基于马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)方法的α稳定分布参数估计具有良好的性能,但不合适的提议函数常导致算法不收敛或混合性能不好。针对提议函数难以选择的问题,提出了一种基于自适应Metropolis算法的非对称α稳...基于马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)方法的α稳定分布参数估计具有良好的性能,但不合适的提议函数常导致算法不收敛或混合性能不好。针对提议函数难以选择的问题,提出了一种基于自适应Metropolis算法的非对称α稳定分布参数估计新方法。该方法利用Markov链的历史信息自动调整提议函数的协方差矩阵,使其不断地逼近目标分布,从而获得更好的估计结果。理论分析和仿真结果表明,此方法不仅能准确地估计出α稳定分布的4个参数,而且具有良好的鲁棒性和灵活性。展开更多
针对RRT(rapidly-exploring random tree)算法在进行机械臂路径规划过程中存在的拓展导向性差、冗余节点多、路径质量差等问题,提出了一种基于AGD-RRT(adaptive goal-directed RRT)的算法。首先,该算法构建了一种动态的目标偏向概率函数...针对RRT(rapidly-exploring random tree)算法在进行机械臂路径规划过程中存在的拓展导向性差、冗余节点多、路径质量差等问题,提出了一种基于AGD-RRT(adaptive goal-directed RRT)的算法。首先,该算法构建了一种动态的目标偏向概率函数,实时调整对目标点进行采样的概率以达到自适应目标导向的效果,减少了无用节点的生成,提高了收敛速度。其次,采用贪婪收敛策略,防止了随机树在目标周围时的盲目扩张。搜索结束后,采用节点剔除法剔除路径中的冗余节点,并用B样条曲线对轨迹进行平滑处理,提高了路径质量。然后在二维、三维环境中进行了对比仿真实验,验证了该算法的可行性与优越性。最后进行了样机实验,验证了所提算法在机械臂关节空间进行路径规划的可行性。展开更多
文摘基于马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)方法的α稳定分布参数估计具有良好的性能,但不合适的提议函数常导致算法不收敛或混合性能不好。针对提议函数难以选择的问题,提出了一种基于自适应Metropolis算法的非对称α稳定分布参数估计新方法。该方法利用Markov链的历史信息自动调整提议函数的协方差矩阵,使其不断地逼近目标分布,从而获得更好的估计结果。理论分析和仿真结果表明,此方法不仅能准确地估计出α稳定分布的4个参数,而且具有良好的鲁棒性和灵活性。
文摘针对RRT(rapidly-exploring random tree)算法在进行机械臂路径规划过程中存在的拓展导向性差、冗余节点多、路径质量差等问题,提出了一种基于AGD-RRT(adaptive goal-directed RRT)的算法。首先,该算法构建了一种动态的目标偏向概率函数,实时调整对目标点进行采样的概率以达到自适应目标导向的效果,减少了无用节点的生成,提高了收敛速度。其次,采用贪婪收敛策略,防止了随机树在目标周围时的盲目扩张。搜索结束后,采用节点剔除法剔除路径中的冗余节点,并用B样条曲线对轨迹进行平滑处理,提高了路径质量。然后在二维、三维环境中进行了对比仿真实验,验证了该算法的可行性与优越性。最后进行了样机实验,验证了所提算法在机械臂关节空间进行路径规划的可行性。