CN117419739A - 一种输煤系统巡检机器人的路径规划优化方法 - Google Patents
一种输煤系统巡检机器人的路径规划优化方法 Download PDFInfo
- Publication number
- CN117419739A CN117419739A CN202311464661.5A CN202311464661A CN117419739A CN 117419739 A CN117419739 A CN 117419739A CN 202311464661 A CN202311464661 A CN 202311464661A CN 117419739 A CN117419739 A CN 117419739A
- Authority
- CN
- China
- Prior art keywords
- conveying system
- coal conveying
- inspection robot
- hawk
- path
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 56
- 239000003245 coal Substances 0.000 title claims abstract description 54
- 238000007689 inspection Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013178 mathematical model Methods 0.000 claims abstract description 13
- 241000566150 Pandion haliaetus Species 0.000 claims abstract description 10
- 241000272184 Falconiformes Species 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 4
- 241000587213 Litsea coreana Species 0.000 claims description 3
- 229910018503 SF6 Inorganic materials 0.000 claims description 3
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 claims description 3
- 229960000909 sulfur hexafluoride Drugs 0.000 claims description 3
- 241000282330 Procyon lotor Species 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003818 cinder Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种输煤系统巡检机器人的路径规划优化方法，属于路径规划优化领域，具体步骤为：S1、采用栅格法建立输煤系统环境二维平面模型；S2、将输煤系统巡检机器人的路径规划问题转化为数学模型；S3、初始化改进鱼鹰优化算法；S4、计算当前适应度值并递减排序；S5、计算当前迭代的前t次迭代的适应度值的均值，使用t分布的概率密度函数计算适应度值的置信区间；S6、判断适应度值的均值是否在置信区间内；S7、若是，则执行改进鱼鹰算法搜索阶段策略；S8、若否，则执行改进鱼鹰算法勘探阶段策略；S9、判断是否达到最大迭代次数Tmax，若是，则寻优停止输出路径点，否则返回S3继续寻优，为巡检机器人找出一条距离最短、障碍物最少，用时最短的路径。
Description
技术领域
本发明属于路径规划优化领域，尤其涉及一种输煤系统巡检机器人的路径规划优化方法。
背景技术
路径规划是移动机器人研究中的热门问题，它是指移动机器人在有障碍物的环境中，规划出一条从起点到终点无碰撞的最短路径。随着人工智能的快速发展，智能群算法开始运用到移动机器人路径规划中，例如，粒子群算法、灰狼群算法、蚁群算法等。
输煤系统中的粉尘、烟雾、温度和湿度等环境因素变化较大，对巡检机器人的路径规划造成很大影响，且巡检机器人需要避免堆煤、煤块和其它障碍物，这增加了路径规划的复杂性，面对这些复杂环境，巡检机器人的巡检路径不能实现最短，导致浪费人力物力，尤其对巡检机器人的电量损耗巨大。
鱼鹰优化算法已经广泛运用于各领域以解决实际工程问题，但是该算法并未使用在移动机器人路径规划领域中。在此首次将鱼鹰优化算法运用在移动机器人路径规划中，同时鱼鹰优化算法存在搜索盲目、全局性差及收敛慢等缺点，为了更好地解决移动机器人路径规划问题，对传统鱼鹰优化算法进行改进。
发明内容
本发明的目的在于：针对目前输煤系统巡检机器人路径规划存在的上述问题，本发明提出一种输煤系统巡检机器人的路径规划优化方法，利用改机鱼鹰优化算法优化巡检机器人的路径规划，从而为巡检机器人找出一条距离最短、障碍物最少，用时最短的路径，节约目前输煤系统巡检的人力，物力，提高输煤系统巡检机器人的工作效率。
为了实现上述目的，本发明采用了如下技术方案，一种输煤系统巡检机器人的路径规划优化方法，利用改进鱼鹰优化算法对输煤系统巡检机器人的路径进行优化，具体步骤如下：
S1、根据输煤系统环境特征，包括环境中的障碍物位置，采用栅格法建立输煤系统环境二维平面模型，并初始化位置坐标，设置巡检机器人起点和终点；
S2、将输煤系统巡检机器人的路径规划问题转化为数学模型，所述数学模型作为改进鱼鹰优化算法(IOOA)的目标函数；
S3、初始化改进鱼鹰优化算法(IOOA)，设置鱼鹰的初始位置和终点位置，鱼鹰种群规模N，最大迭代次数Tmax，维度dim以及鱼鹰搜索的上界ub和下界lb；S4、计算鱼鹰种群每个个体的当前适应度值并递减排序，记录当前迭代最小适应度值，并与上次迭代最小适应度值比较，保留最小适应度值，与最小适应度值对应的最佳个体位置为Xbest；
S5、计算当前迭代的前t次迭代的适应度值的均值，然后使用t分布的概率密度函数计算适应度值的置信区间；
S6、判断适应度值的均值是否在置信区间内；
S7、若是，则执行改进鱼鹰算法搜索阶段策略，扩大最优路径范围，搜索阶段策略如公式(1)；
式中，为第i个鱼鹰第j维新位置，Xi，j为鱼鹰个体上次的位置，ri，j为区间[0,1]中的随机数，Ii，j为集合{1,2}中的随机数；SFi，j为鱼鹰状态参数，δ为非线性自适应扰动因子；
S8、若否，则执行改进鱼鹰算法勘探阶段策略，缩小最优路径范围，勘探阶段策略如公式(2)；
式中，为鱼鹰个体新位置，r为随机参数，取值[0，1]，lb为鱼鹰种群下界，ub为鱼鹰种群上界，t为当前迭代次数；
S9、判断是否达到最大迭代次数Tmax，若是，则寻优停止输出路径点，否则返回S3继续寻优。
进一步地，所述步骤S1中，栅格法建立输煤系统环境二维平面模型，根据现场实施要求，在二维平面上，障碍物的位置、大小是固定的，障碍物位置和大小在输煤系统巡检机器人运动过程中是不会改变的。
进一步地，所述步骤S2中，路径规划问题转化为数学模型，输煤系统巡检机器人路径规划优化问题只考虑最短路径和规避障碍物能力，即两者综合最优问题；数学模式公式为：
式中，n为输煤系统巡检机器人经过的栅格数目，xi+1与yi+1、xi与yi为输煤系统巡检机器人坐标位置，c为节点i与节点i+1间中点偏移位置点，w为路径上相邻节点中点数目，p为障碍物，u为障碍物的个数，Ac,p为巡检机器人在点c是否与障碍物p发生碰撞。
进一步地，所述步骤S3中，鱼鹰的初始位置和终点位置即为巡检机器人在二维模型中的起始点和终点；鱼鹰搜索的上界ub和下界lb即为巡检机器人路径数量的上界和下界。
进一步地，所述步骤S6中，判断适应度值的均值是否在置信区间内，如果适应度值的均值在置信区间内，可以认为适应度值趋于稳定。
进一步地，所述步骤S7中，改进鱼鹰优化算法，改进点在于在鱼鹰算法搜索阶段策略中引入扰动因子δ，公式为：
δ＝1+δ1×R×(1-e-α·t)；
式中，δ1为扰动因子初始值，取值为-1，R是一个范围在[-1,1]之间的随机数，引入了随机性，α是一个控制扰动因子衰减速度的参数，t为当前迭代次数；所述α改进为自适应衰减参数，控制搜索步长，公式为：
式中，t为当前迭代次数，Tmax为总迭代次数。
更进一步地，上述公式中，采用非线性自适用改进扰动因子公式，使得在算法的初期，个体更容易跳出局部最优解，增加了全局搜索的机会，而在算法的后期，个体更趋向于在局部最优解附近进行微调，增加了局部勘探的精度。
更进一步地，非线性自适用改进扰动因子公式中，1-e-α·t部分是一个非线性衰减函数，它保证了扰动因子随着优化过程的进行逐渐减小，从而使得算法在优化初期更具探索性，在优化后期更具局部勘探能力。
更进一步地，非线性自适用改进扰动因子公式中，自适应衰减参数α，衰减速度可以减少算法的参数调优需求，传统的固定参数需要根据问题的不同进行调整，而自适应性可以更好地应对各种问题，减轻了参数选择的负担。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明提出一种输煤系统巡检机器人的路径规划优化方法，首先利用适应度值的均值是否在置信区间关系，使算法更好根据输煤系统变化，而更好的选择最佳路径，然后利用非线性自适用改进扰动因子改进算法搜索策略，增加了全局搜索的机会，增加了局部搜索的精度，解决了背景技术中提到的鱼鹰优化算法存在搜索盲目、全局性差及收敛慢的缺点，节约了目前输煤系统巡检的人力，物力，提高输煤系统巡检机器人的工作效率。
附图说明
图1为一种输煤系统巡检机器人的路径规划优化方法的步骤图。
图2为改进鱼鹰优化算法最小路径值变化图。
图3为传统鱼鹰优化算法最小路径值变化图
图4为改进鱼鹰优化算法优化下输煤系统巡检机器人的路径规划对比图。
图5为传统鱼鹰优化算法优化下输煤系统巡检机器人的路径规划对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-图5，本发明提供一种技术方案：一种输煤系统巡检机器人的路径规划优化方法，如图1所示，具体步骤如下：
S1、根据输煤系统环境特征，包括环境中的障碍物位置，采用栅格法建立输煤系统环境二维平面模型，并初始化位置坐标，设置巡检机器人起点和终点；
S2、将输煤系统巡检机器人的路径规划问题转化为数学模型，所述数学模型作为改进鱼鹰优化算法(IOOA)的目标函数；
S3、初始化改进鱼鹰优化算法(IOOA)，设置鱼鹰的初始位置和终点位置，鱼鹰种群规模N，最大迭代次数Tmax，维度dim以及鱼鹰搜索的上界ub和下界lb；S4、计算鱼鹰种群每个个体的当前适应度值并递减排序，记录当前迭代最小适应度值，并与上次迭代最小适应度值比较，保留最小适应度值，与最小适应度值对应的最佳个体位置为Xbest；
S5、计算当前迭代的前t次迭代的适应度值的均值，然后使用t分布的概率密度函数计算适应度值的置信区间；
S6、判断适应度值的均值是否在置信区间内；
S7、若是，则执行改进鱼鹰算法搜索阶段策略，扩大最优路径范围，搜索阶段策略如公式(1)；
式中，为第i个鱼鹰第j维新位置，Xi，j为鱼鹰个体上次的位置，ri，j为区间[0,1]中的随机数，Ii，j为集合{1,2}中的随机数；SFi，j为鱼鹰状态参数，δ为非线性自适应扰动因子；
S8、若否，则执行改进鱼鹰算法勘探阶段策略，缩小最优路径范围，勘探阶段策略如公式(2)；
式中，为鱼鹰个体新位置，r为随机参数，取值[0，1]，lb为鱼鹰种群下界，ub为鱼鹰种群上界，t为当前迭代次数；
S9、判断是否达到最大迭代次数Tmax，若是，则寻优停止输出路径点，否则返回S3继续寻优。
进一步地，所述步骤S1中，栅格法建立输煤系统环境二维平面模型，根据现场实施要求，在二维平面上，障碍物的位置、大小是固定的，障碍物位置和大小在输煤系统巡检机器人运动过程中是不会改变的。
进一步地，所述步骤S2中，路径规划问题转化为数学模型，输煤系统巡检机器人路径规划优化问题只考虑最短路径和规避障碍物能力，即两者综合最优问题；数学模式公式为：
式中，n为输煤系统巡检机器人经过的栅格数目，xi+1与yi+1、xi与yi为输煤系统巡检机器人坐标位置，c为节点i与节点i+1间中点偏移位置点，w为路径上相邻节点中点数目，p为障碍物，u为障碍物的个数，Ac,p为巡检机器人在点c是否与障碍物p发生碰撞。
进一步地，所述步骤S3中，鱼鹰的初始位置和终点位置即为巡检机器人在二维模型中的起始点和终点；鱼鹰搜索的上界ub和下界lb即为巡检机器人路径数量的上界和下界。
进一步地，所述步骤S6中，判断适应度值的均值是否在置信区间内，如果适应度值的均值在置信区间内，可以认为适应度值趋于稳定。
进一步地，所述步骤S7中，改进鱼鹰优化算法，改进点在于在鱼鹰算法搜索阶段策略中引入扰动因子δ，公式为：
δ＝1+δ1×R×(1-e-α·t)；
式中，δ1为扰动因子初始值，取值为-1，R是一个范围在[-1,1]之间的随机数，引入了随机性，α是一个控制扰动因子衰减速度的参数，t为当前迭代次数；所述α改进为自适应衰减参数，控制搜索步长，公式为：
式中，t为当前迭代次数，Tmax为总迭代次数。
更进一步地，上述公式中，采用非线性自适用改进扰动因子公式，使得在算法的初期，个体更容易跳出局部最优解，增加了全局搜索的机会，而在算法的后期，个体更趋向于在局部最优解附近进行微调，增加了局部勘探的精度。
更进一步地，非线性自适用改进扰动因子公式中，1-e-α·t部分是一个非线性衰减函数，它保证了扰动因子随着优化过程的进行逐渐减小，从而使得算法在优化初期更具探索性，在优化后期更具局部勘探能力。
更进一步地，非线性自适用改进扰动因子公式中，自适应衰减参数α，衰减速度可以减少算法的参数调优需求，传统的固定参数需要根据问题的不同进行调整，而自适应性可以更好地应对各种问题，减轻了参数选择的负担。
具体实施时，建立30×30的二维栅格地图，根据输煤系统环境，空间中设置多处障碍物，黑色栅格为障碍物，白色栅格为非障碍物地段，设置巡检机器人起点为[1,1]，终点为[30,30]，最大迭代次数Tmax＝200，鱼鹰种群规模N＝100，路径最小值lb＝1，路径最大值为ub＝30。
将改进鱼鹰优化算法(IOOA)与传统鱼鹰优化算法(OOA)进行对比测试，对图2和图3的仿真结果进行统计，相较于传统鱼鹰优化算法(OOA)，改进鱼鹰优化算法(IOOA)的路径长度由53.1724m减少到47.1683m，且传统鱼鹰优化算法(OOA)在迭代20次左右时，便陷入局部最优。
对比图4和图5，相较于传统鱼鹰优化算法(OOA)，改进鱼鹰优化算法(IOOA)在拐点处进行平滑优化，使得规划路径更加平滑，改进鱼鹰优化算法路径长度更短、转弯角度更小、迭代收敛更快和路径更加平滑，综合性能更优。
Claims (5)
1.一种输煤系统巡检机器人的路径规划优化方法，其特征在于，利用改进鱼鹰优化算法对输煤系统巡检机器人的路径进行优化，具体步骤如下：
S1、根据输煤系统环境特征，包括环境中的障碍物位置，采用栅格法建立输煤系统环境二维平面模型，并初始化位置坐标，设置巡检机器人起点和终点；
S2、将输煤系统巡检机器人的路径规划问题转化为数学模型，所述数学模型作为改进鱼鹰优化算法(IOOA)的目标函数；
S3、初始化改进鱼鹰优化算法(IOOA)，设置鱼鹰的初始位置和终点位置，浣熊种群规模N，最大迭代次数Tmax，维度dim以及鱼鹰搜索的上界ub和下界lb；
S4、计算鱼鹰种群每个个体的当前适应度值并递减排序，记录当前迭代最小适应度值，并与上次迭代最小适应度值比较，保留最小适应度值，与最小适应度值对应的最佳个体位置为Xbest；
S5、计算当前迭代的前t次迭代的适应度值的均值，然后使用t分布的概率密度函数计算适应度值的置信区间；
S6、判断适应度值的均值是否在置信区间内；
S7、若是，则执行改进鱼鹰算法搜索阶段策略，扩大最优路径范围，搜索阶段策略如公式(1)；
式中，为第i个鱼鹰第j维新位置，Xi，j为鱼鹰个体上次的位置，ri，j为区间[0,1]中的随机数，Ii，j为集合{1,2}中的随机数；SFi，j为鱼鹰状态参数，δ为非线性自适应扰动因子；
S8、若否，则执行改进鱼鹰算法勘探阶段策略，缩小最优路径范围，勘探阶段策略如公式(2)；
式中，为鱼鹰个体新位置，r为随机参数，取值[0，1]，lb为鱼鹰种群下界，ub为鱼鹰种群上界，t为当前迭代次数；
S9、判断是否达到最大迭代次数Tmax，若是，则寻优停止输出路径点，否则返回S3继续寻优。
2.根据权利要求1所述的一种输煤系统巡检机器人的路径规划优化方法，其特征在于，所述步骤S1中，栅格法建立输煤系统环境二维平面模型，根据现场实施要求，在二维平面上，障碍物的位置、大小是固定的，障碍物位置和大小在输煤系统巡检机器人运动过程中是不会改变的。
3.根据权利要求1所述的一种输煤系统巡检机器人的路径规划优化方法，其特征在于，所述步骤S2中，路径规划问题转化为数学模型，输煤系统巡检机器人路径规划优化问题只考虑最短路径和规避障碍物能力，即两者综合最优问题；数学模式公式为：
式中，n为输煤系统巡检机器人经过的栅格数目，xi+1与yi+1、xi与yi为输煤系统巡检机器人坐标位置，c为节点i与节点i+1间中点偏移位置点，w为路径上相邻节点中点数目，p为障碍物，u为障碍物的个数，Ac,p为巡检机器人在点c是否与障碍物p发生碰撞。
4.根据权利要求1所述的一种输煤系统巡检机器人的路径规划优化方法，其特征在于，所述步骤S6中，判断适应度值的均值是否在置信区间内，如果适应度值的均值在置信区间内，可以认为适应度值趋于稳定。
5.根据权利要求1所述的一种输煤系统巡检机器人的路径规划优化方法，其特征在于，所述步骤S7中，改进鱼鹰优化算法，改进点在于在鱼鹰算法搜索阶段策略中引入扰动因子δ，公式为：
δ＝1+δ1×R×(1-e-α·t)；
式中，δ1为扰动因子初始值，取值为-1，R是一个范围在[-1,1]之间的随机数，引入了随机性，α是一个控制扰动因子衰减速度的参数，t为当前迭代次数；
所述α改进为自适应衰减参数，控制搜索步长，公式为：
式中，t为当前迭代次数，Tmax为总迭代次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311464661.5A CN117419739B (zh) | 2023-11-06 | 2023-11-06 | 一种输煤系统巡检机器人的路径规划优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311464661.5A CN117419739B (zh) | 2023-11-06 | 2023-11-06 | 一种输煤系统巡检机器人的路径规划优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117419739A true CN117419739A (zh) | 2024-01-19 |
| CN117419739B CN117419739B (zh) | 2024-06-25 |
Family
ID=89530019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311464661.5A Active CN117419739B (zh) | 2023-11-06 | 2023-11-06 | 一种输煤系统巡检机器人的路径规划优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117419739B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117647706A (zh) * | 2024-01-30 | 2024-03-05 | 山东昊能电力建设有限公司 | 一种基于大数据的智慧电网运行故障诊断系统及方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2642458A1 (en) * | 2008-11-28 | 2010-05-28 | Gerard Voon | Tangible (upstream vertical chain) new technologies based on new designs and new compositions that increase people's quality of life relevant to my companies 'lines' of business |
| US20100250199A1 (en) * | 2007-05-21 | 2010-09-30 | Benjamin Wilbur Breedlove | Function-based habitat design method |
| CN107917711A (zh) * | 2017-11-14 | 2018-04-17 | 重庆邮电大学 | 一种基于优化混合蚁群算法的机器人路径规划算法 |
| CN111292808A (zh) * | 2020-02-14 | 2020-06-16 | 大连大学 | 基于改进哈里斯鹰算法的dna存储编码优化方法 |
| CN115113628A (zh) * | 2022-08-10 | 2022-09-27 | 天津城建大学 | 一种基于改进灰狼算法的巡检机器人路径规划方法 |
| CN115933680A (zh) * | 2022-12-26 | 2023-04-07 | 广东工业大学 | 一种机器人路径规划的方法、系统及设备 |
| CN115933671A (zh) * | 2022-12-17 | 2023-04-07 | 智联云大数据科技南京有限公司 | 基于mbesp优化的agv路径规划与自主避障方法 |
| 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 |
| CN116360437A (zh) * | 2023-03-27 | 2023-06-30 | 武汉轻工大学 | 智能机器人路径规划方法、装置、设备及存储介质 |
| CN116449687A (zh) * | 2023-06-16 | 2023-07-18 | 济南大学 | 一种基于改进型海上救援飞翼扰动观测pid控制方法 |
| CN116608855A (zh) * | 2023-03-15 | 2023-08-18 | 宁波大学 | 一种基于改进哈里斯鹰算法的机器人路径规划方法 |
| CN116859903A (zh) * | 2022-10-27 | 2023-10-10 | 湖北工业大学 | 基于改进哈里斯鹰优化算法的机器人平滑路径规划方法 |
-
2023
- 2023-11-06 CN CN202311464661.5A patent/CN117419739B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100250199A1 (en) * | 2007-05-21 | 2010-09-30 | Benjamin Wilbur Breedlove | Function-based habitat design method |
| CA2642458A1 (en) * | 2008-11-28 | 2010-05-28 | Gerard Voon | Tangible (upstream vertical chain) new technologies based on new designs and new compositions that increase people's quality of life relevant to my companies 'lines' of business |
| CN107917711A (zh) * | 2017-11-14 | 2018-04-17 | 重庆邮电大学 | 一种基于优化混合蚁群算法的机器人路径规划算法 |
| CN111292808A (zh) * | 2020-02-14 | 2020-06-16 | 大连大学 | 基于改进哈里斯鹰算法的dna存储编码优化方法 |
| CN115113628A (zh) * | 2022-08-10 | 2022-09-27 | 天津城建大学 | 一种基于改进灰狼算法的巡检机器人路径规划方法 |
| CN116859903A (zh) * | 2022-10-27 | 2023-10-10 | 湖北工业大学 | 基于改进哈里斯鹰优化算法的机器人平滑路径规划方法 |
| CN115933671A (zh) * | 2022-12-17 | 2023-04-07 | 智联云大数据科技南京有限公司 | 基于mbesp优化的agv路径规划与自主避障方法 |
| CN115933680A (zh) * | 2022-12-26 | 2023-04-07 | 广东工业大学 | 一种机器人路径规划的方法、系统及设备 |
| 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 |
| CN116608855A (zh) * | 2023-03-15 | 2023-08-18 | 宁波大学 | 一种基于改进哈里斯鹰算法的机器人路径规划方法 |
| CN116360437A (zh) * | 2023-03-27 | 2023-06-30 | 武汉轻工大学 | 智能机器人路径规划方法、装置、设备及存储介质 |
| CN116449687A (zh) * | 2023-06-16 | 2023-07-18 | 济南大学 | 一种基于改进型海上救援飞翼扰动观测pid控制方法 |
Non-Patent Citations (3)
| Title |
|---|
| 智能算法研学社（JACK旭）: "智能优化算法：鱼鹰优化算法-附代码", pages 1 - 13, Retrieved from the Internet <URL:https://blog.csdn.net/u011835903/article/details/130542706> * |
| 智能算法研学社（JACK旭）: "路径规划算法：基于鱼鹰优化的路径规划算法- 附代码", pages 1 - 10, Retrieved from the Internet <URL:https://blog.csdn.net/u011835903/article/details/131740560?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522171409497916800178525556%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=171409497916800178525556&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-1-131740560-null-null.142^v100^pc_search_result_base8&utm_term=%E9%B1%BC%E9%B9%B0%E7%AE%97%E6%B3%95%E8%B7%AF%E5%BE%84%E8%A7%84%E5%88%92&spm=1018.2226.3001.4187> * |
| 李三平等: "基于改进融合蚁群算法的移动机器人路径规划", 机械设计, vol. 40, no. 10, 31 October 2023 (2023-10-31), pages 76 - 84 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117647706A (zh) * | 2024-01-30 | 2024-03-05 | 山东昊能电力建设有限公司 | 一种基于大数据的智慧电网运行故障诊断系统及方法 |
| CN117647706B (zh) * | 2024-01-30 | 2024-04-05 | 山东昊能电力建设有限公司 | 一种基于大数据的智慧电网运行故障诊断系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117419739B (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110083165B (zh) | 一种机器人在复杂狭窄环境下路径规划方法 | |
| CN109491389B (zh) | 一种具有速度约束的机器人轨迹跟踪方法 | |
| CN105527964B (zh) | 一种机器人路径规划方法 | |
| CN107607120B (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 | |
| CN102778229B (zh) | 未知环境下基于改进蚁群算法的移动Agent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 | |
| CN110095122A (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
| CN110160546A (zh) | 一种移动机器人路径规划方法 | |
| CN104035438A (zh) | 一种基于种群多样性的自适应多目标机器人避障算法 | |
| CN115509239B (zh) | 一种基于空地信息共享的无人车路径规划方法 | |
| CN113867368A (zh) | 一种基于改进海鸥算法的机器人路径规划方法 | |
| CN112327876B (zh) | 一种基于终距指数的机器人路径规划方法 | |
| CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
| CN115407784B (zh) | 一种基于空地信息互补的无人车路径规划方法 | |
| CN115657694B (zh) | 一种基于空地信息交互的无人车路径规划方法 | |
| CN116772880B (zh) | 一种基于无人机视觉的无人车路径规划方法 | |
| Zhang et al. | A-star algorithm for expanding the number of search directions in path planning | |
| CN114326726B (zh) | 一种基于a*与改进人工势场法的编队路径规划控制方法 | |
| CN115344046A (zh) | 一种基于改进深度q网络算法的移动机器人路径规划 | |
| CN116483094A (zh) | 一种融合空地视角和多维信息的无人车路径规划方法 | |
| Wang et al. | Q-learning-based Collision-free Path Planning for Mobile Robot in Unknown Environment | |
| Sun | Path Planning of Mobile Robot Based on Improved Ant Colony Algorithm | |
| CN114995391A (zh) | 一种改进a*算法的4阶b样条曲线路径规划方法 | |
| Robotin et al. | Graph search techniques for mobile robot path planning | |
| Qian et al. | An improved ant colony algorithm of three dimensional path planning |
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 |