CN112577507A - 基于哈里斯鹰优化算法的电动汽车路径规划方法 - Google Patents

基于哈里斯鹰优化算法的电动汽车路径规划方法 Download PDF

Info

Publication number
CN112577507A
CN112577507A CN202011215605.4A CN202011215605A CN112577507A CN 112577507 A CN112577507 A CN 112577507A CN 202011215605 A CN202011215605 A CN 202011215605A CN 112577507 A CN112577507 A CN 112577507A
Authority
CN
China
Prior art keywords
prey
individual
harris
fitness
strategy
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
Application number
CN202011215605.4A
Other languages
English (en)
Inventor
姜显扬
占家豪
韦博
徐欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202011215605.4A priority Critical patent/CN112577507A/zh
Publication of CN112577507A publication Critical patent/CN112577507A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Remote Sensing (AREA)
  • Strategic Management (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了基于哈里斯鹰优化算法的电动汽车路径规划方法。传统方法需要调节的参数较多。本发明方法具体步骤是：搜索空间每一维的上界和下界，初始化每一个哈里斯鹰个体；选择适应度最小的哈里斯鹰个体为当前猎物位置；根据猎物逃逸能量执行搜索阶段和开发阶段，进行位置更新；如果位置更新后个体适应度小于猎物适应度，则以适应度值最小的个体位置作为新的猎物位置，否则当前猎物位置不变；达到设定最大迭代次数后，输出当前猎物位置作为目标的估计位置，当前猎物路径作为电动汽车路径规划的最短路径。本发明方法具有全局搜索能力强的优点，需要调节的参数较少。

Description

基于哈里斯鹰优化算法的电动汽车路径规划方法
技术领域
本发明属于电动汽车技术领域，具体是电动汽车路径规划的技术领域，涉及一种基于哈里斯鹰优化算法的电动汽车路径规划方法。
背景技术
电动汽车路径规划是指依据某种最优准则，在其行驶路径中寻找出一条从起始状态到目标状态的避开障碍物的最优路径。传统的电动汽车路径规划有：蚁群算法，人工势场法，Dijkstra算法，RRT算法，神经网络等。随着不断研究，一些仿生智能优化算法逐渐应用于路径规划研究中。且实验表明，一些仿生智能优化算法相比传统算法更有优势。
哈里斯鹰优化算法(HHO)是Heidari等人于2019年模拟哈里斯鹰种群捕食构造出一种模拟鹰的捕食行为的仿生算法。该算法通过观察模拟哈里斯鹰在搜寻和捕捉猎物的过程构建数学模型，从而形成智能优化算法求解各种优化问题，该算法主要分为三个过程：搜索阶段、搜索与开发阶段、开发阶段。传统的路径规划方法存在算法复杂度高，收敛速度慢，易陷入局部最优解等问题。
发明内容
本发明的目的是提供一种基于哈里斯鹰优化算法的电动汽车路径规划方法，该方法具有较强的全局搜索能力，并且需要调节的参数较少的优点。
本发明方法包括以下步骤：
S1.搜索空间每一维的上界和下界，初始化每一个哈里斯鹰个体。
S2.选择适应度s(hi)最小的哈里斯鹰个体为当前猎物位置。
S3.根据猎物逃逸能量执行搜索阶段和开发阶段，进行位置更新。具体是：
猎物逃逸能量
Figure BDA0002760237420000011
其中，E0为猎物的初始能量，为[-1,1]之间的随机数，t为迭代次数；如|E|≥1，进入搜索阶段，如|E|＜1，进入开发阶段。
搜索阶段找到猎物策略为：
Figure BDA0002760237420000012
其中，q为[0,1]之间的搜索随机数，h(t)和h(t+1)分别为当前和下一次迭代时哈里斯鹰个体的位置向量，hrand(t)为随机选出的个体位置向量，hrabbit(t)为猎物位置向量，r1、r2、r3、r4都是[0,1]之间的随机数，hm(t)为哈里斯鹰个体平均位置向量，
Figure BDA0002760237420000021
hi(t)为第i个哈里斯鹰个体的位置向量。
在开发阶段，定义r为[0,1]之间的随机数，用于选择不同的开发策略；找到猎物策略为：
a.0.5≤|E|≤1且r≥0.5时，采取软围攻策略进行位置更新；
b.|E|＜0.5且r≥0.5时，采取硬围攻策略进行位置更新；
c.0.5≤|E|≤1且r＜0.5时，采取渐进式快速俯冲的软包围策略进行位置更新；
d.|E|＜0.5且r＜0.5时，采取渐进式快速俯冲的硬包围策略进行位置更新。
S4.计算位置更新后的哈里斯鹰个体适应度，并与猎物适应度值进行比较：如果位置更新后的哈里斯鹰个体适应度小于猎物适应度，则以适应度值最小的哈里斯鹰个体位置作为新的猎物位置；如果位置更新后的哈里斯鹰个体适应度大于等于猎物适应度，则当前猎物位置不变。
S5.如迭代次数t＜T，执行S3～S4；如迭代次数达到设定最大迭代次数T，输出当前猎物位置作为目标的估计位置，当前猎物路径作为电动汽车路径规划的最短路径。
进一步，步骤S1具体是：首先构建一个r行c列的栅格地图；然后对种群进行初始化，设定最大迭代次数T、搜索空间维度n，为每一只哈里斯鹰进行相应初始化：f(hi)＝r×(ub-lb)+lb，ub为搜索空间每一维的上界，lb为搜索空间每一维的下界，hi表示第i个哈里斯鹰个体，i＝1,2,…,M，M为哈里斯鹰个体数量。
更进一步，步骤S2具体是：当二维栅格地图中存在障碍物或哈里斯鹰个体经过的路径两点的连线存在障碍物，其适应度为r×c；当不存在障碍物或者哈里斯鹰个体经过的两点不存在障碍物时，哈里斯鹰所在位置上的适应度
Figure BDA0002760237420000022
(xi,n,yi,n)表示第n维哈里斯鹰个体在栅格地图上的坐标,(xi,n+1,yi,n+1)表示第n+1维哈里斯鹰个体在栅格地图上的坐标；将适应度最小的个体设置为当前猎物位置。
再进一步，步骤S3中开发阶段找到猎物策略具体为：
软围攻策略表示为：h(t+1)＝Δh(t)-E|Jhrabbit(t)-h(t)|；其中J为[0,2]之间的随机数，Δh(t)表示猎物位置与个体当前位置的差值，Δh(t)＝hrabbit(t)-h(t)；
硬围攻策略表示为：h(t+1)＝hrabbit(t)-E|Δh(t)|；
渐进式快速俯冲的软包围策略表示为：
Figure BDA0002760237420000031
Y＝hrabbit(t)-E|Jhrabbit(t)-h(t)|,Z＝Y+S×LF(n)；其中，s(·)为适应度函数，S为n维随机行向量，元素为[0,1]之间的随机数，LF(·)是莱维飞行的数学表达式；
渐进式快速俯冲的硬包围策略表示为：
Figure BDA0002760237420000032
Y′＝hrabbit(t)-E|Jhrabbit(t)-hm(t)|,Z′＝Y′+S×LF(D)。
本发明方法根据猎物逃逸能量在搜索和不同开发之间进行转换，在搜索阶段通过引入搜索随机数q，采用不同的策略找到猎物；在开发阶段，通过引入随机数r，采取不同的开发策略进行位置更新，具有全局搜索能力强的优点。传统方法需要调节的参数相对较多，例如，遗传算法需要调节选择算子，遗传算子，变异算子，种群数量，迭代次数等参数；本发明方法采用的哈里斯鹰优化算法需要调节种群数量，迭代次数等参数，相比于传统一些算法需要调节的参数较少。
附图说明
图1为本发明方法流程图。
具体实施方式
以下结合实施例和附图对本发明做进一步说明。
如图1所示，一种基于哈里斯鹰优化算法的电动汽车路径规划方法，具体步骤是：
S1.种群初始化，搜索空间每一维的上界和下界，初始化每一个哈里斯鹰个体；具体是：
首先构建一个r行c列的栅格地图；
然后对种群进行初始化，设定最大迭代次数T、搜索空间维度n，为每一只哈里斯鹰进行相应初始化：f(hi)＝r×(ub-lb)+lb，ub为搜索空间每一维的上界，lb为搜索空间每一维的下界，hi表示第i个哈里斯鹰个体，i＝1,2,…,M，M为哈里斯鹰个体数量。
S2.选择适应度最小的哈里斯鹰个体为当前猎物位置，具体是：
当二维栅格地图中存在障碍物或哈里斯鹰个体经过的路径两点的连线存在障碍物，其适应度为r×c；当不存在障碍物或者哈里斯鹰个体经过的两点不存在障碍物时，哈里斯鹰所在位置上的适应度
Figure BDA0002760237420000041
(xi,n,yi,n)表示第n维哈里斯鹰个体在栅格地图上的坐标,(xi,n+1,yi,n+1)表示第n+1维哈里斯鹰个体在栅格地图上的坐标；将适应度最小的个体设置为当前猎物位置。
S3.通过更新猎物逃逸能量，根据逃逸能量执行搜索阶段和开发阶段，进行位置更新；具体是：
猎物逃逸能量
Figure BDA0002760237420000042
其中，E0为猎物的初始能量，为[-1,1]之间的随机数，t为迭代次数；如|E|≥1，进入搜索阶段，如|E|＜1，进入开发阶段。
搜索阶段找到猎物策略为：
Figure BDA0002760237420000043
其中，q为[0,1]之间的搜索随机数，h(t)和h(t+1)分别为当前和下一次迭代时哈里斯鹰个体的位置向量，hrand(t)为随机选出的个体位置向量，hrabbit(t)为猎物位置向量，r1、r2、r3、r4都是[0,1]之间的随机数，hm(t)为哈里斯鹰个体平均位置向量，
Figure BDA0002760237420000044
hi(t)为第i个哈里斯鹰个体的位置向量。
在开发阶段，定义r为[0,1]之间的随机数，用于选择不同的开发策略；
找到猎物策略为：
a.0.5≤|E|≤1且r≥0.5时，采取软围攻策略进行位置更新：
h(t+1)＝Δh(t)-E|Jhrabbit(t)-h(t)|；其中J为[0,2]之间的随机数，Δh(t)表示猎物位置与个体当前位置的差值，Δh(t)＝hrabbit(t)-h(t)；
b.|E|＜0.5且r≥0.5时，采取硬围攻策略进行位置更新：h(t+1)＝hrabbit(t)-E|Δh(t)|；
c.当0.5≤|E|≤1且r＜0.5时，采取渐进式快速俯冲的软包围策略进行位置更新：
Figure BDA0002760237420000051
Y＝hrabbit(t)-E|Jhrabbit(t)-h(t)|,Z＝Y+S×LF(n)；其中，s(·)为适应度函数，S为n维随机行向量，元素为[0,1]之间的随机数，LF(·)是莱维飞行的数学表达式；
d.当|E|＜0.5且r＜0.5时，采取渐进式快速俯冲的硬包围策略进行位置更新：
Figure BDA0002760237420000052
Y′＝hrabbit(t)-E|Jhrabbit(t)-hm(t)|,Z′＝Y′+S×LF(D)。
S4.计算位置更新后的哈里斯鹰个体适应度，并与猎物适应度值进行比较：如果位置更新后的哈里斯鹰个体适应度小于猎物适应度，则以适应度值最小的哈里斯鹰个体位置作为新的猎物位置；如果位置更新后的哈里斯鹰个体适应度大于等于猎物适应度，则当前猎物位置不变。
S5.如迭代次数t＜T，执行S3～S4；如迭代次数达到设定最大迭代次数T，输出当前猎物位置作为目标的估计位置，当前猎物路径作为电动汽车路径规划的最短路径。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，本领域的普通技术人员应当知道：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.基于哈里斯鹰优化算法的电动汽车路径规划方法，其特征在于，该方法具体步骤是：
S1.搜索空间每一维的上界和下界，初始化每一个哈里斯鹰个体；
S2.选择适应度s(hi)最小的哈里斯鹰个体为当前猎物位置；
S3.根据猎物逃逸能量执行搜索阶段和开发阶段，进行位置更新；具体是：
猎物逃逸能量
Figure FDA0002760237410000011
其中，E0为猎物的初始能量，为[-1,1]之间的随机数，t为迭代次数；如|E|≥1，进入搜索阶段，如|E|＜1，进入开发阶段；
搜索阶段找到猎物策略为：
Figure FDA0002760237410000012
其中，q为[0,1]之间的搜索随机数，h(t)和h(t+1)分别为当前和下一次迭代时哈里斯鹰个体的位置向量，hrand(t)为随机选出的个体位置向量，hrabbit(t)为猎物位置向量，r1、r2、r3、r4都是[0,1]之间的随机数，hm(t)为哈里斯鹰个体平均位置向量，
Figure FDA0002760237410000013
hi(t)为第i个哈里斯鹰个体的位置向量；
在开发阶段，定义r为[0,1]之间的随机数，用于选择不同的开发策略；找到猎物策略为：
a.0.5≤|E|≤1且r≥0.5时，采取软围攻策略进行位置更新；
b.|E|＜0.5且r≥0.5时，采取硬围攻策略进行位置更新；
c.0.5≤|E|≤1且r＜0.5时，采取渐进式快速俯冲的软包围策略进行位置更新；
d.|E|＜0.5且r＜0.5时，采取渐进式快速俯冲的硬包围策略进行位置更新；
S4.计算位置更新后的哈里斯鹰个体适应度，并与猎物适应度值进行比较：如果位置更新后的哈里斯鹰个体适应度小于猎物适应度，则以适应度值最小的哈里斯鹰个体位置作为新的猎物位置；如果位置更新后的哈里斯鹰个体适应度大于等于猎物适应度，则当前猎物位置不变；
S5.如迭代次数t＜T，执行S3～S4；如迭代次数达到设定最大迭代次数T，输出当前猎物位置作为目标的估计位置，当前猎物路径作为电动汽车路径规划的最短路径。
2.如权利要求1所述的基于哈里斯鹰优化算法的电动汽车路径规划方法，其特征在于，步骤S1具体是：
首先构建一个r行c列的栅格地图；
然后对种群进行初始化，设定最大迭代次数T、搜索空间维度n，为每一只哈里斯鹰进行相应初始化：f(hi)＝r×(ub-lb)+lb，ub为搜索空间每一维的上界，lb为搜索空间每一维的下界，hi表示第i个哈里斯鹰个体，i＝1,2,…,M，M为哈里斯鹰个体数量。
3.如权利要求2所述的基于哈里斯鹰优化算法的电动汽车路径规划方法，其特征在于，步骤S2具体是：
当二维栅格地图中存在障碍物或哈里斯鹰个体经过的路径两点的连线存在障碍物，其适应度为r×c；当不存在障碍物或者哈里斯鹰个体经过的两点不存在障碍物时，哈里斯鹰所在位置上的适应度
Figure FDA0002760237410000021
(xi,n,yi,n)表示第n维哈里斯鹰个体在栅格地图上的坐标,(xi,n+1,yi,n+1)表示第n+1维哈里斯鹰个体在栅格地图上的坐标；将适应度最小的个体设置为当前猎物位置。
4.如权利要求3所述的基于哈里斯鹰优化算法的电动汽车路径规划方法，其特征在于，步骤S3中开发阶段找到猎物策略具体为：
软围攻策略表示为：h(t+1)＝Δh(t)-E|Jhrabbit(t)-h(t)|；其中J为[0,2]之间的随机数，Δh(t)表示猎物位置与个体当前位置的差值，Δh(t)＝hrabbit(t)-h(t)；
硬围攻策略表示为：h(t+1)＝hrabbit(t)-E|Δh(t)|；
渐进式快速俯冲的软包围策略表示为：
Figure FDA0002760237410000022
Y＝hrabbit(t)-E|Jhrabbit(t)-h(t)|,Z＝Y+S×LF(n)；其中，s(·)为适应度函数，S为n维随机行向量，元素为[0,1]之间的随机数，LF(·)是莱维飞行的数学表达式；
渐进式快速俯冲的硬包围策略表示为：
Figure FDA0002760237410000023
Y′＝hrabbit(t)-E|Jhrabbit(t)-hm(t)|,Z′＝Y′+S×LF(D)。
CN202011215605.4A 2020-11-04 2020-11-04 基于哈里斯鹰优化算法的电动汽车路径规划方法 Pending CN112577507A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011215605.4A CN112577507A (zh) 2020-11-04 2020-11-04 基于哈里斯鹰优化算法的电动汽车路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011215605.4A CN112577507A (zh) 2020-11-04 2020-11-04 基于哈里斯鹰优化算法的电动汽车路径规划方法

Publications (1)

Publication Number Publication Date
CN112577507A true CN112577507A (zh) 2021-03-30

Family

ID=75120070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011215605.4A Pending CN112577507A (zh) 2020-11-04 2020-11-04 基于哈里斯鹰优化算法的电动汽车路径规划方法

Country Status (1)

Country Link
CN (1) CN112577507A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113189988A (zh) * 2021-04-21 2021-07-30 合肥工业大学 一种基于Harris算法与RRT算法复合的自主路径规划方法
CN113326912A (zh) * 2021-05-28 2021-08-31 南京邮电大学 一种基于信息共享哈里斯鹰优化的超宽带定位方法
CN116242383A (zh) * 2023-03-15 2023-06-09 皖西学院 一种基于增强哈里斯鹰算法的无人车路径规划方法
CN116572791A (zh) * 2023-05-10 2023-08-11 淮阴工学院 一种电动汽车用自适应智能快充充电装置
CN117021977A (zh) * 2023-10-10 2023-11-10 中国人民解放军陆军装甲兵学院 一种多轮独立电驱动车辆驱动力集成控制策略生成方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108571978A (zh) * 2018-03-09 2018-09-25 杭州电子科技大学 基于拓扑和权重的超标排放车辆最短路径跟踪匹配方法
CN111506856A (zh) * 2020-03-10 2020-08-07 燕山大学 一种基于改进哈里斯鹰优化算法的光伏电池参数辨识方法
CN111709511A (zh) * 2020-05-07 2020-09-25 西安理工大学 一种基于随机无迹Sigma点变异的哈里斯鹰优化算法
CN111859796A (zh) * 2020-07-14 2020-10-30 温州大学 基于纵横交叉和nm型的哈里斯鹰光伏模型参数优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108571978A (zh) * 2018-03-09 2018-09-25 杭州电子科技大学 基于拓扑和权重的超标排放车辆最短路径跟踪匹配方法
CN111506856A (zh) * 2020-03-10 2020-08-07 燕山大学 一种基于改进哈里斯鹰优化算法的光伏电池参数辨识方法
CN111709511A (zh) * 2020-05-07 2020-09-25 西安理工大学 一种基于随机无迹Sigma点变异的哈里斯鹰优化算法
CN111859796A (zh) * 2020-07-14 2020-10-30 温州大学 基于纵横交叉和nm型的哈里斯鹰光伏模型参数优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
智能算法研学社（JACK旭）: "智能优化算法：哈里斯鹰算法", 《CSDN论坛》 *
智能算法研学社（JACK旭）: "路径规划算法：基于灰狼优化的路径规划算法", 《CSDN论坛》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113189988A (zh) * 2021-04-21 2021-07-30 合肥工业大学 一种基于Harris算法与RRT算法复合的自主路径规划方法
CN113326912A (zh) * 2021-05-28 2021-08-31 南京邮电大学 一种基于信息共享哈里斯鹰优化的超宽带定位方法
CN113326912B (zh) * 2021-05-28 2022-08-09 南京邮电大学 一种基于信息共享哈里斯鹰优化的超宽带定位方法
CN116242383A (zh) * 2023-03-15 2023-06-09 皖西学院 一种基于增强哈里斯鹰算法的无人车路径规划方法
CN116242383B (zh) * 2023-03-15 2023-09-15 皖西学院 一种基于增强哈里斯鹰算法的无人车路径规划方法
CN116572791A (zh) * 2023-05-10 2023-08-11 淮阴工学院 一种电动汽车用自适应智能快充充电装置
CN116572791B (zh) * 2023-05-10 2023-12-19 淮阴工学院 一种电动汽车用自适应智能快充充电装置
CN117021977A (zh) * 2023-10-10 2023-11-10 中国人民解放军陆军装甲兵学院 一种多轮独立电驱动车辆驱动力集成控制策略生成方法
CN117021977B (zh) * 2023-10-10 2024-01-09 中国人民解放军陆军装甲兵学院 一种多轮独立电驱动车辆驱动力集成控制策略生成方法

Similar Documents

Publication Publication Date Title
CN112577507A (zh) 基于哈里斯鹰优化算法的电动汽车路径规划方法
CN109765893B (zh) 基于鲸鱼优化算法的移动机器人路径规划方法
CN108919641B (zh) 一种基于改进樽海鞘算法的无人机航迹规划方法
CN109945881B (zh) 一种蚁群算法的移动机器人路径规划方法
CN112362066B (zh) 一种基于改进的深度强化学习的路径规划方法
CN112461247A (zh) 一种基于自适应麻雀搜索算法的机器人路径规划方法
Siebel et al. Evolutionary reinforcement learning of artificial neural networks
CN116242383B (zh) 一种基于增强哈里斯鹰算法的无人车路径规划方法
CN110823229B (zh) 一种基于优化萤火虫算法的移动机器人路径规划方法系统
CN107506821A (zh) 一种改进的粒子群优化方法
CN108413963A (zh) 基于自学习蚁群算法的条形机器人路径规划方法
CN111709511A (zh) 一种基于随机无迹Sigma点变异的哈里斯鹰优化算法
CN116859903A (zh) 基于改进哈里斯鹰优化算法的机器人平滑路径规划方法
CN115202394A (zh) 一种基于改进遗传算法的无人机全覆盖路径规划方法
Ren Optimal control
CN112000001A (zh) 一种基于改进贝叶斯模型的pid参数整定优化方法
CN115342812A (zh) 一种基于改进蝴蝶优化算法的无人机三维航迹规划方法
CN114742231A (zh) 基于帕累托优化的多目标强化学习方法和装置
CN113848889A (zh) 一种基于鲸鱼优化算法和人工势场法结合的路径规划方法
CN108955689A (zh) 基于自适应细菌觅食优化算法的rbpf-slam方法
CN110766125A (zh) 一种基于人工鱼群算法的多目标武器——目标分配方法
CN114662638A (zh) 基于改进人工蜂群算法的移动机器人路径规划方法
CN115169517A (zh) 一种改进的灰狼优化算法的方法
CN110852435A (zh) 一种基于神经进化计算模型
CN111080035A (zh) 基于改进量子粒子群优化算法的全局路径规划方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210330

RJ01 Rejection of invention patent application after publication