基于栅格环境搜索树的配送路径局部规划

为提高配送路径规划算法的有效性,提出一种基于栅格环境Morphin搜索树的配送局部路径规划算法。首先,根据配送城市路况复杂性,利用动力学轨迹模型对配送路径进行建模,模拟配送过程的车辆行驶状态,并给出车辆运行饱和时间指标判别方法;其次,引入Morphin搜索树算法对配送路径的动力学轨迹模型进行优化搜索,同时为提高模型优化精度,提出一种基于栅格环境的Morphin搜索树改进方法,有助于降低路径规划中障碍物碰撞问题;最后,通过在SUMO和OMNET平台上仿真实验,显示所提路径规划算法具有更佳的车辆滞留控制和更低的碳排放效果,验证了算法的有效性。

栅格环境下机器人路径的复合启发蚁群规划

为了减小机器人的工作路径长度、提高路径规划的效率,提出了基于复合启发信息蚁群算法的栅格环境下路径规划方法。介绍了栅格模型建立方法和传统蚁群算法原理,分析了传统蚁群算法的缺陷。以待选栅格矢量与目标栅格矢量间夹角为基础,提出了两种启发信息。经分析,启发信息1具有更大的搜索范围,启发信息2具有更强的搜索方向性。将启发信息1和启发信息2以动态变化的方式融入到蚁群算法中,得到了复合启发信息蚁群算法。在(30×30)规模的栅格环境中进行仿真验证,复合启发信息蚁群算法的路径长度、迭代次数均小于传统蚁群算法和文献[11]参数优化蚁群算法,以上结果证明复合启发信息蚁群算法规划的路径质量更好、规划效率更高。

在ArcGIS栅格数据环境下的综合信息成矿预测

探索有效的成矿预测方法,一直是矿产勘查领域的前沿与热点,近年来基于GIS综合信息成矿预测受到国内外地质学者所关注。文章以广西佛子冲铅锌矿田为例,尝试在大比例尺范围内,以已知矿体与地、物、化信息的空间相关性作为预测依据,从地质背景出发,对研究区已有地、物、化等多源信息进行综合分析.基于ArcGIS空间分析模块,在栅格数据环境下建立空间数据库,进行二次信息提取,以及依据专家打分模型、权重计算等数学方法,进行适宜性分析,获得适宜成矿靶区3处。该方法的科学性及有效性通过之后的钻探工作得到了验证。

并行栅格数据处理网格服务节点软件的关键技术

提出了栅格数据处理共享环境的概念,它包括栅格数据计算节点内部集群环境中的共享内存、共享处理器、共享硬盘、共享显示等方面的技术和计算节点间的远程图像对象调用技术。前者通过在近于操作系统层为用户提供一个便于编程、效率高的图像并行处理接口(API),屏蔽用户对操作系统层的系统调用,使用户在编程时只关心图像处理算法正确性和精度。后者通过远程对象调用技术在中间件层实现对象间的分布式计算,从而对程序员屏蔽了系统的分布性和异构性。最后介绍了基于该共享环境构建的空间信息栅格服务节点软件的体系结构,即构建空间信息栅格网格服务节点的框架。

基于改进A^(*)算法的车间物料配送路径规划

针对传统避障搜索算法在车间物料配送中仅能解决单点配送且未充分考虑多点配送及往返取货需求的问题,提出一种结合遗传算法优化的A^(*)算法.该方法利用A^(*)算法的成本计算方式完成有障碍物条件下各配送点之间的成本计算,并融合遗传算法的迭代寻优特性,实现了对多点配送及往返取货需求的高效稳定全局搜索.通过某车间物料配送的实际算例验证,该改进算法能有效规划障碍环境下的配送路径,显著提升配送效率.

面向冰区船舶航线的混合规划算法

针对自然环境恶劣且复杂的北极海域,本文旨在解决冰区船舶的航线规划问题。基于栅格法建立了冰区船舶的作业空间,采用改进蚁群算法规划出全局航线,将预处理后航线的各节点作为待规划的子目标,使用改进滚动窗口算法求解出最终航线。仿真结果表明:改进蚁群算法能以更快的迭代速度规划出静态环境中的全局航线,节点删除算法可剔除冗余节点,降低后续算法的计算复杂度,改进滚动窗口算法能在全局航线的基础上,有效规避环境中的动态障碍物,求解出混合环境中符合冰区船舶运动性能的最终航线。

基于优化蚁群算法的AGV路径规划研究

针对基本蚁群算法在规划自动导引车(automated guided vehicle,AGV)路径时易出现的耗时长、搜索效率低、收敛速度慢以及易陷入局部最优等不足,文章提出一种优化蚁群算法。首先利用辅助蚁群的方向优势,帮助主蚁群初始化信息素,使路径搜索更具有针对性,提高路径搜索效率;其次加入伪随机状态转移策略,增加路径选择的多样性,防止算法过早收敛;接着使用蚁群的当前最优解、主蚁群一代蚁群中的最优解、最差解进行全局信息素更新,并引入最大最小蚂蚁系统对路径上的信息素进行限制;最后对栅格环境中的凹形障碍物进行处理,提高搜索质量。仿真实验表明,优化蚁群算法相较于其他蚁群算法,收敛速度更快、搜索能力更优。

基于GA-DE-PSO优化算法的停车场车辆高效引导研究

传统停车引导方法受到寻优搜索算法本身缺陷的影响,设计的引导路径无法实现全局最优。针对该点不足设计了一种基于GA-DE-PSO优化算法的停车场车辆高效引导方法。利用栅格法建立停车场环境栅格地图。在原有停车时间最小化目标的基础上,增加一个避碰目标函数,由此建立一个多目标函数模型。将GA与DE融合到一起后利用GA-DE优化PSO算法,通过GA-DE-PSO优化求解停车场车辆最佳引导方案。结果表明与三种传统方法相比,GA-DE-PSO优化算法求出的方案所耗费的停车时间更短、效率更高,能够引导驾驶员快速识别出最近车位。

移动机器人路径规划安全A^(*)算法

针对移动机器人路径规划时安全性不高的问题,提出一种路径规划安全A^(*)算法.首先,通过扩展搜索邻域,减小路径转角角度,避免不必要的折角;然后,在启发式函数中引入新的评价指标,增加移动机器人与障碍物的距离.最后,提出安全性指数S,对路径安全性进行量化.通过MATLAB软件进行仿真对比,仿真结果表明:文中算法的路径质量和安全性更佳.

B样条曲线融合蚁群算法的机器人路径规划

针对蚁群算法在静态环境下全局路径规划存在无法找到最短路径、收敛速度慢、路径搜索盲目性大、拐点多等问题,提出一种改进蚁群算法。以栅格地图为机器人运行环境,对初始信息素进行非均匀分布,使路径搜索更倾向于起点和目标点的连线附近;把当前节点、下一节点和目标点的信息加入启发式函数,同时引入动态调节因子,促使启发函数在迭代前期起主导作用,而后期则加强信息素引导;引入伪随机转移策略,以减少路径选择的盲目性,加快找到最短路径;动态调整挥发系数,使得前期挥发系数大,后期较小,从而避免算法陷入早熟;在最优解的基础上,引入B样条曲线平滑策略,以进一步优化最优解,使得到的路径更短且更加平滑。对改进算法的主要参数进行敏感性分析,并对该算法的各改进环节的可行性与有效性进行了实验,而且在20×20和50×50环境下与传统蚁群算法及其他改进蚁群算法进行仿真对比,实验结果验证了改进算法的可行性、有效性和优越性。

贝塞尔曲线融合双向蚁群算法的移动机器人路径规划

在静态栅格地图环境下,针对传统蚁群算法在机器人全局路径规划中存在无法找到最短路径、路径搜索盲目性大、拐点多等问题,提出一种改进蚁群算法。在传统正向搜索的基础上,增加反向路径搜索,即双向路径搜索,每个方向采用不同的启发函数,增加路径搜索的目的性以及提高解的构造效率。对每代路径进行路径交叉,有助于产生新解,避免陷入局部最优。更新上述得到的有效路径的信息素,避免无效路径的干扰。采用改进的挥发系数公式,实现动态调整挥发系数,并设置信息素浓度范围,能够避免陷入早熟。采用改进的贝塞尔曲线优化上述得到的最优路径,能够根据需求调节曲线优化程度。通过与其他算法进行仿真对比,验证了改进算法的可行性、有效性和优越性。

基于Q-Learning算法的无人机空战机动决策研究

针对无人机空战对抗自主机动决策问题,设计了侧向机动决策算法。通过加入启发式因子的方式和双Q表交替学习的机制,弥补了传统Q-Learning算法学习速度慢、无效学习多的不足。通过路径规划仿真和数据的对比,验证了改进Q-Learning算法具有更好的稳定性和求解能力。设计了动态的栅格规划环境,能够使无人机根据变化的空战态势自适应调整栅格尺寸大小,且对求解的速率不产生影响。基于Q-Learning算法,构建了无人机空战对抗侧向机动决策模型,并通过武器平台调换的方式验证了改进Q-Learning算法能显著提升无人机空战胜负比。

基于改进Astar算法的AGV路径规划

随着自动导引运输车(Automated Guided Vehicle,AGV)被广泛应用,有关自动导引车的问题应运而生,近年来成为了众多国内外学者研究的热点。本文研究了基于栅格环境下的AGV路径规划问题。先基于栅格法对地图进行建模,再在栅格地图环境中提出改进的Astar算法,可为AGV规划一条全局最优路径。

基于象限判别下的改进A^*算法路径规划

传统A^*算法找到零碰撞概率的节点,需要很多处理时间并涉及检查很多相邻节点,因此工作效率较低。文章提出,将图像处理技术与路径规划避免碰撞技术相结合,通过基于象限判别下的改进A^*算法,识别从起始点到目标点的最佳路径,避免碰到任何障碍物。为了验证所提出的改进A^*算法可以解决传统A^*算法中的缺点,通过编程语言MATLAB的图形处理进行了避障路径仿真。结果表明,所提出的改进A^*算法可以有效缩短路径,减少处理时间。

无人作战艇在未知海域避碰规划算法研究

为提高无人作战艇在未知海域的环境适应能力与自主航行避碰规划能力,借鉴栅格法和人工势场法,提出了一种基于导航雷达回波视频的避碰规划算法。首先基于导航雷达视频对无人艇近区环境进行栅格化构建,然后基于构建的栅格化环境采用人工势场法进行避碰规划,最后开展仿真和试验验证。试验结果表明该算法能够依托雷达视频图像支持无人艇进行自主航行,并引导无人艇抵达目标点。

机器学习中加速强化学习的一种函数方法

机器学习中值函数需要反复更新直至其收敛是造成强化学习速度慢的根本原因.提出一种可实现批量更新值函数的学习方法,从加快值函数收敛的角度来加速强化学习.通过在训练情节中记录下从初始状态到达当前状态的状态转换序列,从中求出其它状态到达当前状态的最短状态路径,使当前状态更新的值函数可沿该最短状态路径逆序向前传播,从而实现值函数的批量更新.从在栅格环境中求最短路径的仿真试验结果看,该方法可显著提高值函数的更新频率,缩短学习时间.