CN114063623A - 一种基于多策略改进的黏菌算法的机器人路径规划方法 - Google Patents
一种基于多策略改进的黏菌算法的机器人路径规划方法 Download PDFInfo
- Publication number
- CN114063623A CN114063623A CN202210024832.1A CN202210024832A CN114063623A CN 114063623 A CN114063623 A CN 114063623A CN 202210024832 A CN202210024832 A CN 202210024832A CN 114063623 A CN114063623 A CN 114063623A
- Authority
- CN
- China
- Prior art keywords
- slime
- optimal
- fitness
- algorithm
- path planning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 239000002096 quantum dot Substances 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 10
- 241000894006 Bacteria Species 0.000 claims description 9
- 241001467460 Myxogastria Species 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 229940088594 vitamin Drugs 0.000 claims description 3
- 229930003231 vitamin Natural products 0.000 claims description 3
- 235000013343 vitamin Nutrition 0.000 claims description 3
- 239000011782 vitamin Substances 0.000 claims description 3
- 150000003722 vitamin derivatives Chemical class 0.000 claims description 3
- 208000009091 myxoma Diseases 0.000 claims 9
- 230000007547 defect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 241001611138 Isma Species 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 241000863434 Myxococcales Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 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
- G05D1/0217—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
-
- 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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于多策略改进的黏菌算法的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；根据机器人移动区域地图，建立移动区域地图路径规划的目标函数；基于黏菌算法，并基于量子位Bloch编码初始化黏菌种群位置，并根据目标函数，计算适应度值，确定最优黏菌位置；引入适应度相关优化算法中的位置搜索方式，进行位置更新；对最优黏菌位置进行柯西变异，获取变异后的最优适应度值和最优黏菌位置，利用贪婪原则，将变异前后适应度值最优的黏菌位置，作为更新后的最优黏菌位置；根据预设的最大迭代次数依次更新的最优黏菌位置，确定最优路径规划结果。本方法克服了黏菌算法存在的几点不足，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，具体涉及一种基于多策略改进的黏菌算法的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。
根据目前的研究成果来看，黏菌算法是一种模拟黏菌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，黏菌算法存在以下不足：（1）在确定种群位置时，黏菌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）黏菌算法的位置更新是根据选择概率进行不同的位置更新，其中一种位置更新是随机扩散，在边界范围内随机选择位置，该种方法具有满目性。（3）黏菌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。因此，上述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。
为此，本发明提出了一种新的基于多策略改进的黏菌算法的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多策略改进的黏菌算法的机器人路径规划方法，克服了黏菌算法存在的几点不足，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。
一种基于多策略改进的黏菌算法的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；
根据机器人移动区域地图，建立移动区域地图路径规划的目标函数；
基于黏菌算法，基于量子位Bloch编码初始化黏菌种群位置，并根据目标函数，计算适应度值，确定最优黏菌位置；
引入适应度相关优化算法中的位置搜索方式，对黏菌位置进行位置更新，并确定更新后的最优适应度值和最优黏菌位置；
对最优黏菌位置进行柯西变异，获取变异后的最优适应度值和最优黏菌位置，利用贪婪原则，将变异前后适应度值最优的黏菌位置，作为更新后的最优黏菌位置；
根据预设的最大迭代次数依次更新的最优黏菌位置，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，所述基于量子位Bloch编码初始化黏菌种群位置，包括以下步骤：
确定种群的大小Popsize，迭代次数Miter，黏菌寻优下边界LB和黏菌寻优上边界UB；
采用量子位的Bloch坐标作为编码，设P i 为群体中第i个候选解，其编码方案如下：
每个候选解同时占据空间的3个位置，即同时代表以下3个优化解，分别为x解、y解和z解：
候选解P i 上的第j个量子位的Bloch坐标记为[x ij ,y ij ,z ij ]T，优化问题中每个解空间第j维的取值范围为[a j ,b j ]，则由单位空间I n =[-1,1] n 映射到优化问题解空间的变换公式为：
每个候选解对应优化问题的3个解，在所有的候选解中选择Popsize个适应度值最小的个体作为初始群体。
优选地，所述引入适应度相关优化算法中的位置搜索方式，对黏菌位置进行位置更新，包括以下步骤：
引入适应度相关优化算法中的位置搜索方式，获得改进后的黏菌位置更新公式：
式中，z为位置更新概率；vb的参数取值范围是[-a,a]；vc从1线性减少至0；t表示当前迭代，X b 表示当前发现食物气味浓度最高位置, X表示黏菌当前位置；X A 和X B 表示随机选取的两个黏菌位置；S(i)表示X的适应度；DF表示所有迭代中的最佳适应度；
其中，参数a的函数表达为：
式中，maxT表示最大迭代次数；
W表示黏菌重量；W的表达式为:
其中，condition表示S(i)排在前一半的种群；r表示[0,1]区间内的随机值；bF表示在当前迭代过程中获得的最优适应度；wF表示当前迭代过程中得到的最差适应度值；SmellIndex表示适应度序列，其中，最小值问题中为递增序列；
pace的定义如下：
式中，GbestF为迄今为止发现的最佳全局解的适应度函数值，Xfit为当前解的适应度函数值；wf是权重因子，其值为0或1；R为[-1,1]之间的随机数；
将X new 为第t+1代时的黏菌位置X(t+1)；通过目标函数计算适应度值：
fitness(t+1)=Fitnessfunc(X(t+1))
根据最优适应度值对应的黏菌的位置X(t+1)，作为当次迭代中的最优黏菌位置X gs (t+1)。
优选地，所述对最优黏菌位置进行柯西变异，获取变异后的最优适应度值和最优黏菌位置，包括以下步骤：
式中，cauchy(0,1)为标准柯西分布。
优选地，所述利用贪婪原则，将变异前后适应度值最优的黏菌位置，作为更新后的最优黏菌位置，包括以下步骤：
判断变异前后的适应度值，即：
确定更新后的最优黏菌位置为X gs (t+1)。
本发明提出一种基于多策略改进的黏菌算法的机器人路径规划方法，包括以下有益效果：
（1）通过引入量子位Bloch编码进行黏菌种群位置的初始化，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）对黏菌的位置更新方式，引入适应度相关算法中的位置搜索方式对位置更新方式进行改进。综合考虑当前位置的适应度值的变换，有针对性的做出位置更新的不同方式，促进算法的收敛。
（3）对最优黏菌利用柯西变异进行更新，实现了算法在后期跳出局部最优解的能力。
附图说明
图1是本发明实施例的多策略改进的黏菌算法的机器人路径规划流程图；
图2是本发明实施例的路径规划结果图；
图3是本发明实施例的迭代过程曲线图。
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
本发明的一种基于多策略改进的黏菌算法的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，进行参数设置，主要包括：黏菌种群的大小（即黏菌个体的数量）Popsize；迭代的最大次数（即迭代停止的条件）Miter；黏菌寻优下边界LB；黏菌寻优上边界UB。
S4：基于黏菌算法，基于量子位Bloch编码初始化黏菌种群位置，并根据目标函数，计算适应度值，确定最优黏菌位置。
包括以下步骤：
采用量子位的Bloch坐标作为编码，设P i 为群体中第i个候选解，其编码方案如下：
每个候选解同时占据空间的3个位置，即同时代表以下3个优化解，分别为x解、y解和z解：
候选解P i 上的第j个量子位的Bloch坐标记为[x ij ,y ij ,z ij ]T，优化问题中每个解空间第j维的取值范围为[a j ,b j ]，则由单位空间I n =[-1,1] n 映射到优化问题解空间的变换公式为：
每个候选解对应优化问题的3个解，在所有的候选解中选择Popsize个适应度值较小的个体作为初始群体。
S5：引入适应度相关优化算法中的位置搜索方式，对黏菌位置进行位置更新，并确定更新后的最优适应度值和最优黏菌位置。
原始黏菌算法在rand<z时，采用随机扩散的方式在整个搜索空间内随机扩散，该种方式搜索比较盲目，不利于算法的快速收敛。因此针对该弊端，引入适应度相关算法中的位置搜索方式对位置更新方式进行改进。该种更新方式，综合考虑当前位置的适应度值的变换，有针对性的做出位置更新的不同方式，更加具有针对性，有利于促进算法的收敛。
具体的：引入适应度相关优化算法中的位置搜索方式，获得改进后的黏菌位置更新公式：
式中，z为位置更新概率；vb的参数取值范围是[-a,a]；vc从1线性减少至0；t表示当前迭代，X b 表示当前发现食物气味浓度最高位置, X表示黏菌当前位置；X A 和X B 表示随机选取的两个黏菌位置；S(i)表示X的适应度；DF表示所有迭代中的最佳适应度；
其中，参数a的函数表达为：
式中，maxT表示最大迭代次数；
W表示黏菌重量；W的表达式为:
其中，condition表示S(i)排在前一半的种群；r表示[0,1]区间内的随机值；bF表示在当前迭代过程中获得的最优适应度；wF表示当前迭代过程中得到的最差适应度值；SmellIndex表示适应度序列，其中，最小值问题中为递增序列；
pace的定义如下：
式中，GbestF为迄今为止发现的最佳全局解的适应度函数值，Xfit为当前解的适应度函数值；wf是权重因子，其值为0或1；R为[-1,1]之间的随机数；
将X new 为第t+1代时的黏菌位置X(t+1)；通过目标函数计算适应度值：
fitness(t+1)=Fitnessfunc(X(t+1))
根据最优适应度值对应的黏菌的位置X(t+1)，作为当次迭代中的最优黏菌位置X gs (t+1)。
S6：对最优黏菌位置进行柯西变异，获取变异后的最优适应度值和最优黏菌位置，利用贪婪原则，将变异前后适应度值最优的黏菌位置，作为更新后的最优黏菌位置具体的：
式中，cauchy(0,1)为标准柯西分布。
判断变异前后的适应度值，即：
确定更新后的最优黏菌位置为X gs (t+1)。
S7：根据预设的最大迭代次数依次更新的最优黏菌位置，确定最优路径规划结果。
本实施例中：
以MATLAB为仿真平台，建立移动机器人的20×20的格栅地图，以最短移动距离为目标，对SMA方法和ISMA方法进行分析。SMA算法中的参数为：Popsize=50，Maxiter=200，LB= 1，UB=20；ISMA算法中的参数为：Popsize=50，Maxiter=200，LB = 1，UB=20。仿真环境和两个方法分别得到的移动路径如图2所示，图3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 | 路径长度 |
| SMA | 36.9704 |
| ISMA | 32.7279 |
从图2中可以直观的发现SMA得到的移动路径比ISMA的要长，路径比较迂回，而ISMA得到的路径则比较合理。进一步分析图2和图3中的结果可知，采用SMA算法时，算法收敛速度较慢；采用ISMA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ISMA算法具有更快的收敛速度和收敛精度，而SMA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，ISMA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)
1.一种基于多策略改进的黏菌算法的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；
根据机器人移动区域地图，建立移动区域地图路径规划的目标函数；
基于黏菌算法，并基于量子位Bloch编码初始化黏菌种群位置，并根据目标函数，计算适应度值，确定最优黏菌位置；
引入适应度相关优化算法中的位置搜索方式，对黏菌位置进行位置更新，并确定更新后的最优适应度值和最优黏菌位置；
对最优黏菌位置进行柯西变异，获取变异后的最优适应度值和最优黏菌位置，利用贪婪原则，将变异前后适应度值最优的黏菌位置，作为更新后的最优黏菌位置；
根据预设的最大迭代次数依次更新的最优黏菌位置，确定最优路径规划结果。
2.根据权利要求1所述的基于多策略改进的黏菌算法的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所述的基于多策略改进的黏菌算法的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。
4.根据权利要求1所述的基于多策略改进的黏菌算法的机器人路径规划方法，其特征在于，所述基于量子位Bloch编码初始化黏菌种群位置，包括以下步骤：
确定种群的大小Popsize，迭代次数Miter，黏菌寻优下边界LB和黏菌寻优上边界UB；
采用量子位的Bloch坐标作为编码，设P i 为群体中第i个候选解，其编码方案如下：
每个候选解同时占据空间的3个位置，即同时代表以下3个优化解，分别为x解、y解和z解：
候选解P i 上的第j个量子位的Bloch坐标记为[x ij ,y ij ,z ij ]T，优化问题中每个解空间第j维的取值范围为[a j ,b j ]，则由单位空间I n =[-1,1] n 映射到优化问题解空间的变换公式为：
每个候选解对应优化问题的3个解，在所有的候选解中选择Popsize个适应度值最小的个体作为初始群体。
5.根据权利要求4所述的基于多策略改进的黏菌算法的机器人路径规划方法，其特征在于，所述引入适应度相关优化算法中的位置搜索方式，对黏菌位置进行位置更新，包括以下步骤：
引入适应度相关优化算法中的位置搜索方式，获得改进后的黏菌位置更新公式：
式中，z为位置更新概率；vb的参数取值范围是[-a,a]；vc从1线性减少至0；t表示当前迭代，X b 表示当前发现食物气味浓度最高位置, X表示黏菌当前位置；X A 和X B 表示随机选取的两个黏菌位置；S(i)表示X的适应度；DF表示所有迭代中的最佳适应度；
其中，参数a的函数表达为：
式中，maxT表示最大迭代次数；
W表示黏菌重量；W的表达式为:
其中，condition表示S(i)排在前一半的种群；r表示[0,1]区间内的随机值；bF表示在当前迭代过程中获得的最优适应度；wF表示当前迭代过程中得到的最差适应度值；SmellIndex表示适应度序列，其中，最小值问题中为递增序列；
pace的定义如下：
式中，GbestF为迄今为止发现的最佳全局解的适应度函数值，Xfit为当前解的适应度函数值；wf是权重因子，其值为0或1；R为[-1,1]之间的随机数；
将X new 为第t+1代时的黏菌位置X(t+1)；通过目标函数计算适应度值：
fitness(t+1)=Fitnessfunc(X(t+1))
根据最优适应度值对应的黏菌的位置X(t+1)，作为当次迭代中的最优黏菌位置X gs (t+1)。
6.根据权利要求5所述的基于多策略改进的黏菌算法的机器人路径规划方法，其特征在于，所述对最优黏菌位置进行柯西变异，获取变异后的最优适应度值和最优黏菌位置，包括以下步骤：
式中，cauchy(0,1)为标准柯西分布。
7.根据权利要求6所述的基于多策略改进的黏菌算法的机器人路径规划方法，其特征在于，所述利用贪婪原则，将变异前后适应度值最优的黏菌位置，作为更新后的最优黏菌位置，包括以下步骤：
判断变异前后的适应度值，即：
确定更新后的最优黏菌位置为X gs (t+1)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210024832.1A CN114063623B (zh) | 2022-01-11 | 2022-01-11 | 一种基于多策略改进的黏菌算法的机器人路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210024832.1A CN114063623B (zh) | 2022-01-11 | 2022-01-11 | 一种基于多策略改进的黏菌算法的机器人路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114063623A true CN114063623A (zh) | 2022-02-18 |
| CN114063623B CN114063623B (zh) | 2022-03-29 |
Family
ID=80230726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210024832.1A Active CN114063623B (zh) | 2022-01-11 | 2022-01-11 | 一种基于多策略改进的黏菌算法的机器人路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114063623B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217086A (zh) * | 2014-10-09 | 2014-12-17 | 大连海事大学 | 一种城市公交线网优化方法 |
| CN110288131A (zh) * | 2019-06-04 | 2019-09-27 | 三峡大学 | 基于黏菌觅食行为的交通网络脆弱性问题仿生优化方法 |
| CN110298491A (zh) * | 2019-06-04 | 2019-10-01 | 三峡大学 | 一种基于黏菌群体智能的交通网络节点选择方法 |
| CN110440822A (zh) * | 2019-08-12 | 2019-11-12 | 中国科学院长春光学精密机械与物理研究所 | 基于黏菌-蚁群融合算法的汽车焊点路径规划方法 |
| CN110705640A (zh) * | 2019-09-30 | 2020-01-17 | 温州大学 | 一种基于黏菌算法构建预测模型的方法 |
| CN110906947A (zh) * | 2019-12-04 | 2020-03-24 | 山东省科学院自动化研究所 | 基于二维静态路径规划的黏菌rrt导航方法及系统 |
| CN111718833A (zh) * | 2020-03-17 | 2020-09-29 | 黄一嵘 | 基于黏菌生物特性的自动路径工程规划设备及方法 |
| CN112947491A (zh) * | 2021-04-09 | 2021-06-11 | 宿迁学院 | 一种无人车快速轨迹规划方法 |
| CN113589811A (zh) * | 2021-07-26 | 2021-11-02 | 浙江工业大学 | 一种基于黏菌导航针对制造企业物流的寻优算法 |
| CN113791613A (zh) * | 2021-08-19 | 2021-12-14 | 金陵科技学院 | 改进的黏菌优化算法及基于该算法的机器人多目标路径规划 |
-
2022
- 2022-01-11 CN CN202210024832.1A patent/CN114063623B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217086A (zh) * | 2014-10-09 | 2014-12-17 | 大连海事大学 | 一种城市公交线网优化方法 |
| CN110288131A (zh) * | 2019-06-04 | 2019-09-27 | 三峡大学 | 基于黏菌觅食行为的交通网络脆弱性问题仿生优化方法 |
| CN110298491A (zh) * | 2019-06-04 | 2019-10-01 | 三峡大学 | 一种基于黏菌群体智能的交通网络节点选择方法 |
| CN110440822A (zh) * | 2019-08-12 | 2019-11-12 | 中国科学院长春光学精密机械与物理研究所 | 基于黏菌-蚁群融合算法的汽车焊点路径规划方法 |
| CN110705640A (zh) * | 2019-09-30 | 2020-01-17 | 温州大学 | 一种基于黏菌算法构建预测模型的方法 |
| CN110906947A (zh) * | 2019-12-04 | 2020-03-24 | 山东省科学院自动化研究所 | 基于二维静态路径规划的黏菌rrt导航方法及系统 |
| CN111718833A (zh) * | 2020-03-17 | 2020-09-29 | 黄一嵘 | 基于黏菌生物特性的自动路径工程规划设备及方法 |
| CN112947491A (zh) * | 2021-04-09 | 2021-06-11 | 宿迁学院 | 一种无人车快速轨迹规划方法 |
| CN113589811A (zh) * | 2021-07-26 | 2021-11-02 | 浙江工业大学 | 一种基于黏菌导航针对制造企业物流的寻优算法 |
| CN113791613A (zh) * | 2021-08-19 | 2021-12-14 | 金陵科技学院 | 改进的黏菌优化算法及基于该算法的机器人多目标路径规划 |
Non-Patent Citations (13)
Also Published As
| Publication number | Publication date |
|---|---|
| CN114063623B (zh) | 2022-03-29 |
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 | |
| 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 | |
| CN107247961B (zh) | 一种应用模糊轨迹序列的轨迹预测方法 | |
| Ghorpade et al. | Enhanced differential crossover and quantum particle swarm optimization for IoT applications | |
| CN113867368B (zh) | 一种基于改进海鸥算法的机器人路径规划方法 | |
| CN113867369A (zh) | 一种基于交流学习的海鸥算法的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 | |
| CN110619082B (zh) | 一种基于重复搜索机制的项目推荐方法 | |
| He et al. | A modified particle swarm optimization algorithm | |
| CN111432368A (zh) | 一种适用于稀疏锚节点wsn的测距定位方法 | |
| CN110889530A (zh) | 基于递归神经网络的目的地预测方法及服务器 | |
| CN112528591A (zh) | 一种基于联合蒙特卡洛树搜索的pcb板自动布线方法 | |
| CN114995460B (zh) | 一种基于自适应改进蚁群算法的机器人路径规划方法 | |
| CN109961129A (zh) | 一种基于改进粒子群的海上静止目标搜寻方案生成方法 | |
| CN114742593A (zh) | 一种物流仓储中心优化选址方法及系统 | |
| CN111080035A (zh) | 基于改进量子粒子群优化算法的全局路径规划方法 | |
| Guo et al. | Hybridizing cellular automata principles and NSGAII for multi-objective design of urban water networks | |
| CN114063623B (zh) | 一种基于多策略改进的黏菌算法的机器人路径规划方法 | |
| CN116595120B (zh) | 基于遗传算法的地图面要素注记自动配置方法 | |
| CN115469673B (zh) | 一种基于空地信息协同的无人车路径规划方法 | |
| CN115494840B (zh) | 一种基于蒙特卡洛因子的mc-iaco的焊接机器人路径规划方法 | |
| CN115879367A (zh) | 一种工业园区内二氧化碳排放源位置和强度的反演方法 | |
| CN115984025A (zh) | 基于深度学习图网络模型的影响力传播估计方法及系统 | |
| Yang et al. | An Improved DV-Hop Algorithm Based on Shuffled Frog Leaping Algorithm. | |
| 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 |