CN113885536B - 一种基于全局海鸥算法的移动机器人路径规划方法 - Google Patents
一种基于全局海鸥算法的移动机器人路径规划方法 Download PDFInfo
- Publication number
- CN113885536B CN113885536B CN202111460726.XA CN202111460726A CN113885536B CN 113885536 B CN113885536 B CN 113885536B CN 202111460726 A CN202111460726 A CN 202111460726A CN 113885536 B CN113885536 B CN 113885536B
- Authority
- CN
- China
- Prior art keywords
- gull
- optimal
- global
- path planning
- algorithm
- 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
- 241000272168 Laridae Species 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000006870 function Effects 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 17
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 241000272161 Charadriiformes Species 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 241000364019 Theisoa Species 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G05D1/0223—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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/003—Navigation within 3D models or images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明提供一种基于全局海鸥算法的移动机器人路径规划方法,包括以下步骤:获取机器人移动区域地图;根据移动区域地图,建立移动区域地图路径规划的目标函数;基于海鸥算法,通过高斯映射初始化海鸥种群位置;并根据目标函数,计算最优适应度值和最优海鸥位置;通过历史全局最优位置,和本次迭代最优海鸥位置来进行海鸥位置更新;对最优海鸥位置进行透镜反向学习,获取学习后的最优适应度值和最优海鸥位置;并将学习前后适应度值最优的海鸥位置,作为更新后的最优海鸥位置;根据预设的最大迭代次数依次更新的最优海鸥位置,确定最优路径规划结果。该方法克服了现有海鸥算法存在的不足,能够显著提升路径规划的效果。
Description
技术领域
本发明涉及机器人学技术领域,具体涉及一种基于全局海鸥算法的移动机器人路径规划方法。
背景技术
移动机器人的路径规划是移动机器人技术中的一个关键技术。路径规划技术是使移动机器人根据周围环境信息,自动寻找一条从起始点到目标点的无碰撞的轨迹。其中移动机器人的路径规划算法是移动机器人路径规划的核心。移动机器人的路径规划是指其在对周围环境进行感知后,能够自行规划出一条从出发点至终点的最优移动路径,这条最优路径可以是满足移动路径最短,可以是满足耗时最短,还可以满足能量消耗最少等。
根据目前的研究来看,海鸥算法是一种模拟海鸥觅食行为的新型智能优化算法,同样可以应用于路径规划问题。然而,海鸥优化算法存仍然存在有一些缺陷,使得算法容易陷入局部最优和收敛精度不高,在进行移动机器人路径规划时,往往达不到理想的路径规划效果。如:(1)在确定种群位置时,海鸥个体的位置是随机确定的,这就使得算法具有一定的盲目性和随机性;(2)海鸥算法的位置更新是根据目标物的位置,采用螺旋进攻的方式,向最佳位置移动,但是如果只是根据最佳目标位置进行移动,很容易使海鸥陷入局部最优解;(3)海鸥算法陷入局部最优解时,没有任何措施能帮助其跳出局部最优解。
为此,本发明提出了一种新的基于全局海鸥算法的移动机器人路径规划方法。
发明内容
为解决上述问题,本发明提供一种基于全局海鸥算法的移动机器人路径规划方法,克服了现有海鸥算法存在的不足,能够显著提升路径规划的效果。
为实现上述目的,本发明提供了如下的技术方案。
一种基于全局海鸥算法的移动机器人路径规划方法,包括以下步骤:
获取机器人移动区域地图;
根据移动区域地图,建立移动区域地图路径规划的目标函数;
基于海鸥算法,通过高斯映射初始化海鸥种群位置;并根据目标函数,计算最优适应度值和最优海鸥位置;
通过历史全局最优位置,和本次迭代最优海鸥位置来进行海鸥位置更新,并确定更新后的最优适应度值和最优海鸥位置;
对最优海鸥位置进行透镜反向学习,获取学习后的最优适应度值和最优海鸥位置;并将学习前后适应度值最优的海鸥位置,作为更新后的最优海鸥位置;
根据预设的最大迭代次数依次更新的最优海鸥位置,确定最优路径规划结果。
优选地,所述获取机器人移动区域地图,包括以下步骤:对移动机器人的环境进行建模,得到移动区域地图并对地图进行格栅化处理。
优选地,所述目标函数为移动路径最短、耗时最短或消耗能量最少,并根据目标函数确定相应的约束条件以及路径的关键节点数。
优选地,所述高斯映射初始化海鸥种群位置,具体包括:
确定海鸥种群大小以及寻优的上下边界;
通过高斯映射随机数x t产生:
利用产生的高斯随机数x t初始化海鸥位置P s (t)为:
式中:LB为海鸥寻优下边界;UB为海鸥寻优上边界。
优选地,所述通过历史全局最优位置,和本次迭代最优海鸥位置来进行海鸥位置更新,包括以下步骤:通过海鸥迁徙行为和海鸥全局攻击行为进行海鸥位置更新。
优选地,所述海鸥迁徙行为包括:
采用附加变量A计算海鸥的新位置,来避免与其他海鸥碰撞:
式中:C s (t)为不与其他海鸥存在位置冲突的新位置;P s (t)为海鸥当前位置;t为当前迭代次数;A为海鸥在给定搜索空间中的运动行为;f s 为控制系数,取值从2降到0;
向最佳位置所在的方向移动:
式中:M s (t)为最佳位置所在的方向;P gs (t)为最佳位置;B为负责平衡全局和局部搜索的随机数;r d 为[0,1]范围内的随机数;
到达新的位置:
式中:D s (t)是海鸥的向新位置移动的距离。
优选地,所述海鸥全局攻击行为包括:
通过螺旋运动不断改变攻击角度和速度,螺旋运动行为表示为:
式中:r为每个螺旋的半径,θ为[0,2π]范围内的随机角度值;u和v为螺旋形状的相关常数;e为自然对数的底数;
综合考虑历史全局最优位置,和本次迭代最优海鸥位置来更新位置:
式中:r 1 和r 2 为随机学习权重,总和为1;P gs (t)为历史最佳位置;P bs (t)为本次迭代最佳位置;
计算适应度值:
记录当次迭代中最优海鸥。
优选地,所述最优海鸥位置进行透镜反向学习:
式中:n为缩放因子。
优选地,所述将学习前后适应度值最优的海鸥位置,作为更新后的最优海鸥位置,具体包括:
判断学习前后的适应度值,即:
确定更新后的最优海鸥位置为P gs (t)。
本发明提出一种基于全局海鸥算法的移动机器人路径规划方法,包括以下有益效果:
(1)通过引入高斯映射进行海鸥种群位置的初始化,可以提升种群位置分布的均匀性和多样性,进而算法的稳定性得以增强。
(2)对海鸥的位置更新方式进行了改进合考虑历史全局最优位置,和本次迭代最优海鸥位置,实现了算法搜索范围的增大,算法的适应性得以增强。
(3) 对最优海鸥利用透镜反向学习进行更新,实现了算法在后期跳出局部最优解的能力。
附图说明
图1是本发明实施例的方法流程图;
图2是本发明实施例的案例1的路径规划结果示意图;
图3是本发明实施例的案例2的路径规划结果示意图;
图4是本发明实施例的案例3的路径规划结果示意图;
图5是本发明实施例的案例1的迭代过程曲线图;
图6是本发明实施例的案例2的迭代过程曲线图;
图7是本发明实施例的案例3的迭代过程曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
本发明的一种基于全局海鸥算法的移动机器人路径规划方法,如图1所示,具体包括以下步骤:
S1:对移动机器人的环境进行建模,得到移动区域地图并对地图进行格栅化处理。
S2:建立移动区域地图路径规划的目标函数,可为为移动路径最短、耗时最短或消耗能量最少。
S3:根据目标函数funtion确定相应的约束条件以及路径的关键节点数D;进行参数设置,包括:海鸥种群的大小(即海鸥个体的数量)Popsize;迭代的最大次数(即迭代停止的条件)Miter;海鸥寻优下边界LB;海鸥寻优上边界UB。
S4:基于海鸥算法,通过高斯映射初始化海鸥种群位置,具体包括:
确定海鸥种群大小以及寻优的上下边界;
通过高斯映射随机数x t产生:
利用产生的高斯随机数x t初始化海鸥位置P s (t)为:
式中:LB为海鸥寻优下边界;UB为海鸥寻优上边界。
S5:通过历史全局最优位置,和本次迭代最优海鸥位置来进行海鸥位置更新,并确定更新后的最优适应度值和最优海鸥位置,具体包括:
S5.1:海鸥迁徙行为
在迁移过程中,算法模拟海鸥群如何从一个位置移动到另一个位置。在这个阶段主要包含三个行为:避免碰撞,向最佳位置方向移动和靠近最佳位置。
采用附加变量A计算海鸥的新位置,来避免与其他海鸥碰撞:
式中:C s (t)为不与其他海鸥存在位置冲突的新位置;P s (t)为海鸥当前位置;t为当前迭代次数;A为海鸥在给定搜索空间中的运动行为;f s 为控制系数,取值从2降到0;
在避免了与其他海鸥的位置重合之后,海鸥向最佳位置所在的方向移动:
式中:M s (t)为最佳位置所在的方向;P gs (t)为最佳位置;B为负责平衡全局和局部搜索的随机数;r d 为[0,1]范围内的随机数;
海鸥移动到不与其他海鸥相撞的位置后,就朝着最佳位置的所在方向进行移动,到达新的位置:
式中:D s (t)是海鸥的向新位置移动的距离。
S5.2:海鸥全局攻击行为
通过螺旋运动不断改变攻击角度和速度,螺旋运动行为表示为:
式中:r为每个螺旋的半径,θ为[0,2π]范围内的随机角度值;u和v为螺旋形状的相关常数;e为自然对数的底数;
原始海鸥中,只利用全局最优海鸥位置进行引导,来更新海鸥位置,为了更加有效的提高海鸥的全局搜索能力,海鸥位置更新综合考虑历史全局最优位置,和本次迭代最优海鸥位置。使得海鸥能够不仅仅向着最优位置搜索,而是综合考虑历史最优和本次迭代最优来进行搜索,提高其搜索范围,提高跳出局部最优的能力。位置更新如下表达式所示:
式中:r 1 和r 2 为随机学习权重能够调节海鸥的向历史最优学习和本次最优海鸥学习的影响,总和为1;为历史最佳位置;为本次迭代最佳位置。
计算适应度值:
记录当次迭代中最优海鸥。
S6:对最优海鸥位置进行透镜反向学习,并利用贪婪原则更新最优海鸥,提高其跳出局部最优解的能力。具体包括:
对最优海鸥位置进行透镜反向学习,包括:
将学习前后适应度值最优的海鸥位置,作为更新后的最优海鸥位置,式中:n为缩放因子。
具体包括:
判断学习前后的适应度值,即贪婪更新:
确定更新后的最优海鸥位置为P gs (t)。
S7:根据预设的最大迭代次数依次更新的最优海鸥位置,确定最优路径规划结果。
本实施例中:
以MATLAB为仿真平台,建立三种移动机器人的256×256的格栅地图,以最短移动距离为目标,对SOA方法和ISOA方法进行分析。SOA算法中的参数为:Popsize=50,Maxiter=200,LB=1,UB=255;ISOA算法中的参数为:Popsize=50,Maxiter=200,LB=1,UB=255。仿真环境和两个方法分别得到的移动路径如图2-4所示,图5-7为迭代过程曲线。表1为两种算法的数据结果对比。
表1算法路径结果比较
算法 | 案例1 | 案例2 | 案例3 |
SOA(路径长度) | 378.3215 | 387.6524 | 404.0974 |
ISOA(路径长度) | 352.707 | 351.7985 | 382.9601 |
从图2-4中可以直观的发现SOA得到的移动路径比ISOA的要长,路径比较迂回,而ISOA得到的路径则比较合理。进一步分析图2-4和图5-7中的结果可知,采用SOA算法时,算法收敛速度较慢;采用ISOA算法时,收敛速度更快,能更快的找到更好的路径。可以看出,本发明所设计的ISOA算法具有更快的收敛速度和收敛精度,而SOA则出现了陷入局部最优的情况。仿真结果表明,在多种相同的环境下,ISOA算法搜索能力更强,获得了更优移动路径,验证了算法的有效性。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于全局海鸥算法的移动机器人路径规划方法,其特征在于,包括以下步骤:
获取机器人移动区域地图;
根据移动区域地图,建立移动区域地图路径规划的目标函数;
基于海鸥算法,通过高斯映射初始化海鸥种群位置;并根据目标函数,计算最优适应度值和最优海鸥位置;
通过历史全局最优位置,和本次迭代最优海鸥位置来进行海鸥位置更新,并确定更新后的最优适应度值和最优海鸥位置;
对最优海鸥位置进行透镜反向学习,获取学习后的最优适应度值和最优海鸥位置;并将学习前后适应度值最优的海鸥位置,作为更新后的最优海鸥位置;
根据预设的最大迭代次数依次更新的最优海鸥位置,确定最优路径规划结果;
所述通过历史全局最优位置,和本次迭代最优海鸥位置来进行海鸥位置更新,包括以下步骤:通过海鸥迁徙行为和海鸥全局攻击行为进行海鸥位置更新;
所述海鸥全局攻击行为包括:
通过螺旋运动不断改变攻击角度和速度,螺旋运动行为表示为:
式中:r为每个螺旋的半径,θ为[0,2π]范围内的随机角度值;u和v为螺旋形状的相关常数;e为自然对数的底数;
综合考虑历史全局最优位置,和本次迭代最优海鸥位置来更新位置:
r1=rand()
r2=1-r1
Ps(t)=r1×(Ds(t)×x×y×z+Pgs(t))+r2×(Ds(t)×x×y×z+Pbs(t))
式中:r1和r2为随机学习权重,总和为1;Pgs(t)为历史最佳位置;Pbs(t)为本次迭代最佳位置;Ds(t)是海鸥的向新位置移动的距离;
计算适应度值:
fitness(t)=Fitnessfunc(Ps(t))
记录当次迭代中最优海鸥。
2.根据权利要求1所述的基于全局海鸥算法的移动机器人路径规划方法,其特征在于,所述获取机器人移动区域地图,包括以下步骤:对移动机器人的环境进行建模,得到移动区域地图并对地图进行格栅化处理。
3.根据权利要求1所述的基于全局海鸥算法的移动机器人路径规划方法,其特征在于,所述目标函数为移动路径最短、耗时最短或消耗能量最少,并根据目标函数确定相应的约束条件以及路径的关键节点数。
5.根据权利要求1所述的基于全局海鸥算法的移动机器人路径规划方法,其特征在于,所述海鸥迁徙行为包括:
采用附加变量A计算海鸥的新位置,来避免与其他海鸥碰撞:
Cs(t)=A×Ps(t)
A=fc-(t×fc/Miter)
式中:Cs(t)为不与其他海鸥存在位置冲突的新位置;Ps(t)为海鸥当前位置;t为当前迭代次数;A为海鸥在给定搜索空间中的运动行为;fc为控制系数,取值从2降到0;
向最佳位置所在的方向移动:
Ms(t)=B×(Pgs(t)-Ps(t))
B=2×A2×rd
式中:Ms(t)为最佳位置所在的方向;Pgs(t)为最佳位置;B为负责平衡全局和局部搜索的随机数;rd为[0,1]范围内的随机数;
到达新的位置:
Ds(t)=|Cs(t)+Ms(t)|
式中:Ds(t)是海鸥的向新位置移动的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111460726.XA CN113885536B (zh) | 2021-12-03 | 2021-12-03 | 一种基于全局海鸥算法的移动机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111460726.XA CN113885536B (zh) | 2021-12-03 | 2021-12-03 | 一种基于全局海鸥算法的移动机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113885536A CN113885536A (zh) | 2022-01-04 |
CN113885536B true CN113885536B (zh) | 2022-03-11 |
Family
ID=79016271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111460726.XA Active CN113885536B (zh) | 2021-12-03 | 2021-12-03 | 一种基于全局海鸥算法的移动机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113885536B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114047770B (zh) * | 2022-01-13 | 2022-03-29 | 中国人民解放军陆军装甲兵学院 | 一种多内心搜寻改进灰狼算法的移动机器人路径规划方法 |
CN114844886B (zh) * | 2022-03-22 | 2023-11-24 | 山东理工大学 | 云边结合环境下基于海鸥优化算法的移动服务选择方法 |
CN115237075B (zh) * | 2022-07-25 | 2024-09-03 | 中国地质大学(武汉) | 一种基于改进海鸥算法的多目标分布式焊接车间调度排产方法 |
CN115407784B (zh) * | 2022-11-01 | 2023-01-24 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息互补的无人车路径规划方法 |
CN116128330B (zh) * | 2022-11-18 | 2024-04-26 | 中国人民解放军陆军装甲兵学院 | 一种基于机器学习的空地无人系统作战效能评估方法 |
CN116128095B (zh) * | 2022-11-18 | 2024-05-07 | 中国人民解放军陆军装甲兵学院 | 一种地空无人平台作战效能评估方法 |
CN115509239B (zh) * | 2022-11-19 | 2023-02-28 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息共享的无人车路径规划方法 |
CN116187167A (zh) * | 2022-12-30 | 2023-05-30 | 中建材玻璃新材料研究院集团有限公司 | 基于机器学习的玻璃钢化后应力层深度预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363094A (zh) * | 2020-11-17 | 2021-02-12 | 西北工业大学 | 一种基于海鸥算法的三分量磁传感器误差校正方法 |
CN113110024A (zh) * | 2021-04-08 | 2021-07-13 | 扬州大学 | 一种基于椭圆焦半径改进型海鸥算法的风力机叶片振动控制器设计方法 |
CN113393031A (zh) * | 2021-06-11 | 2021-09-14 | 沈阳工程学院 | 基于海鸥优化算法的园区综合能源系统多阶段规划方法 |
CN113393909A (zh) * | 2021-06-28 | 2021-09-14 | 广西民族大学 | 化工动态优化问题混合海鸥优化方法、系统、计算机设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2510613A (en) * | 2013-02-08 | 2014-08-13 | Nokia Corp | User interface for image processing |
CN112834985A (zh) * | 2020-12-30 | 2021-05-25 | 吉林化工学院 | 基于反向学习自适应花授粉的可见光定位方法及系统 |
CN113239628B (zh) * | 2021-06-02 | 2023-10-03 | 哈尔滨工程大学 | 基于量子海鸥演化机制加权Myriad滤波器设计方法 |
-
2021
- 2021-12-03 CN CN202111460726.XA patent/CN113885536B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363094A (zh) * | 2020-11-17 | 2021-02-12 | 西北工业大学 | 一种基于海鸥算法的三分量磁传感器误差校正方法 |
CN113110024A (zh) * | 2021-04-08 | 2021-07-13 | 扬州大学 | 一种基于椭圆焦半径改进型海鸥算法的风力机叶片振动控制器设计方法 |
CN113393031A (zh) * | 2021-06-11 | 2021-09-14 | 沈阳工程学院 | 基于海鸥优化算法的园区综合能源系统多阶段规划方法 |
CN113393909A (zh) * | 2021-06-28 | 2021-09-14 | 广西民族大学 | 化工动态优化问题混合海鸥优化方法、系统、计算机设备 |
Non-Patent Citations (4)
Title |
---|
A Hybrid Whale Optimization with Seagull Algorithm for Global;Yanhui Che et. al.;《Mathematical Problems in Engineering》;20210129;第1-31页 * |
基于增强型果蝇算法的智能车移动路径规划;陈中 等;《兵器装备工程学报》;20211031;第42卷(第10期);第199-204页 * |
海鸥优化算法与鲸鱼优化算法的寻优性能对比研究;李沅航;《现代信息科技》;20210215;第5卷(第3期);第67-71页 * |
透镜成像反学习策略在粒子群算法中的应用;喻飞 等;《电子学报》;20140228;第42卷(第2期);第230-235页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113885536A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113885536B (zh) | 一种基于全局海鸥算法的移动机器人路径规划方法 | |
CN113867369B (zh) | 一种基于交流学习的海鸥算法的机器人路径规划方法 | |
CN113867368B (zh) | 一种基于改进海鸥算法的机器人路径规划方法 | |
CN110160546B (zh) | 一种移动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 | |
CN110167138B (zh) | 基于改进灰狼优化算法的无源时差定位系统优化布站方法 | |
CN114047770B (zh) | 一种多内心搜寻改进灰狼算法的移动机器人路径规划方法 | |
CN107992040B (zh) | 基于地图栅格与qpso算法结合的机器人路径规划方法 | |
CN112985408B (zh) | 一种路径规划优化方法及系统 | |
CN115509239B (zh) | 一种基于空地信息共享的无人车路径规划方法 | |
CN107607120A (zh) | 基于改进修复式Anytime稀疏A*算法的无人机动态航迹规划方法 | |
CN107563653B (zh) | 一种多机器人全覆盖任务分配方法 | |
CN115407784B (zh) | 一种基于空地信息互补的无人车路径规划方法 | |
CN115113628A (zh) | 一种基于改进灰狼算法的巡检机器人路径规划方法 | |
CN110162060B (zh) | 一种基于改进烟花爆炸算法的机器人路径规划方法 | |
CN110530373B (zh) | 一种机器人路径规划方法、控制器及系统 | |
Wang | Path planning of mobile robot based on a* algorithm | |
CN111649758A (zh) | 一种动态环境下基于强化学习算法的路径规划方法 | |
CN116772880B (zh) | 一种基于无人机视觉的无人车路径规划方法 | |
CN112327876A (zh) | 一种基于终距指数的机器人路径规划方法 | |
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 | |
CN113917925A (zh) | 一种基于改进遗传算法的移动机器人路径规划方法 | |
CN117471919A (zh) | 一种基于改进鹈鹕优化算法的机器人路径规划方法 | |
CN117419739B (zh) | 一种输煤系统巡检机器人的路径规划优化方法 | |
CN113534042A (zh) | 基于改进反向学习布谷鸟搜索的tdoa定位算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |