于概率分布随机生成萤火虫种群、根据三维目标函数计算种群个体发光亮度、将Pareto支配关系引入萤火虫种群个体亮度评价体系、采用自适应网格策略划分维护种群多样性、根据多样性优化后的精英库生成最优路径。
进一步地,可以设置所述参数初始化包括:种群的大小、算法迭代次数、精英库规模、连续迭代不满足条件的次数、自适应窗格的大小。
进一步地,可以设置所述三维目标函数为{f1(L),f2(S),f3(α)};其中,f1(L)为路径长度、f2(S)为路径安全性、f3(α)为路径平滑度。
进一步地,可以设置所述f1(L)具体为:对于机器人的某条可达路径L描述为若干有序点(P1,P2,…,Pn-1,Pn)组成的集合,路径长度即为该集合有序点组成的路径线段之和,公式如下:
其中,d(Pi,Pi+1)为描述机器人可达路径的有序点Pi与Pi+1之间欧式距离,i=1,…n-1表示有序点编号,n为有序点的总个数。
规划的路径上是否存在障碍物决定了机器人在此路径运动过程中的安全性。为此,统计路径所经过栅格被障碍占据的概率,可描述路径的安全性。进一步地,可以设置所述f2(S)具体为:
其中,p(Pi,Pi+1)为描述机器人可达路径的有序点Pi与Pi+1之间所经过栅格占有概率之和,i=1,…n-1表示有序点编号,n为有序点的总个数。
为衡量路径的平滑程度,就有序点Pq而言,将汇集于此的两段路径视为两个矢量,计算两矢量之间的夹角αq。若夹角近似等于π,可视为完全平滑,参照最小化目标函数,故进一步地,可以设置所述f3(α)具体为:
其中,αq表示汇集于描述机器人可达路径的有序点Pq处的两段路径矢量间的夹角,q=2,…n-1表示有序点编号,n为有序点的总个数。
进一步地,可以设置所述将Pareto支配关系引入萤火虫种群个体亮度评价体系,具体为:
对于种群中的任意两只萤火虫个体Fu和Fv,采用目标函数{f1(L),f2(S),f3(α)}这一三维向量,基于Pareto支配的相关概念,判断两萤火虫个体之间的Pareto支配关系:若萤火虫Fu支配萤火虫Fv,则萤火虫Fu所表达的路径解更优越,则萤火虫Fv会被萤火虫Fu吸引,并更新其位置;种群中不被任何萤火虫支配的个体则代表了迭代过程中的Pareto最优解,它们随机移动;
随后创建精英库,保留种群迭代过程中的Pareto最优解;在每次迭代过程中,比较每个萤火虫与精英库中成员之间的亮度支配关系:若当前萤火虫的亮度评价不受精英库中的任何成员支配,并且该萤火虫Fc不支配精英库中的任何成员,则将此萤火虫个体Fc加入精英库;若当前萤火虫Fc支配精英库中的某个或若干成员,则将当前萤火虫Fc替换精英库中的受支配成员;若当前萤火虫Fc被精英库中某个或若干成员支配,则萤火虫Fc向精英库中的支配成员移动,若当前萤火虫Fc连续迭代一定代数后,仍受精英库中的某个或若干成员支配,将萤火虫Fc丢弃,并随机产生新的种群成员。
所述位置更新公式如下:
Lv(t+1)=Lv(t)+βuv(ruv)·(Lu(t)-Lv(t))+ruv·random()
其中,Lu(t)、Lv(t)分别为萤火虫Fu和萤火虫Fv在t时刻所在的位置,Lv(t+1)代表萤火虫Fv在t+1时刻所在的位置,βuv(ruv)表示个体吸引半径ruv下的个体吸引程度,random()为[-1,1]之间的随机数。
其中,若决策空间中存在萤火虫个体Fi和Fj,且满足以下公式:
称为萤火虫个体FiPareto支配Fj。式中μ和λ分别为萤火虫个体的序号,s为萤火虫个体的总数,fμ(Fj)、fμ(Fi)、fλ(Fj)、fλ(Fi)表示不同序号下的萤火虫个体亮度。
当且仅当不存在F∈Ω(Ω为决策空间),使得FPareto支配F*成立时,F*被称为Pareto最优解。多目标路径优化中所有的Pareto最优解F*构成的集合称为该问题的Pareto最优解集。
进一步地,可以设置所述采用自适应网格策略划分维护种群多样性具体为:把种群个体所在的搜索空间划分为若干立体网格,基于网格内种群个体的数目衡量个体密度,在每一代进化时,根据当前个体分布情况自适应调整网格边界,若网格内的个体数目大于设定阈值,随机删掉若干个体。
实施例2:如图1-2所示,一种基于新型萤火虫群优化的机器人多目标路径寻优方法,包括参数初始化、基于概率分布随机生成萤火虫种群、根据三维目标函数计算种群个体发光亮度、将Pareto支配关系引入萤火虫种群个体亮度评价体系、采用自适应网格策略划分维护种群多样性、根据多样性优化后的精英记录库生成最优路径。
为验证所述方法的有效性,在15.3m×8.9m的作业环境内试验,环境中分布着大小不一、形状各异的若干障碍物。将作业环境转化为栅格地图,栅格分辨率为10cm×10cm。鉴于仿真场景的非规则性,需兼顾路径起始点和目标点多样性分布。给出测试路径的参数配置,其中坐标原点位于地图左上角,坐标单位厘米,路径R1沿地图主对角线方向(MainDiagonal,MD),起始点(126,119),目标点(1053,428)。
首先设置初始参数如表1所示,此外,萤火虫之间的最大吸引程度为1.0,吸引半径为0.5,自适应窗格大小为f1(L)×f2(S)×f3(α)为50×0.2×0.1。
表1改进萤火虫多目标路径寻优算法的初始参数设置
随后,利用随机函数生成200只萤火虫,计算每只萤火虫的发光亮度,即对应的三维目标函数{f1(L),f2(S),f3(α)}的值Firefly[i]。
当算法迭代次数未达到150次时,将pareto支配关系引入亮度评价体系,构建了以下循环体:
种群中萤火虫i从1到200开始计算,每一次计算一个萤火虫个体对应的三维目标函数值Firefly[i]。
随后,进入下一层循环体,在精英库外的萤火虫个体j从1增长到150。(其中150为种群萤火虫数量-精英库可容纳个体数);
若萤火虫Firefly[j]的亮度评价不受精英记录库中的任何成员支配,并且该萤火虫Firefly[j]不支配精英库中的任何成员,则将此萤火虫个体Firefly[j]加入精英记录库。
若当前萤火虫Firefly[j]支配精英记录库中的某个或若干成员,则将当前萤火虫Firefly[j]替换精英记录库中的受支配成员。
若当前萤火虫Firefly[j]被精英记录库中某个或若干成员支配,则萤火虫Firefly[j]向精英记录库中的支配成员移动。
若当前萤火虫Firefly[j]连续迭代20次后,仍受精英记录库中的某个或若干成员支配,将萤火虫Firefly[j]丢弃,并随机产生新的种群成员,并计算其亮度。重新进入循环判断,直至200只萤火虫个体全部完成循环计算,当算法迭代超过150次时,结束算法。
随后,将生成的精英记录库中非支配解分布较为集中的区域进行处理,即把种群个体所在的搜索空间划分为若干立体网格,基于网格内种群个体的数目衡量个体密度,在每一代进化时,根据当前个体分布情况自适应调整网格边界,若网格内的个体数目大于一定阈值,随机删掉若干个体。
最终精英库中剩余的个体对应的节点构成了机器人的最优路径。
图2给出了基于本申请所述方法在测试路径R1上某次试验中所得机器人可运行的多条Pareto最优(候选)路径。从图中可看出,运行一次多目标路径优化算法,可得到若干条可行路径,它们之间彼此互不支配,均侧重于一个或两个优化目标,平衡了目标之间同时寻优的冲突,为基于目标重要性路径选择提供了多种方案。服务机器人在复杂作业环境中导航时,可实时参照传感器感知周围环境的动态程度,决策自身Pareto最优路径的选择,选择其中的一条更加合适当前环境的运动路径,完成令人满意的服务任务。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (9)
1.一种基于新型萤火虫群优化的机器人多目标路径寻优方法,其特征在于:包括参数初始化、基于概率分布随机生成萤火虫种群、根据三维目标函数计算种群个体发光亮度、将Pareto支配关系引入萤火虫种群个体亮度评价体系、采用自适应网格策略划分维护种群多样性、根据多样性优化后的精英库生成最优路径。
2.根据权利要求1所述的基于新型萤火虫群优化的机器人多目标路径寻优方法,其特征在于:所述参数初始化包括:种群的大小、算法迭代次数、精英库规模、连续迭代不满足条件的次数、自适应窗格的大小。
3.根据权利要求1所述的基于新型萤火虫群优化的机器人多目标路径寻优方法,其特征在于:所述三维目标函数为{f1(L),f2(S),f3(α)};其中,f1(L)为路径长度、f2(S)为路径安全性、f3(α)为路径平滑度。
7.根据权利要求1所述的基于新型萤火虫群优化的机器人多目标路径寻优方法,其特征在于:所述将Pareto支配关系引入萤火虫种群个体亮度评价体系,具体为:
对于种群中的任意两只萤火虫个体Fu和Fv,采用目标函数{f1(L),f2(S),f3(α)}这一三维向量,基于Pareto支配的相关概念,判断两萤火虫个体之间的Pareto支配关系:若萤火虫Fu支配萤火虫Fv,则萤火虫Fu所表达的路径解更优越,则萤火虫Fv会被萤火虫Fu吸引,并更新其位置;种群中不被任何萤火虫支配的个体则代表了迭代过程中的Pareto最优解,它们随机移动;
随后创建精英库,保留种群迭代过程中的Pareto最优解;在每次迭代过程中,比较每个萤火虫与精英库中成员之间的亮度支配关系:若当前萤火虫的亮度评价不受精英库中的任何成员支配,并且该萤火虫Fc不支配精英库中的任何成员,则将此萤火虫个体Fc加入精英库;若当前萤火虫Fc支配精英库中的某个或若干成员,则将当前萤火虫Fc替换精英库中的受支配成员;若当前萤火虫Fc被精英库中某个或若干成员支配,则萤火虫Fc向精英库中的支配成员移动,若当前萤火虫Fc连续迭代一定代数后,仍受精英库中的某个或若干成员支配,将萤火虫Fc丢弃,并随机产生新的种群成员。
8.根据权利要求7所述的基于新型萤火虫群优化的机器人多目标路径寻优方法,其特征在于:所述位置更新公式如下:
Lv(t+1)=Lv(t)+βuv(ruv)·(Lu(t)-Lv(t))+ruv·random()
其中,Lu(t)、Lv(t)分别为萤火虫Fu和萤火虫Fv在t时刻所在的位置,Lv(t+1)代表萤火虫Fv在t+1时刻所在的位置,βuv(ruv)表示个体吸引半径ruv下的个体吸引程度,random()为[-1,1]之间的随机数。
9.根据权利要求1所述的基于新型萤火虫群优化的机器人多目标路径寻优方法,其特征在于:所述采用自适应网格策略划分维护种群多样性具体为:把种群个体所在的搜索空间划分为若干立体网格,基于网格内种群个体的数目衡量个体密度,在每一代进化时,根据当前个体分布情况自适应调整网格边界,若网格内的个体数目大于设定阈值,随机删掉若干个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010686930.2A CN111796597A (zh) | 2020-07-16 | 2020-07-16 | 一种基于新型萤火虫群优化的机器人多目标路径寻优方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010686930.2A CN111796597A (zh) | 2020-07-16 | 2020-07-16 | 一种基于新型萤火虫群优化的机器人多目标路径寻优方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111796597A true CN111796597A (zh) | 2020-10-20 |
Family
ID=72807869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010686930.2A Pending CN111796597A (zh) | 2020-07-16 | 2020-07-16 | 一种基于新型萤火虫群优化的机器人多目标路径寻优方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111796597A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341975A (zh) * | 2021-06-08 | 2021-09-03 | 长沙理工大学 | 基于变目标函数萤火虫优化路径的机器人移动方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017215044A1 (zh) * | 2016-06-14 | 2017-12-21 | 广东技术师范学院 | 一种移动机器人的自动规划路径方法及移动机器人 |
CN110039540A (zh) * | 2019-05-27 | 2019-07-23 | 聊城大学 | 一种多目标同时优化的服务机器人路径规划方法 |
-
2020
- 2020-07-16 CN CN202010686930.2A patent/CN111796597A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017215044A1 (zh) * | 2016-06-14 | 2017-12-21 | 广东技术师范学院 | 一种移动机器人的自动规划路径方法及移动机器人 |
CN110039540A (zh) * | 2019-05-27 | 2019-07-23 | 聊城大学 | 一种多目标同时优化的服务机器人路径规划方法 |
Non-Patent Citations (1)
Title |
---|
范江波 等: "基于改进萤火虫算法的移动机器人多目标路径规划", 《济南大学学报(自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341975A (zh) * | 2021-06-08 | 2021-09-03 | 长沙理工大学 | 基于变目标函数萤火虫优化路径的机器人移动方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109164810B (zh) | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 | |
CN108664022B (zh) | 一种基于拓扑地图的机器人路径规划方法及系统 | |
CN106406346B (zh) | 一种多无人机协同快速覆盖搜索航迹规划方法 | |
CN113467472B (zh) | 一种复杂环境下的机器人路径规划方法 | |
CN112327923B (zh) | 一种多无人机协同路径规划方法 | |
Hu et al. | A knowledge based genetic algorithm for path planning of a mobile robot | |
CN111982125A (zh) | 一种基于改进蚁群算法的路径规划方法 | |
CN107992040B (zh) | 基于地图栅格与qpso算法结合的机器人路径规划方法 | |
CN109945881A (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
CN110375761A (zh) | 基于增强蚁群优化算法的无人驾驶车辆路径规划方法 | |
CN113159432A (zh) | 一种基于深度强化学习的多智能体路径规划方法 | |
Bai et al. | Adversarial examples construction towards white-box Q table variation in DQN pathfinding training | |
CN112462803A (zh) | 一种基于改进nsga-ii的无人机路径规划方法 | |
CN113204417A (zh) | 一种基于改进遗传与萤火虫组合算法的多卫星多点目标观测任务规划方法 | |
Wang et al. | Rank-driven salp swarm algorithm with orthogonal opposition-based learning for global optimization | |
CN108803332A (zh) | 基于改进生物地理学的路径规划方法 | |
CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
CN107179077A (zh) | 一种基于elm‑lrf的自适应视觉导航方法 | |
Li et al. | Path planning of mobile robot based on genetic algorithm and gene rearrangement | |
CN115933693A (zh) | 一种基于自适应混沌粒子群算法的机器人路径规划方法 | |
CN108955689A (zh) | 基于自适应细菌觅食优化算法的rbpf-slam方法 | |
CN114995460A (zh) | 一种基于自适应改进蚁群算法的机器人路径规划方法 | |
CN111796597A (zh) | 一种基于新型萤火虫群优化的机器人多目标路径寻优方法 | |
CN113467481B (zh) | 一种基于改进Sarsa算法的路径规划方法 | |
Xiao-Ting et al. | Flight path planning based on an improved genetic algorithm |
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: 20201020 |