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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 16
- 238000011161 development Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 18
- 230000000750 progressive effect Effects 0.000 claims description 7
- 230000009189 diving Effects 0.000 claims description 4
- 230000018109 developmental process Effects 0.000 description 13
- 239000011664 nicotinic acid Substances 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
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:
搜索阶段找到猎物策略为: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,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(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:
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:
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(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:
搜索阶段找到猎物策略为: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,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:
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:
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:
搜索阶段找到猎物策略为: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,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。
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:
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:
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 (6)
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 |
CN114995384A (zh) * | 2022-04-27 | 2022-09-02 | 广东碧桂园职业学院 | 融合神经网络的改进hho算法agv路径规划 |
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)
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 |
-
2020
- 2020-11-04 CN CN202011215605.4A patent/CN112577507A/zh active Pending
Patent Citations (4)
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)
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 (10)
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 |
CN114995384A (zh) * | 2022-04-27 | 2022-09-02 | 广东碧桂园职业学院 | 融合神经网络的改进hho算法agv路径规划 |
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 | |
CN112926139B (zh) | 一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法 | |
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 | |
CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
CN107506821A (zh) | 一种改进的粒子群优化方法 | |
CN102013037A (zh) | 一种基于粒子群算法的路径搜索方法及装置 | |
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 | |
CN102521391A (zh) | 交通路径搜索系统及方法 | |
CN111080035A (zh) | 基于改进量子粒子群优化算法的全局路径规划方法 | |
Ren | Optimal control | |
CN114662638A (zh) | 基于改进人工蜂群算法的移动机器人路径规划方法 | |
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 | |
CN115655279A (zh) | 一种基于改进鲸鱼算法的海上无人救援飞艇路径规划方法 | |
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 | |
CN113625767A (zh) | 一种基于优选信息素灰狼算法的固定翼无人机集群协同路径规划方法 | |
CN109657800A (zh) | 基于参数噪声的强化学习模型优化方法及装置 |
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 |