一种快速神经网络路径规划算法

本文研究已知障碍物形状和位置环境下的全局路径规划问题 ,给出了一个路径规划算法 ,其能量函数利用神经网络结构定义 ,根据路径点位于障碍物内外的不同位置选取不同的动态运动方程 ,并针对障碍物的形状设定各条边的模拟退火初始温度 .仿真研究表明 ,本文提出的算法计算简单 ,收敛速度快 ,能够避免某些局部极值情况 ,规划的无碰路径达到了最短无碰路径 .

线性再励的自适应变步长机器人神经网络路径规划算法

研究己知障碍物形状和位置环境下的机器人全局路径规划问题。利用神经网络路径规划算法进行路径规划,为提高神经网络路径规划算法的收敛速度,引进了线性再励的自适应变步长算法。通过仿真实验,表明所给出的线性再励自适应变步长算法能够有效地加快路径规划的收敛速度。

基于AM-PSO-BP神经网络的打印路径规划

为提高弧焊焊接效果,提出一种基于AM-PSO-BP神经网络的弧焊打印路径规划方法。方法采用基于自适应方差的自适应变异操作(AM)消除粒子群优化算法(PSO)后期迭代效率低的问题,然后利用AM-PSO算法优化BP(back propagation)神经网络的权重和阈值,实现BP神经网络参数的优化;最后将AM-PSO-BP神经网络算法对弧焊打印工艺参数进行预测,获取更准确的弧焊打印工艺参数。仿真结果表明:所提方法可精确预测弧焊打印工艺参数,在该工艺参数下,弧焊打印的六边形柱体、圆柱体、正方体预测值与实测值相差较小,且在误差允许范围内,具有较高的准确性。以上方法可为精确弧焊打印提供依据。

基于递归神经网络算法的电子物流配送系统配送路径优化

传统电子物流配送系统无法有效优化配送路径,需要花费大量的时间进行路径搜索,从而导致分配成本的增加和效率的降低。因此,提出了递归神经网络算法(RNNs)的物流分布路径优化模型,并将递归模糊神经网络算、与布谷鸟搜索算法(CSA)与群体智能算法(ACO)进行电子商务物流分布路径比较。实验结果表明,递归模糊神经网络算法可以实现电子商务物流分布路径的优化,与群体智能算法和布谷鸟搜索算法相比,递归神经网络算法的最优路径长度分别减少3.7 km和3.5 km,并且在迭代200次数的条件下,递归神经网络算法可以获得最短配送路径。

基于生物启发神经网络的核辐射场区全覆盖路径规划

核辐射场区全覆盖路径规划对于辐射环境下区域作业者的辐射安全有重要意义。本研究基于生物启发神经网络算法,提出一种进行辐射剂量最优控制的全覆盖路径规划算法。首先,利用福岛核电站部分地形以及蒙特卡罗粒子输运程序分别构建模拟核辐射场区的障碍物分布和辐射剂量场,然后,采用Python语言进行算法仿真试验,模拟核辐射场区的每一个栅格定义为一个神经元,建立起生物启发神经网络,将栅格剂量率与神经元活性耦合实现路径规划的辐射剂量最优控制,分别采用单个、4个和8个移动单元进行仿真试验。结果表明:单个移动单元的规划路径在实现100%覆盖率,4%覆盖重复率的同时,能够优先覆盖低剂量区,延后覆盖高剂量区,实现了过程剂量和累积剂量的最优控制。为提高全覆盖的时间效率和获得更低的单体累积剂量,对算法进行多单元协同搜索的改进,结果表明:4单元和8单元仿真的覆盖重复率分别为5.72%和6.29%,1单元、4单元和8单元仿真完成全覆盖时间分别为30 min、9 min和4 min,时间效率成倍提高;最大单体累积剂量分别为4.11×10^(-3)mSv、1.28×10^(-3)mSv和0.85×10^(-3)mSv,也在显著降低。本文提出的算法能实现过程剂量和累积剂量最优控制的全覆盖路径规划,另外算法可以协同规划多单元路径,显著降低单体累积剂量,对辐射环境下区域作业的辐射防护有重要意义。

基于生物启发神经网络的无人水面艇实时避障路径规划

针对无人水面艇(unmanned surface vehicle,USV)自主航行过程中的避障与遵守海事交通规则之间潜在的冲突问题,设计基于生物启发神经网络并且遵守《1972年国际海上避碰规则》(Convention on the International Regulations for Preventing Collisions At Sea,1972,COLREGs)的实时避障路径规划方法。运用STM32嵌入式平台搭建包括超声波、红外激光、陀螺仪和GPS传感器的小型USV水面环境感知硬件架构,将多传感器输出的动态环境信息通过栅格地图映射到二维神经网络中。USV根据神经网络活性势图自动规划通向目标点的无碰撞路径。通过多种船舶航行交汇局面的实验,证明该方法既安全又符合COLREGs的要求。

改进RBF神经网络在智能机器人轨迹规划中的研究

针对工业生产中对智能机器人轨迹规划的要求越来越高,在工业机器人运动模型的基础上,提出了一种将RBF神经网络和遗传算法相结合的工业机器人轨迹规划方法。通过遗传算法对RBF神经网络的网络结构、连接权值和阈值进行优化,精确跟踪机器人的轨迹。通过仿真将与未改进前的轨迹规划算法进行比较,验证该方法的优越性。结果表明,与改进前的规划算法相比,文中规划方法误差小,适应性强,能够满足工业机器人轨迹规划的预期要求。为工业机器人轨迹规划方法的发展提供了一定的参考。

融合神经网络GRU和RRT算法的机械臂路径规划

针对求解机械臂最优路径规划问题,提出一种融合卷积神经网络GRU的RRT^(*)算法(GRU-RRT^(*))。将门控循环单元GRU应用于采样的规划器(GRU_Sampler),利用神经网络规划器为快速探索随机树提供节点,预测下一次随机采样最有希望的可达状态,显著降低了算法的运行时间,提高了改进的RRT^(*)算法的规划效率。此外,采用自适应可变步长,利用环境信息生成合适的步长,避免因固定步长导致的收敛速度降低的问题,最后使用三次样条插值算法对机械臂运动轨迹进行平滑,减少机械臂的冲击损耗。将GRU-RRT^(*)算法分别在二维、三维和Rviz地图中进行仿真,实验结果表明,改进算法有效的降低了搜索的时间,提高了机械臂规划的效率,平滑性良好。

一种基于GWO-BP神经网络的RSSI测距算法

近些年来,基于接收信号强度指示(RSSI)测距的研究受到了广泛的关注,特别是在物联网和室内定位领域。精准的距离估计是基于测距方法实现高精度定位的基础,但由于存在测量噪声和多路径效应的影响,RSSI信号具有很强的波动性,从而导致RSSI与空间真实物理距离之间的映射关系具有不均匀的特点。为了增强RSSI与真实物理距离之间的映射关系,提高RSSI测距的精度,本文基于反向传播(BP)神经网络和灰狼优化(GWO)算法,提出了一种基于GWO-BP神经网络的RSSI测距算法。GWO算法相比于粒子群优化算法(PSO)、遗传算法(GA)、差分演化(DE)、进化编程(EP)、进化策略(ES)具有更快收敛速度和更强稳定性的特点。此外,本文通过开发的手机软件采集实测数据,通过在两个不同的环境内进行试验。结果表明,基于路径损耗模型(PLM)测距的均方根误差(RMSE)分别为2.218、2.059 m,传统BP神经网络测距算法的RMSE分别为1.541、1.551 m,基于GA算法优化BP神经网络测距算法的RMSE分别为1.269、1.201 m,本文提出的GWO-BP神经网络测距算法的RMSE分别为1.054、0.833 m;结果表明本文算法测距精度更高,稳健性更好。

应用差分进化-神经网络模型的杀爆弹瞄准点分配方法

为在不增加计算时耗的前提下提升多枚杀爆弹对面目标打击毁伤效能,建立融入动爆威力计算的多瞄准点规划方法.对面目标采用结构化网格划分方法实现多枚杀爆弹对目标毁伤区域的精确计算,并进行计算结果验证,基于多次计算结果采用神经网络方法建立单枚弹药对面目标毁伤区域的计算代理模型,在同样计算条件下,比非代理模型计算时间缩短1000倍;据此,通过差分进化算法实现多枚杀爆弹对面目标打击瞄准点及末端弹道参数的规划.通过实例对比分析表明:该瞄准点规划方法形成的打击方案比传统以毁伤半径为输入的方法毁伤效果大幅提升,最低提升25.5%,且单次规划时间不超过3 s,解决了瞄准点规划中毁伤效能模型复杂度与计算耗时之间的矛盾.

基于小波神经网络与遗传算法的机器人全局路径和局部路径优化

全局与局部路径的优化可以实现对机器人路径的全局统筹和实时性控制,从而提高其自动化使用的效率。为了提高机器人自动化路径选取的准确性,在该研究中选择遗传算法优化小波神经网络和人工势场法,实现全局和局部路径的优化。结果表明,优化的小波神经网络和人工势场法的最终损失函数值分别为0.26和0.31。改进小波神经网络的准确率为95.8%,相对于改进的人工势场法、小波神经网络和人工势场法分别有2.3%,3.4%和3.8%的提升。路径优化仿真实验结果表明,新建方法可以实现较好的全局和局部路径优化,且规划路径平滑、无障碍。

基于神经网络和遗传算法的移动机器人路径规划

提出一种基于神经网络和遗传算法的路径规划算法。采用神经网络模型对机器人的环境信息进行描述,利用神经网络的输出建立遗传算法的适应度函数;然后使用遗传算法优化路径。在该算法中将需规划路径的二维编码简化成一维编码。仿真结果表明提出的路径规划方法是正确和有效的。

双层循环神经网络框架下的USV路径规划方法

针对全连接神经网络结构下Actor-Critic算法在复杂路径规划环境下训练时间长、不宜收敛且难以处理长动作记忆序列的不足,本文提出了基于双层循环神经网络的水面无人艇(unmanned surface vessel,USV)路径规划算法。该算法的输入并不是单独的一个状态,而是由状态、动作和奖励所组成的具有一定长度的序列(宏动作)。从网络架构上来看,循环神经网络(recurrent neural network,RNN)会记住历史信息,并且使用历史信息影响当前的输入输出,基于RNN结构的双层循环神经网络(double-layer recurrent neural network,DRNN)也具有同样的性质,由于DRNN考虑了一定时间内的环境交互历史,有助于神经网络对于连续动作序列(宏动作)模式的识别。通过仿真实验,在多个地图上与常规的Actor-Critic算法进行对比验证。结果表明:该算法在平均步数、成功率与平均奖励上比Actor-Critic算法有明显提高。

基于神经网络和遗传算法的机器人动态避障路径规划

文中提出了基于神经网络和遗传算法的动态环境下机器人动态避障路径规划方法 ,机器人工作空间动态环境信息的神经网络模型 ,并利用该模型建立机器人动态避障与神经网络输出的关系 ,然后将需规划路径的二维编码简化成一维编码 ,并把动态避障要求和最短路径要求融合成一个适应度函数。通过对算法进行实验仿真 ,结果表明提出的动态路径规划方法是正确和有效的。

基于神经网络的移动机器人路径规划算法的仿真

研究一种基于神经网络的移动机器人路径规划算法,充分利用神经网络的融合性和并行性提高移动机器人路径规划算法的运算速度。此算法也可以解决机器人的全局路径规划和局部路径规划问题,仿真结果表明这种算法可以快速可行地实现无碰撞优化路径规划,并且对动态环境具有较好的适应性。

退火算法与神经网络算法结合在路径规划中的研究

路径规划问题是计算机、数学、交通、机器人等包含了众多领域在内的经典问题,它可以被描述为一个最优化问题。为了解决经典算法在求解最优路径时运算时长的问题,该文研究了神经网络和模拟退火算法的特点,建立了一般路网的数学模型;根据神经网络和模拟退火算法的特点设计了适合车辆诱导的路网最优路径算法。结果表明,应用神经网络算法和模拟退火算法相结合,比单独使用任何一个算法的效率高。

基于优化Hopfield神经网络的海事飞机巡航路径规划

为解决海事空巡飞机巡航路径规划问题,提高巡航效率。本文提出了一种基于优化Hopfield神经网络(HNN)巡航路径规划模型,该模型通过粒子群优化算法(PSO)对HNN神经网络进行优化得到PSOHNN神经网络模型,提高了Hopfield神经网络的全局收敛能力。采用实际巡航点对优化模型进行仿真实验,结果证明了基于优化Hopfield神经网络(PSO-HNN)巡航路径规划模型具有良好的路径寻优能力。

基于神经网络租遗传算法的足球机器人路径规划

针对足球机器人在动态环境下的安全路径规划,提出一种将神经网络和遗传算法相结合的路径规划方法。用hopfield神经网络描述存在障碍物的动态环境,然后用遗传算法对代表路径的控制点进行寻优,并把路径安全性和最短路径要求融合为一个适应度函数。通过仿真实验表明该方法具有较高的实时性和有效性。

基于模糊神经网络算法的机器人路径规划研究

路径规划是移动机器人研究的关键技术之一。在研究模糊理论和神经网络的基础上,提出了一种新的算法,即模糊神经网络。模糊神经网络既可以像神经网络那样并行处理、自行学习,又可以像模糊理论处理模糊信息、完成模糊推理功能。采用模糊神经网络来对移动机器人的路径进行规划,充分发挥模糊理论和神经网络的各自优势,从而获得从起始点到目标点的最优路径。在环境信息完全未知且静态的情况下进行了仿真实验,结果表明:该算法效率高、收敛速度快,有效提高了移动机器人的智能化水平。

机器人路径规划的神经网络算法及优化

开发了一种基于碰撞罚函数的移动机器人路径规划神经网络算法，充分利用神经网络的融合性和并行性提高移动机器人路径规划算法的运算速度，取得了显著效果．并提出了局部路径修正和路径“张紧”两种算法，有效的解决了局部路径微，Ｊ、碰撞和最短路径问题，实现了机器人路径的最优化．最后给出了仿真结果．