基于双重启发式动态规划算法的列车运行调整研究

通过对列车行车组织特点及运行调整策略的研究,采用自适应动态规划体系中的双重启发式动态规划算法,建立了列车运行调整模型。双重启发式动态规划算法适合处理具有实时性、约束性、非线性、随机性等特点的列车运行调整复杂动态系统的优化控制问题,通过仿真验证,该算法求解速度快、精度高,对列车晚点的调整起到了良好的控制作用。为列车运行调整的深入研究提供了一定的参考价值。

基于多目标混合启发式算法的协同无冲突4D航迹规划

为促进基于航迹运行的框架下未来空中交通管理系统的协同决策,本文提出了一种协同无冲突4D航迹规划方法。首先以提高航班效率和航空公司间的公平性为目标,以无冲突为约束构建了一个多目标整数线性优化模型。其次,提出了一种基于基尼系数的指标以量化航空公司间的成本分配公平性。为了提高问题求解效率,采用了基于网格的探测方法以加速冲突检测,并设计了一种多目标混合启发式算法(Multi-objective hybrid-meta-heuristic optimization algorithm,MHMOA),通过结合模拟退火(Simulated annealing,SA)和爬山局部搜索算法来近似最优的非支配解。最后,利用实际航班计划和航路网络数据比较和分析了MHMOA、SA和两种常规多目标优化算法的优化结果。结果表明,MHMOA所获得的非支配解的质量更高、延误更低且航空公司间公平性更优,在3个多目标优化性能指标方面表现优异,可为空中交通管理员提供更详细的决策支持。

融合改进A^(*)算法与动态窗口法的煤矿足式机器人路径规划

为提高煤矿足式机器人路径规划算法的运行效率、搜索精度及避障灵活性,提出了一种融合改进A^(*)算法与动态窗口法(DWA)的煤矿足式机器人路径规划方法。首先对A^(*)算法进行改进,通过去冗余节点策略减短规划路径的长度,通过改进邻域搜索方式和代价函数提高路径规划速度,采用分段二阶贝塞尔曲线进行路径平滑。将改进A^(*)算法规划出的路径节点依次作为局部路径规划DWA的局部目标点进行算法融合,筛选邻近的障碍物节点,从而再次缩短路径长度,并通过调整DWA代价函数中的权值比例提升避障性能。针对机器人遇到无法避开的障碍物而陷入“假死”状态的问题,以当前初始点为起点,重新调用融合算法,即重新进行全局路径规划,将得到的新节点代替原有的局部目标点,按照新路径进行后续工作。仿真结果表明:在保证机器人行走安全稳定的基础上,改进A^(*)算法较传统A^(*)算法的计算时间缩短了65%,路径长度缩短了24.1%,路径节点数量减少了27.65%,最终得出的路径更为平滑;融合算法进一步提升了全局路径规划能力,在多障碍物环境下能够绕开新增的动态和静态障碍物;机器人遇到“L”型障碍物进入“假死”状态时,在“假死”位置重新进行全局路径规划,更新行走路径,成功到达了最终目标点。基于融合算法的JetHexa六足机器人路径规划实验结果验证了融合算法的有效性和优越性。

A^(*)蚁群融合的复合启发式路径规划算法

为提高无人机执行巡飞探查任务的效率,规划出一条最优的飞行路径,针对传统蚁群算法应用于路径规划时存在搜索效率低、迭代次数多、路径拐点多的问题,提出一种A^(*)蚁群融合的复合启发式路径规划算法。利用A^(*)算法预搜索差异化初始信息素,减少蚁群算法前期搜索盲目性,提高搜索效率。构造一种复合启发函数,引入A^(*)算法启发思想改进蚁群原本的启发式信息,设计路径平滑启发函数减少路径拐点。改进信息素更新规则,引入路径综合评分指标,使得每次迭代保留综合性能评分最优的路径。仿真实验表明,改进算法提高了搜索效率,一定程度上解决了拐点过多的问题,综合性能指标优于基本算法与对比文献算法,具有一定工程实践与理论研究意义。

基于多次采样启发式策略的改进RRT路径规划算法

在路径规划领域,快速探索随机树(RRT)算法是机械臂解决复杂环境中的路径规划问题的重要工具,然而其纯随机的采样环节导致大量的无效或低效尝试,浪费了计算资源;为解决此问题,提出一种基于多次采样启发式策略的改进RRT算法(MH-RRT);利用启发式函数评估多个采样点的代价值,选择代价值最低的采样点,引导路径树更快地向目标点生长;将启发式函数策略类似地有效改进了RRT*算法和双向RRT*算法;深入探讨不同参数对改进算法性能的影响,并确定最优参数组合;实验结果表明,改进算法在路径搜索时间、路径长度以及采样点数量等方面均能取得显著提升,提高了路径规划的有效性。

基于启发式遗传算法的通信光缆网络线路规划布局方法

由于通信光缆网络线路规划受到多种限制条件的制约,导致最优解比例低。针对上述问题,提出基于启发式遗传算法的通信光缆网络线路规划布局方法。通过建立数学模型明确目标和约束条件,利用启发式遗传算法进行线路初始化,并通过选择、交叉、变异等方法持续优化群体,直至满足终止条件。实验结果表明:这种方法通过明确约束条件,获取高比例最优解,为通信光缆网络线路规划布局提供了更优方案。

基于元启发式优化的机器人智能体无碰撞轨迹规划

针对机器人智能体在复杂三维环境中的安全运动,提出一种基于元启发式优化的无碰撞轨迹规划方案。轨迹点采用五次样条插值,以确保运动轨迹足够平滑,且起始点和目标点的速度与加速度均为零。以轨迹长度最短为优化目标,将轨迹与障碍物的最近距离限制在约束条件中,从而表述为一个优化问题,并采用基于元启发式的灰狼算法进行求解。随后,在复杂的三维地形中对该方案开展2个模拟仿真。结果表明:该方案能够有效地在规划空间内求解出预定数目的最优轨迹插值点,通过五次样条插值形成的轨迹长度达到最短,且不与障碍物发生任何碰撞。

一种物流配送机器人路径搜索启发式算法研究

针对带有时间窗和配送机器人的车辆路径问题,提出了一种自适应大邻域搜索启发式算法(ALNS)。首先研究了带时间窗口的车辆路径问题,分析了在调度-等待-检索系统中,时间窗约束引起的同步问题以及两种不同的配送资源在时间问题上的关系,在此基础上提出了改进的自适应大邻域搜索(ALNS)启发式算法。该算法通过破坏和修复部分现有解,在每次迭代时改变大部分解,通过创建初始解决方案,并在自适应机制的基础上获得最优解决方案。通过实验证明了该算法在解决带有时间窗和配送机器人的车辆路径问题上的性能和有效性,最后对配送机器人的应用情况进行了敏感性分析。

基于双启发式动态规划的PHEV能量管理策略

为提高插电式混合动力汽车(PHEV)燃油经济性和排放性能,提出一种基于双启发式动态规划(DHP)的能量管理控制策略。采用3层BP神经网络分别设计了DHP能量管理控制器的执行网络、模型网络和评价网络。利用Matlab/Simulink与ADVISOR平台,在CYC_NDEC循环工况下对DHP能量管理控制策略进行联合仿真验证,并与执行依赖启发式动态规划(ADHDP)控制算法设计的能量管理控制策略进行对比分析。结果表明,CYC_NEDC循环工况经过1个、2个与3个循环周期后,DHP能量管理控制策略的蓄电池组荷电状态SOC维持在0.63以上,燃油消耗量分别降低了6.9%、4.1%与2.7%,尾气有害物排放量均有一定程度的降低。该方法可有效提升整车的燃油经济性和环保性。

基于动态扩展邻域蚁群算法的移动机器人路径规划

针对蚁群算法易陷入局部最优、路径转折点多、收敛速度慢的问题,提出一种基于动态扩展邻域蚁群算法(Dynamic extended neighbourhoods ant colony optimization,DENACO)。在蚂蚁搜索方式上采用动态扩展邻域方法,并定义新的信息素计算方式和增量规则,在取得更优收敛路径长度的同时,减少路径转折点数量及路径节点数量;引入自适应调整因子改进启发函数,提高算法的全局搜索能力,并设定迭代阈值,提升算法的收敛速度;提出一种路径节点双优化策略,对规划好的路径进一步优化,提高路径综合质量。不同复杂度及不同规模栅格地图中的仿真实验表明,DENACO算法所规划的路径更优,路径转折点数量减少,收敛速度加快,路径节点数量明显减少,表明算法具有更高的可行性和适用性。

基于多层次启发式动态规划算法的电力系统动态等值

针对电力系统运行工况变化后动态等值系统响应精度不够的问题,提出一种基于多层次启发式动态规划(Global representation heuristic dynamic programming,Gr HDP)算法的动态等值方法。该方法在基于同调等值得到的模型的基础上,在等值边界上加入基于Gr HDP算法的动态补偿环节,实时补偿同调等值系统与原系统间动态特性的差额,从而实现精确跟踪原系统的动态特性。以10机39节点系统为例进行仿真研究,结果表明:在不同运行工况、故障方式和故障地点下,基于所提算法的动态等值系统相比传统的同调等值能更精确地跟踪原系统的动态特性。

对地观测卫星任务规划的启发式动态调整算法

针对对地观测卫星任务规划,分析了单个资源失效与多个高优先级任务动态插入情况下已有任务规划方案的动态调整问题。以最大化规划方案任务权值总和为优化目标,提出了基于任务替换的启发式动态调整算法,包括选择替换任务的五种启发式策略:最大灵活度、最小冲突集、最小争议部分、区间剪枝以及任务剪枝策略。分析了影响动态调整算法运行效率的两个关键因素:冲突任务集与动态搜索深度。采用任务重规划率、规划权值变化率与算法运行时间三项指标考察算法效果,通过仿真实验验证了算法的可行性和有效性。

求解基于专用道设置的动态交通规划问题的启发式算法

基于专用道设置的策略,该文提出了一个新的动态交通规划问题。大型运动会要求主办方在规定时间内将指定人员从运动员村运送到指定地点。该问题便是源自2010年广州亚运会的交通需求。其要求在保证30分钟内将运动员从运动员村运送到指定场馆的条件下,最小化设置专用通道的总成本。由于该问题的规模较大,本文提出了三种启发式算法用以求解已提出的线性整数规划模型。计算结果表明,通过该文提出的启发式算法得到的解与相对应的采用数学规划软件Lingo8.0得到的解之间的平均误差均小于1.89%。同时,启发式算法的计算时间远小于Lingo8.0所需的计算时间。

移动机器人自主寻路避障启发式动态规划算法

用启发式动态规划算法解决移动机器人自主寻路、避障问题。提出了传感器检测环境状态的方法,以及对传感器检测信息进行归一化处理的方案。对输入、输出量以及学习系统的强化信号进行定义,设计了机器人自主学习寻路、避障的控制策略。定义了连续型强化信号,使机器人通过学习,对优先寻路还是优先避障做出决策判断。为验证启发式动态规划算法在移动机器人寻路、避障问题上的学习能力,设计了3种不同的寻路、避障仿真实验:同目标、不同起始点,同起始点、不同目标,和移动目标仿真实验。仿真结果表明,对于不同的寻路、避障要求,基于启发式动态规划算法的移动机器人具有良好的学习及适应能力。

基于极大代数的阻塞流水车间启发式动态规划调度算法

基于极大代数理论,引入任务排序函数与时间D子集,建立阻塞流水车间排序与调度代数模型,并提出启发式动态规划调度算法,实例计算表明算法十分有效.

基于联邦学习的中山站移动传感单元启发式路径规划算法研究

启发式算法被广泛用于移动巡检单元的路径规划中。然而在一些特殊场合(例如南极中山站),有限的通信带宽、能源和计算能力要求移动巡检单元在路径规划算法中更有效率。为了解决上述困难,本研究提出了1个网络交换和分布式通信设施的设计方案,并将其作为实现数字孪生传感网络的基础。同时,本研究提出了1种改进型灰狼优化的路径规划算法,结合联邦学习机制,以提高路径规划算法的效率,减少资源消耗。通过一系列的仿真研究和南极中山站现场试验,验证了该算法在启发式全局路径规划、规划成本评估和区域动态路径规划方面取得了良好的性能。本研究设计的硬件平台功能符合实际任务要求,新型启发式路径规划算法优于同类其他算法,联邦学习机制提高了规划算法中参数设置的效率,算法模型使南极中山站移动巡检单元的路径规划更加高效和可靠。

基于骨架提取和启发式算法的路径规划方法

针对农业机器人在大棚中执行搬运任务时的高效率且尽可能沿地图中心行驶的需求,提出一种基于骨架提取和启发式算法的路径规划方法。首先设计了自适应阈值的地图骨架路径关键点提取步骤,用关键点指导启发式搜索树的构建。然后采用膨胀RS曲线代替直线进行树的生长,保证机器人的运动学约束和防碰撞,同时提出一种混合碰撞检测方法,进一步提高算法效率。最后设计关键点扩展步骤,提高算法的鲁棒性。仿真结果表明,简单地图下,本算法效率约是RRT*-Connect算法的5倍、Hybrid A*算法的7倍,复杂地图下约是RRT*-Connect算法的300倍、Hybrid A*算法的9倍,能够满足机器人的运动学约束。

启发式规划算法下云边缘节点均衡调度仿真

云边缘节点调度性能过差会加重网络数据处理负担,使移动端用户需求难以得到满足。为了缓解网络云边缘传输压力,提出基于启发式规划算法的云边缘节点调度方法。创建基于云边缘节点的空间域,经过空间域建模的云边缘节点成功弥补了由通讯干扰、链路传输模式不当和数据包丢失所导致的传感器稳定性下降的问题。以云边缘节点空间域为基础,深入探讨不同调度任务对CPU、节点选择概率等因素的约束条件。在约束条件的协助下通过启发式规划算法选择合适的底层算法,实现云边缘节点调度。仿真结果表明,所提方法调度性能强、负载平衡度高。

基于改进蚁群算法的分布式多机器人协同路径规划

针对多机器人协同路径规划问题,提出了一种基于改进蚁群算法的分布式多机器人协同的路径规划方法,将多机器人路径规划问题分为两个阶段解决.在路径规划阶段改进传统的蚁群算法,通过几何法对蚁群算法的初始信息素进行差异化设计,改变初始信息素分布方式,加快蚁群算法收敛速度;设计了一种以起始点和目标点为导向的启发式函数,解决了蚁群在寻优过程中迂回锁死的情况;改进信息素更新方式加快后期信息素积累过程,提高整个算法路径规划的收敛速度.在协同避碰阶段,设计协同避碰规则解决各机器人之间的相互碰撞,以找到较优或者最优的路径组合.仿真结果表明:所改进的蚁群算法在解决单机器人路径规划问题时的优越性和所提多机器人路径规划方法的可行性、有效性.

动态环境下机器人路径的新型启发蚁群规划

为了实现机器人在动态环境下沿最优路径安全行驶,提出了基于新型启发蚁群算法的路径规划和避撞策略。建立了机器人工作环境的栅格模型,给出了路径质量评价标准。基于蚁群算法,引入了信息素浓度的梯度初始化方法,有效提高了算法前期搜索效率;给出了一种用于平滑路径的新型启发信息,提出了新型启发蚁群算法并用于全局路径规划。在设定场景下,给定了障碍物检测方法与正面避撞、侧面避撞策略。经仿真验证,新型启发蚁群算法规划路径长度短、收敛次数少、平滑性好,且避撞策略可以有效躲避障碍物,保证机器人安全行驶。