基于改进多目标粒子群算法的机器人路径规划

为了使多目标粒子群算法在机器人路径规划中能够快速地寻找到最优路径,针对粒子种群算法在局部最优时较差的搜索能力和种群粒子较差的收敛速度,提出了一种改进型多目标粒子群算法。该算法根据粒子群之间的信息传递机制,采用SPEA2中的环境选择和配对选择策略使种群粒子快速地收敛于帕累托最优边界,采用自适应原理来改变对速度权重的计算方法以此来平衡算法的全局搜索能力与局部搜索能力。通过经典测试函数实验仿真验证和机器人路径规划的应用实践,结果表明,算法的改进不仅使算法更容易跳出局部最优而且使算法的收敛速度和种群粒子的收敛速度有了很大的提升,也使得算法在机器人路径规划中能够更快速地寻找到最优路径。

基于局部搜索的改进SPEA2算法

由于追求收敛速度与防止陷入局部最优,标准的改进强度Pareto算法(SPEA2)过于注重全局搜索能力,从而导致局部搜索能力不足。为了增强SPEA2算法的局部搜索性能,进而提高算法收敛速度,提出了一种基于局部搜索的改进SPEA2算法。该算法单独设置一个新外部存档集以保存局部搜索后的非支配集,并且改进了交叉算子,加入了部分个体更新策略。将该改进算法与SPEA2算法进行了收敛性能比较实验。仿真实验结果表明,相比于标准算法,改进SPEA2算法不仅可以保证收敛到多目标优化问题的Pareto最优边界,而且在收敛能力上也得到了较好的改善。

自适应种群更新策略的多目标粒子群算法

针对粒子种群较差的局部搜索能力,提出了一种自适应种群更新策略的多目标粒子群算法。该算法在每次种群进行迭代时,根据种群的多样性测度以及每个粒子的适应度值,自适应地改变速度权重,以此来提高种群粒子在局部搜索时的活性,使算法具有较强的局部搜索能力同时又保留了足够的全局搜索能力。最后利用多组经典测试样例进行仿真,并与传统的粒子群算法以及速度线性衰减算法做比较,在单目标优化中,自适应粒子群算法能够更快地寻找最优位置;在多目标优化中,自适应粒子群算法能够更快速地收敛于帕累托最优边界。

基于改进SPEA2算法的机器人路径规划研究

移动机器人的工作环境复杂且多变,决定了路径规划在移动机器人研究中的重要地位。传统的求解方法均无法同时优化多个目标且各自存在缺点,而SPEA2算法则非常适合求解存在多个优化目标的机器人路径规划问题,具有参数少、解集分布均匀的优点。但同时也存在早熟收敛和收敛速度慢的问题,从而影响了路径规划效率。针对上述缺陷,对SPEA2算法加以改进,提出了采用种群多样性的自适应遗传概率调整公式,并且加入修复和平滑算子以提高路径规划效果。仿真结果表明,改进算法相比于经典SPEA2在收敛能力上有了较大的提高,得到的机器人行走路径也非常理想,为机器人路径规划的优化提供了参考。

基于环境选择和配对选择的多目标粒子群算法

为了使多目标粒子群算法中种群粒子能够快速地收敛于帕累托最优边界,针对标准多目标粒子群算法中缺乏粒子评价标准以及种群个体历史最优值位置和全局最优值位置选择问题,提出了一种基于环境选择和配对选择策略的多目标粒子群算法。该算法在每次迭代时,采用SPEA2中的环境选择和配对选择策略及适应度值计算方法,以此来提高种群粒子之间的信息交换力度,减少标准多目标粒子群算法中大量的随机性,使种群粒子能够更快速地收敛于帕累托最优边界。经典测试函数的仿真实验结果表明,在标准多目标粒子群算法中运用SPEA2的环境选择、配对选择策略和适应度值计算方法,能够使种群粒子更快速地收敛于帕累托最优边界,验证了算法改进的可行性和有效性。