三阶段自适应采样和增量克里金辅助的昂贵高维优化算法

代理辅助进化算法已广泛应用于求解代价高昂的多目标优化问题,但大多数由于代理模型的局限性而仅限于解决决策变量低维的问题。为了解决高维的昂贵多目标优化问题,提出了一种基于三阶段自适应采样策略的改进增量克里金辅助的进化算法。该算法使用改进的增量克里金模型来近似每个目标函数,此模型的超参数根据预测的不确定性进行自适应更新,降低计算复杂度的同时保证模型在高维上的准确性;此外,在模型管理方面提出一种三阶段自适应采样的策略,将采样过程分为不同的优化阶段以更有针对性的选择个体,能够首先保证收敛性,提高算法的收敛速度。为了验证算法的有效性,在包含各种特征的两组测试问题DTLZ(deb-thiele-laumanns-zitzler)、MaF(many-objective function)和路径规划实际工程问题上与最新的同类型算法进行实验对比,结果表明该算法在解决决策变量高维的昂贵多目标优化问题上具有较强的竞争力。

基于自适应神经网络的火炮身管结构优化研究

针对火炮多学科优化设计存在计算量大、收敛慢和易陷入局部最优的问题,提出一种基于自适应径向基函数(RBF)神经网络的结构优化方法。编程计算火炮高低温压力曲线,并对ABAQUS有限元软件二次开发将其加载进有限元模型以获取身管的优化目标值,构建其与设计变量间自适应RBF神经网络模型。引入罚函数法处理约束条件,采用遗传算法在模型中求解寻优。每次优化迭代时利用建立的局部和全局分析模型分别选取更新点,增加样本点来更新神经网络,以提高神经网络的局部和全局预测能力。采用典型函数算例和某火炮身管结构多目标优化,实例验证了所提出优化策略的有效性。研究结果表明:身管优化后质量减小了6.63%,结构刚度提高了5.60%,最大等效应力减小了6.34%;与仅使用遗传算法相比,该方法所需的有限元模型调用次数降低了86.5%,运行时间减少了83.3%,为火炮结构设计和优化提供了参考。

基于RSA-FCM算法的运动目标跟踪

运动目标跟踪领域的研究常用颜色直方图作为统计特征,效果良好但也具有易受光照变化影响等缺点,运用模糊颜色直方图的跟踪方法能解决以上问题.针对传统模糊聚类方法中的不足之处,提出了基于RSA-FCM算法的运动目标跟踪算法,即在模糊聚类过程中使用随机采样策略确定聚类初值,同时运用自适应模糊聚类模型进行运算,提高了跟踪的速度和精度.实验对比表明,本文提出的算法在运动目标跟踪准确性和实时性较传统算法都有改进.

多障碍场景下改进RRT算法路径规划

针对传统快速搜索随机树RRT算法在多障碍场景下盲目搜索、不易收敛、采样成功率低、生成路径波折的问题,提出一种改进RRT算法。改进算法包含自适应目标偏向策略、区域采样调整策略、贝塞尔曲线平滑处理三部分。在MATLAB平台进行对比实验,对比实验使用7张地图,分为较少障碍的一般场景和通道类复杂场景。实验结果表明,改进RRT算法相较原算法和其它两种目标驱动算法在运行时间、搜索次数、采样成功率三方面均有大幅提升,二阶贝塞尔曲线使生成路径平滑。实验结果验证了提出策略和方法的正确性和可行性。

基于改进RRT算法的狭长空间无人车辆路径规划

针对狭长空间无人车辆路径规划系统,提出一种基于改进的快速搜索随机树(rapidly-exploring random trees,RRT)路径规划算法,以解决传统RRT算法随机性较大、路径缺乏安全性的问题.该算法通过加入自适应目标概率采样策略、动态步长策略对传统的RRT算法进行改进,同时考虑到实际情况中无人驾驶车辆的动力学约束,该算法加入车辆碰撞约束和路径转角约束,并针对转角约束会导致迭代次数激增的问题提出了一种限制区域内随机转向的策略,最终得到一条安全性较高的路径.采用计算机仿真对所提算法和现有算法的性能进行对比验证.所提算法在狭长空间相较于传统人工势场引导下的RRT算法迭代次数降低了33.09%,规划时间减少了6.44%,路径长度减少了0.06%,并且在简单环境和复杂障碍物环境下规划能力均有提升.所提算法规划效率更高、迭代次数更少.

一种用于无人车路径规划的改进双向快速扩展随机树算法研究

快速扩展随机树(RRT)算法在生成采样点时,采用随机扩展策略进行盲目搜索,导致路径生长过程中缺乏方向性且规划速度缓慢。针对此问题,提出了一种改进双向快速扩展随机树算法(Bi-RRT)。首先,在节点的生成方式上,同时生成两个采样点,通过舍弃距离目标点较远的采样点来提高采样效率,确保采样点的有效性,加快路径规划速度;然后,结合自适应采样目标偏向策略,使路径的规划更具有方向性,能够逃离局部极小值。同时在规划过程中,两棵随机树分别选择对方生成的最新节点作为目标,以降低众多繁杂节点的产生,使路径生成更具有目的性;接着利用Matlab软件,将改进Bi-RRT算法同基本RRT和Bi-RRT两种路径规划算法进行对比分析。仿真结果表明,研究算法能缩短规划时间、减少迭代次数,具有较好的可行性和有效性。最后进行了样车实验,验证了研究算法的可靠性。

基于改进RRT的路径规划算法

传统的RRT(Rapid-exploration Random Tree)算法具有搜索速度快,适用于解决动力学非完整性约束问题,但是由于算法本身的随机性,生成的路径比较曲折,甚至出现绕远路现象。为此,本文提出一种改进的RRT路径规划算法,该算法结合目标偏向策略,使算法快速向目标节点收敛;对选取节点的度量函数,加入了角度的影响;同时引入贪心剪枝思想,对冗余节点进行剪枝,提高了路径规划算法的效率;最后通过仿真实验,验证了该算法的正确性和有效性。

基于改进RRT和人工势场法的路径规划算法

针对快速随机扩展树(Rapidly-Exploring Random Trees,RRT)算法在规划路径中随机性较大、扩展效率较低且规划的路径不利于机器人移动等缺点,提出一种改进的RRT算法。首先,加入目标偏向策略和自适应步长策略,减小RRT的随机性,增强路径规划的鲁棒性和算法的探索能力;其次,引入改进的人工势场法,使算法扩展方向更偏向目标点,提高算法的搜索效率;然后,去除改进RRT算法规划路径的冗余节点,使得生成的路径更加简短和高效;最后,使用n阶贝塞尔曲线对路径进行平滑处理,使规划的路径更有利于机器人移动。实验结果表明,与传统RRT算法、RRT*算法和另外一种已有的改进方法相比,改进的RRT算法在路径规划时间、路径长度、路径节点以及迭代次数等方面效果都更好,路径更加平滑且更短。