基于自适应探索DDQN的移动机器人路径规划

针对传统双深度Q网络算法在路径规划中探索和利用分配不平衡,数据利用不充分等问题,提出了一种改进的DDQN路径规划算法。首先,在自适应探索策略中引入探索成功率的概念,将训练过程分为探索环境和利用环境两个阶段,合理分配探索和利用。其次,通过双经验池混合采样机制,将经验数据按照奖励大小进行分区采样,确保有利数据的利用度达到最大。最后,设计了基于人工势场的奖励函数,使机器人能获得更多的单步奖励,有效改善了奖励稀疏的问题。实验结果表明,所提出的算法相比传统DDQN算法和基于经验分区和多步引导的DDQN算法能获得更高的奖励值,成功率更高,规划时间和步数也更短,算法整体性能更加优越。

一种连续探索型自适应遗传算法及其应用

对经典遗传算子中的交叉算子和变异算子进行了重新设计 ,提出一种连续探索型自适应遗传算法。该算法能够根据种群进化情况 ,动态地调整遗传算子 ,维持种群的多样性 ,克服过早收敛并加快了搜索速度 ,得到高品质解。将该算法用于最短路径求取中 。

智能服务终端的探索性自适应FSM测试方法

随着智能化时代的到来,以自动饮料售卖机、自动地铁售票机、ATM机等为代表的智能服务终端对人们的生活起到了越来越重要的作用,对智能服务终端进行全面有效的测试以防止其可能出现的各种错误,提升用户体验变得十分重要.针对目前软件版本更新频繁、开发与测试难以对接、边开发边测试导致的测试工作量庞大且难以规范化等问题,根据智能服务终端状态及状态迁移特征明显的特点,提出一种在规格说明不充分、软件快速迭代需要不断回归测试情况下仍能被高效使用的测试方案——基于FSM(finite state machine)的探索性自适应测试.该方法首先通过探索性测试获得待测系统的状态及迁移信息,然后把它们建模成FSM,根据模型及已经执行过的测试用例,以状态及状态迁移覆盖为准则生成测试用例,在测试过程中不断地对测试模型及相应的测试用例进行自适应调整.基于该方法,通过集成开源软件Graphwalker,搭建了一个实验平台,选择了10种不同种类的常用智能服务终端,通过实验评估其有效性.实验结果表明,该方法生成的测试用例数量少,测试充分性程度高,可以高效地发现智能服务终端系统中存在的缺陷和问题.

基于RRT^(*)改进的移动机器人路径规划算法

针对RRT^(*)算法在复杂环境路径规划中存在的盲目搜索、冗余节点及路径较长等问题,提出一种融合树扩展策略和采样策略的改进RRT^(*)算法(AF-RRT^(*))。通过创造父节点改进RRT^(*)扩展树的结构,缩小路径长度;引入自适应探索,增加采样导向的选择性,减少路径搜索时间,同时不会陷入局部最优陷阱;通过动态步长,减少冗余节点。仿真结果表明,AF-RRT^(*)算法在多种环境下,路径获取效率和路径质量均优于RRT^(*)和F-RRT^(*)。消融实验验证了AF-RRT^(*)算法和算法各功能模块的有效性。

改进人工蜂群算法的四旋翼自抗扰控制参数优化

针对四旋翼自抗扰控制(active disturbance rejection controller,ADRC)参数整定困难,给工程应用带来较大限制的问题,提出一种改进人工蜂群算法的四旋翼ADRC控制器参数优化方法。该算法采用自适应的探索策略,根据选择概率,从5种不同的搜索规则中进行选择,提高种群的多样性和寻优能力。将ADRC控制器中的参数作为蜂群中的种群应用到四旋翼无人机仿真模型中进行迭代寻优,并把风干扰模型作为环境噪声引入系统,测试算法性能。仿真结果表明,改进后的人工蜂群算法得到的控制器参数响应速度更快,稳态误差更小,抗干扰能力更强。

一种航天器交会与接近路径规划算法

针对非合作交会与接近任务中近程导引段航天器的三维路径规划问题,提高其在多约束条件下的寻优性能,提出一种融合混沌映射、自适应随机动态扰动、随机探索机制以及反向学习策略的混合蝙蝠算法。首先,利用Circle混沌映射进行种群初始化,提高种群多样性;在全局搜索中引入自适应随机动态扰动系数,并在位置更新时进行位置限定,提高算法全局寻优的性能;在局部搜索中融入柯西分布的逆累积分布函数,避免算法进入局部最优。同时,引入分段随机的反向学习策略,进一步提高种群多样性,平衡全局寻优与局部探索的性能。然后,以基于升序排列的路径节点进行三次样条插值编码,构造躲避障碍物求解航天器三维路径的适应度函数,结合混合蝙蝠算法求得平滑路径曲线。最后,通过对比仿真表明了所提方法的最优路径次数较对比算法增加,最差路径次数减少,路径平均解减少。