CN116698069A - 一种基于混沌粒子群优化算法的拣货路径优化方法 - Google Patents

一种基于混沌粒子群优化算法的拣货路径优化方法 Download PDF

Info

Publication number
CN116698069A
CN116698069A CN202310719233.6A CN202310719233A CN116698069A CN 116698069 A CN116698069 A CN 116698069A CN 202310719233 A CN202310719233 A CN 202310719233A CN 116698069 A CN116698069 A CN 116698069A
Authority
CN
China
Prior art keywords
optimal
particle swarm
updating
particle
fitness value
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
CN202310719233.6A
Other languages
English (en)
Inventor
艾建
赵全海
简金领
王霄霄
王力
范孟杰
范现鑫
代晓光
赵帅
付昊
王志勇
王根旺
孟令辉
王孜
李爱景
冯战巨
王爱霞
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.)
China Tobacco Henan Industrial Co Ltd
Original Assignee
China Tobacco Henan Industrial Co Ltd
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 China Tobacco Henan Industrial Co Ltd filed Critical China Tobacco Henan Industrial Co Ltd
Priority to CN202310719233.6A priority Critical patent/CN116698069A/zh
Publication of CN116698069A publication Critical patent/CN116698069A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明公开了一种基于混沌粒子群优化算法的拣货路径优化方法，包括：构建二维栅格模型；获取拣货机器人的初始位置坐标点和目标位置坐标点，生成路径适应度函数；初始化所述二维栅格模型，将所述二维栅格模型作为搜索空间，所述搜索空间内包含多个种群粒子，所述种群粒子形成一个粒子群；用混沌映射生成初始种群，并调整粒子的位置和速度；计算初始粒子的目标函数适应度值；并利用更新迭代算法更新所述目标函数适用度值，求解出所述粒子群的最优解集合；解析所述最优解集合规划出最优路线，本发明提供的算法结合了高效非支配排序法中的顺序搜索策略和混沌映射，以提高拣货路径的优化效果和全局收敛性。

Description

一种基于混沌粒子群优化算法的拣货路径优化方法
技术领域
本发明涉及货物分拣路线规划技术领域，更具体地，涉及一种基于混沌粒子群优化算法的拣货路径优化方法。
背景技术
随着两化融合的推进，卷烟企业仓库管理系统(Warehouse Management System，WMS)得到广泛应用，为库内信息采集、记录和管理提供了有效平台。然而，在货位拣选过程中，经常出现陷入局部最优的问题。
发明内容
本发明的一个目的是提供一种基于混沌粒子群优化算法的拣货路径优化方法的新技术方案，结合了高效非支配排序法中的顺序搜索策略和混沌映射，以提高拣货路径的优化效果和全局收敛性。
根据本发明的第一方面，提供了一种基于混沌粒子群优化算法的拣货路径优化方法，包括：
构建二维栅格模型；
获取拣货机器人的初始位置坐标点和目标位置坐标点，生成路径适应度函数；
初始化所述二维栅格模型，将所述二维栅格模型作为搜索空间，所述搜索空间内包含多个种群粒子，所述种群粒子形成一个粒子群；
用混沌映射生成初始种群，并调整粒子的位置和速度；
计算初始粒子的目标函数适应度值；
并利用更新迭代算法更新所述目标函数适用度值，求解出所述粒子群的最优解集合；
解析所述最优解集合规划出最优路线。
可选地，所述构建二维栅格模型包括：
获取所述拣货机器人的三维工作空间结构，并将所述三维工作空间结构投影到二维平面上，所述二维平面为机器人的行走平面；
将所述二维平面分割为均匀的栅格结构；
并对所述栅格结构二值化处理；
将自由区域标记为白色，将障碍区域标记为黑色。
可选地，还包括对所述栅格结构进行尺寸标记，并通过获取每个栅格的坐标。
可选地，所述目标函数适应度值计算公式为：
其中，F表示目标函数适应度值，(xi，yi)表示路径点坐标，m表示路径点的数量。
可选地，所述求解出所述粒子群的最优解集合，具体包括：
初始化所述目标函数适应度值；
根据支配关系计算所述初始化目标函数适应度值的个体极值与全局极值；
利用当前粒子的位置更新公式对粒子群的位置进行更新，并对越界的位置进行约束；
利用当前粒子的速度更新公式对粒子群的速度进行更新，并对越界的速度进行约束；
当满足更新结束条件时，结束更新并输出个体极值和全局极值，并记录对应最优位置，得到最优解集合。
可选地，根据支配关系计算所述初始化目标函数适应度值的个体极值与全局极值，具体包括：
对所述二维栅格模型中的栅格结构进行搜索位置排序；
按照所述搜索位置排序，计算每一个粒子经历所述的二维栅格模型中每一个位置对应的适应值，并所述适应度值与历史最优适应度值相比较，若所述适应度值大于所述历史最优适应度值，将所述适应度值更新为历史最优适应度值；
比较每一个粒子的适应度值和群体所经历的最优位置的适应度值，若所述适应度值大于全局最大值，将所述适应度值更新为全局最大值；
其中，所述搜索位置排序由所述栅格结构的边缘向中间位置环形排序。
可选地，所述当满足更新结束条件时，结束更新并输出最优位置，得到最优解集合，具体包括：
当满足预设的迭代次数时，结束更新；
记录每一个粒子在历史最优适应度值对应的位置，记录为最优位置；
记录整个粒子群经历的历史最优适应度值，记录为全局历史最优位置。
可选地，所述当前粒子的速度更新公式为：
Vid(t+1)＝w*Vid(t)+c1*r1(pid(t)+xid(t))+c2*r2(pgd(t)-xid(t))
其中，w是权值，c1和c2是学习因子，r1和r2是在[0,1]内的随机变量，pid(t)表示个体极值的第d维分量；pgd(t)表示全局极值的第d维分量，Vid(t+1)表示粒子下一时刻的速度。
可选地，所述当前粒子的位置更新公式为：
xi(t+1)＝xi(t)+vi(t+1),1≤i≤k；
其中，xi(t+1)表示粒子在下一时刻的位置，xi(t)表示当前时刻粒子所在位置，vi(t+1)表示粒子下一时刻的速度。
可选地，还包括：连接所有全局历史最优位置，生成拣货最优路线。
根据本公开的一个实施例提供了一种基于混沌粒子群优化算法的拣货路径优化方法的新技术方案，算法结合了高效非支配排序法中的顺序搜索策略和混沌映射，以提高拣货路径的优化效果和全局收敛性。
本发明公开的另一个实施例用于优化货位分配与拣货路径，提高拣货效率。实验结果表明，本发明能够有效解决局部最优问题，具有较好的优化效果。
本发明提供的实施例运用混沌思想优化全局最优解集，提高算法的稳定性和收敛性。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1为本发明所述的基于混沌粒子群优化算法的拣货路径优化方法流程图。
图2为本发明所述的二维栅格模型示意图。
图3为本发明所述的求解粒子群的最优解集合的流程图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
如图1所示，基于背景技术提出的技术问题，本发明提供了一种基于混沌粒子群优化算法的拣货路径优化方法，包括：
步骤S110、构建二维栅格模型；
步骤S120、获取拣货机器人的初始位置坐标点和目标位置坐标点，生成路径适应度函数；
步骤S130、初始化所述二维栅格模型，将所述二维栅格模型作为搜索空间，所述搜索空间内包含多个种群粒子，所述种群粒子形成一个粒子群；
步骤S140、用混沌映射生成初始种群，并调整粒子的位置和速度；
步骤S150、计算初始粒子的目标函数适应度值；
步骤S160、并利用更新迭代算法更新所述目标函数适用度值，求解出所述粒子群的最优解集合；
步骤S170、解析所述最优解集合规划出最优路线。
如图2所示，在一个优选实施例中，构建二维栅格模型包括：
获取拣货机器人的三维工作空间结构，并将三维工作空间结构投影到二维平面上，二维平面为机器人的行走平面；将所述二维平面分割为均匀的栅格结构；并对栅格结构二值化处理；将自由区域标记为白色，将障碍区域标记为黑色，需要特别说明的是，将三维空间结构映射成到二维平面上，便于路径的分析和计算。
在一个优选实施例中，还包括对所述栅格结构进行尺寸标记，并通过获取每个栅格的坐标。行路径规划时采用了栅格(Grid)表示地图。设环境的最大长度为L，宽度为W，栅格的尺度(长、宽)均为b，则栅格数为(L/b)x(W/b),所有空间fw由栅格fi构成：
fw＝{fi，fi＝0或1，i为整数}，所以，AGV路径规划是机器人A寻找到一条从初始位置S到目标位置T的避障路径。
行路径规划时采用了栅格(Grid)表示地图。设环境的最大长度为L，宽度为W，栅格的尺度(长、宽)均为b，则栅格数为(L/b)x(W/b),所有空间fw由栅格fi构成：
fw＝{fi，fi＝0或1，i为整数}，具体的说，AGV路径规划是机器人A寻找到一条从初始位置S到目标位置T的避障路径。
在一个优选实施例中，步骤S160中目标函数适应度值计算公式为：
其中，F表示目标函数适应度值，(xi，yi)表示路径点坐标，m表示路径点的数量。
如图3所示，在一个优选实施例中，求解出所述粒子群的最优解集合，具体包括：
步骤S161、初始化所述目标函数适应度值；
步骤S162、根据支配关系计算所述初始化目标函数适应度值的个体极值与全局极值；
步骤S163、利用当前粒子的位置更新公式对粒子群的位置进行更新，并对越界的位置进行约束；
步骤S164、利用当前粒子的速度更新公式对粒子群的速度进行更新，并对越界的速度进行约束；
步骤S165、当满足更新结束条件时，结束更新并输出个体极值和全局极值，并记录对应最优位置，得到最优解集合。
在一个优选实施例中，根据支配关系计算所述初始化目标函数适应度值的个体极值与全局极值，具体包括：
对所述二维栅格模型中的栅格结构进行搜索位置排序；
按照所述搜索位置排序，计算每一个粒子经历所述的二维栅格模型中每一个位置对应的适应值，并所述适应度值与历史最优适应度值相比较，若所述适应度值大于所述历史最优适应度值，将所述适应度值更新为历史最优适应度值；
比较每一个粒子的适应度值和群体所经历的最优位置的适应度值，若所述适应度值大于全局最大值，将所述适应度值更新为全局最大值；
其中，所述搜索位置排序由所述栅格结构的边缘向中间位置环形排序。
在一个优选实施例中，当满足更新结束条件时，结束更新并输出最优位置，得到最优解集合，具体包括：
当满足预设的迭代次数时，结束更新；
记录每一个粒子在历史最优适应度值对应的位置，记录为最优位置；
记录整个粒子群经历的历史最优适应度值，记录为全局历史最优位置。
当前粒子的速度更新公式为：
Vid(t+1)＝w*Vid(t)+c1*r1(pid(t)+xid(t))+c2*r2(pgd(t)-xid(t))；
其中，w是权值，c1和c2是学习因子，r1和r2是在[0,1]内的随机变量，pid(t)表示个体极值的第d维分量；pgd(t)表示全局极值的第d维分量，Vid(t+1)表示粒子下一时刻的速度。
当前粒子的位置更新公式为：
xi(t+1)＝xi(t)+vi(t+1),1≤i≤k；
其中，xi(t+1)表示粒子在下一时刻的位置，xi(t)表示当前时刻粒子所在位置，vi(t+1)表示粒子下一时刻的速度。
还包括：连接所有全局历史最优位置，生成拣货最优路线。
本发明提供的基于混沌粒子群优化算法的拣货路径优化方法的新技术方案，算法结合了高效非支配排序法中的顺序搜索策略和混沌映射，以提高拣货路径的优化效果和全局收敛性。
本发明用于优化货位分配与拣货路径，提高拣货效率。实验结果表明，本发明能够有效解决局部最优问题，具有较好的优化效果。
本发明运用混沌思想优化全局最优解集，提高算法的稳定性和收敛性。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种基于混沌粒子群优化算法的拣货路径优化方法，其特征在于，包括：
构建二维栅格模型；
获取拣货机器人的初始位置坐标点和目标位置坐标点，生成路径适应度函数；
初始化所述二维栅格模型，将所述二维栅格模型作为搜索空间，所述搜索空间内包含多个种群粒子，所述种群粒子形成一个粒子群；
用混沌映射生成初始种群，并调整粒子的位置和速度；
计算初始粒子的目标函数适应度值；
并利用更新迭代算法更新所述目标函数适用度值，求解出所述粒子群的最优解集合；
解析所述最优解集合规划出最优路线。
2.根据权利要求1所述的基于混沌粒子群优化算法的拣货路径优化方法，其特征在于，所述构建二维栅格模型包括：
获取所述拣货机器人的三维工作空间结构，并将所述三维工作空间结构投影到二维平面上，所述二维平面为机器人的行走平面；
将所述二维平面分割为均匀的栅格结构；
并对所述栅格结构二值化处理；
将自由区域标记为白色，将障碍区域标记为黑色。
3.根据权利要求2所述的基于混沌粒子群优化算法的拣货路径优化方法，其特征在于，还包括对所述栅格结构进行尺寸标记，并通过获取每个栅格的坐标。
4.根据权利要求1-3中任一项所述的基于混沌粒子群优化算法的拣货路径优化方法，其特征在于，所述目标函数适应度值计算公式为：
其中，F表示目标函数适应度值，(xi，yi)表示路径点坐标，m表示路径点的数量。
5.根据权利要求4所述的基于混沌粒子群优化算法的拣货路径优化方法，其特征在于，所述求解出所述粒子群的最优解集合，具体包括：
初始化所述目标函数适应度值；
根据支配关系计算所述初始化目标函数适应度值的个体极值与全局极值；
利用当前粒子的位置更新公式对粒子群的位置进行更新，并对越界的位置进行约束；
利用当前粒子的速度更新公式对粒子群的速度进行更新，并对越界的速度进行约束；
当满足更新结束条件时，结束更新并输出个体极值和全局极值，并记录对应最优位置，得到最优解集合。
6.根据权利要求5所述的基于混沌粒子群优化算法的拣货路径优化方法，其特征在于，根据支配关系计算所述初始化目标函数适应度值的个体极值与全局极值，具体包括：
对所述二维栅格模型中的栅格结构进行搜索位置排序；
按照所述搜索位置排序，计算每一个粒子经历所述的二维栅格模型中每一个位置对应的适应值，并所述适应度值与历史最优适应度值相比较，若所述适应度值大于所述历史最优适应度值，将所述适应度值更新为历史最优适应度值；
比较每一个粒子的适应度值和群体所经历的最优位置的适应度值，若所述适应度值大于全局最大值，将所述适应度值更新为全局最大值；
其中，所述搜索位置排序由所述栅格结构的边缘向中间位置环形排序。
7.根据权利要求6所述的基于混沌粒子群优化算法的拣货路径优化方法，其特征在于，所述当满足更新结束条件时，结束更新并输出最优位置，得到最优解集合，具体包括：
当满足预设的迭代次数时，结束更新；
记录每一个粒子在历史最优适应度值对应的位置，记录为最优位置；
记录整个粒子群经历的历史最优适应度值，记录为全局历史最优位置。
8.根据权利要求7所述的基于混沌粒子群优化算法的拣货路径优化方法，其特征在于，所述当前粒子的速度更新公式为：
Vid(t+1)＝w*Vid(t)+c1*r1(pid(t)+xid(t))+c2*r2(pgd(t)-xid(t))
其中，w是权值，c1和c2是学习因子，r1和r2是在[0，1]内的随机变量，少d(t)表示个体极值的第d维分量；pgd(t)表示全局极值的第d维分量，Vid(t+1)表示粒子下一时刻的速度。
9.根据权利要求8所述的基于混沌粒子群优化算法的拣货路径优化方法，其特征在于，所述当前粒子的位置更新公式为：
xi(t+1)＝xi(t)+vi(t+1)，1≤i≤k；
其中，xi(t+1)表示粒子在下一时刻的位置，xi(t)表示当前时刻粒子所在位置，vi(t+1)表示粒子下一时刻的速度。
10.根据权利要求8或9所述的基于混沌粒子群优化算法的拣货路径优化方法，其特征在于，还包括：连接所有全局历史最优位置，生成拣货最优路线。
CN202310719233.6A 2023-06-16 2023-06-16 一种基于混沌粒子群优化算法的拣货路径优化方法 Pending CN116698069A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310719233.6A CN116698069A (zh) 2023-06-16 2023-06-16 一种基于混沌粒子群优化算法的拣货路径优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310719233.6A CN116698069A (zh) 2023-06-16 2023-06-16 一种基于混沌粒子群优化算法的拣货路径优化方法

Publications (1)

Publication Number Publication Date
CN116698069A true CN116698069A (zh) 2023-09-05

Family

ID=87828932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310719233.6A Pending CN116698069A (zh) 2023-06-16 2023-06-16 一种基于混沌粒子群优化算法的拣货路径优化方法

Country Status (1)

Country Link
CN (1) CN116698069A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117330085A (zh) * 2023-12-01 2024-01-02 南京信息工程大学 一种基于非视距因素的无人机路径规划方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117330085A (zh) * 2023-12-01 2024-01-02 南京信息工程大学 一种基于非视距因素的无人机路径规划方法
CN117330085B (zh) * 2023-12-01 2024-02-23 南京信息工程大学 一种基于非视距因素的无人机路径规划方法

Similar Documents

Publication Publication Date Title
Mohanan et al. A survey of robotic motion planning in dynamic environments
Tarokh Hybrid intelligent path planning for articulated rovers in rough terrain
CN110181508A (zh) 水下机器人三维航路规划方法及系统
CN108827311B (zh) 一种制造车间无人搬运系统路径规划方法
Saulnier et al. Information theoretic active exploration in signed distance fields
Yang et al. A novel path planning algorithm for warehouse robots based on a two-dimensional grid model
Mohamed et al. Autonomous navigation of agvs in unknown cluttered environments: log-mppi control strategy
CN116698069A (zh) 一种基于混沌粒子群优化算法的拣货路径优化方法
Harun et al. A genetic algorithm based task scheduling system for logistics service robots
CN116954233A (zh) 一种巡检任务与航线自动匹配方法
Ortiz-Arroyo A hybrid 3D path planning method for UAVs
Yandun et al. Reaching pruning locations in a vine using a deep reinforcement learning policy
Liu et al. Intelligent robot motion trajectory planning based on machine vision
Swingler et al. A cell decomposition approach to cooperative path planning and collision avoidance via disjunctive programming
Baziyad et al. Comparative study on the performance of heuristic optimization techniques in robotic path planning
Indri et al. Supervised global path planning for mobile robots with obstacle avoidance
CN117055601A (zh) 一种无人机送餐路径规划方法、装置、设备及存储介质
CN113759915B (zh) 一种agv小车路径规划方法、装置、设备及存储介质
Chen et al. GVD-Exploration: An Efficient Autonomous Robot Exploration Framework Based on Fast Generalized Voronoi Diagram Extraction
CN112396653B (zh) 一种目标场景导向的机器人操作策略生成方法
Yoshimura et al. Iterative transportation planning of multiple objects by cooperative mobile robots
CN113627646B (zh) 一种基于神经网络的路径规划方法、装置、设备及介质
Mansouri et al. Integer GA for mobile robot path planning with using another GA as repairing function
Hirashima et al. A new reinforcement learning for group-based marshaling plan considering desired layout of containers in port terminals
Nikitenko et al. Rrts postprocessing for uncertain environments

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