基于分区进化遗传算法的无人船自导航规划研究

为解决无人船中的自导航路径规划问题,先对无人船的任务进行分层研究,再对其中的路径规划层进行分析。在完成航行环境的栅格化处理后,采用分区进化遗传算法(PEGA)对航行路径进行适应度值选取和交叉变异处理,以选出最优航行路径。实验结果表明,PEGA算法具有稳定的寻优性能,在迭代至30代时达到稳定状态,且稳定适应度值为0.58,并且该算法还能通过不同的目标需求完成不同的最优路线规划。

基于遗传算法的无人机载穿墙三维SAR航迹规划方法

传统手持或车载穿墙雷达由于架设高度受限,无法对城市高层建筑内部目标进行透视成像,无人机载穿墙雷达具有灵活机动、高效便捷、无高度限制等优势,可对城市高层楼宇进行大范围三维穿透探测。三维层析合成孔径雷达(SAR)成像广泛采用多基线扫描模式,以获得高度向高分辨能力,但存在高度向空域欠采样导致的栅瓣问题。对此,该文提出一种基于遗传算法的无人机载穿墙三维SAR航迹规划方法,通过非均匀化飞行航迹,削弱周期性的雷达回波能量叠加,从而抑制栅瓣、实现更优的成像质量。该算法结合飞行距离与无人机载穿墙雷达成像质量的内在关系,建立了无人机航迹规划代价函数;利用遗传算法对3种典型的无人机飞行轨迹关键控制点进行基因编码,并进行基因杂交、变异等以优化种群与个体;最终通过最小化代价函数,分别筛选出3种典型飞行模式下的最优飞行航迹。仿真和实测数据的三维成像结果表明:相较于传统等间距多基线飞行模式,所提方法显著抑制了成像目标的栅瓣效应;此外,无人机斜线飞行的航迹长度明显缩短,提高了无人机载穿墙SAR成像效率。

改进遗传算法的移动机器人避障路径规划

为解决复杂多变环境下,常规路径规划算法生成路径长、不连贯、存在多余转折点和大转折角度、容易碰撞障碍物等问题,提出一种改进遗传算法的动态避障算法.结合行间随机选择策略和A*算法插入中间点策略改进初始化算法;在传统遗传算法中设置障碍物安全距离,引入删除和优化算子,优化适应度函数;采用动态窗口法结合改进遗传算法得到路径最优解.结果表明:改进后算法生成的路径平滑,与A*算法、某改进遗传算法相比,路径更短、碰撞次数更少,在复杂动态环境下具有良好的避障性能,为移动机器人在现实场景中的安全、高效导航提供了可行的解决方案.

基于遗传算法的UUV应召搜潜路径规划

针对应召搜潜中的两种常见情况,即目标随机机动和已知目标概略航向,建立了目标位置分布模型。针对无人航行器(UUV)对潜应召搜索中目标运动状态难以准确描述的问题,基于隐马尔可夫模型(HMM)建立了目标运动模型,能够在已知目标起始概率分布、转移概率和探测结果时实时更新目标概率分布。针对传统搜索方法难以保证有限搜索时间内发现概率最大的问题,设计了一种基于改进遗传算法的UUV应召搜潜路径规划方法,在常规遗传算法基础上增加删除和增添等操作,保证搜索路径的连通性;设计保留精英基因操作,使算法快速收敛。通过与扩方搜索、巡逻线搜索、随机搜索等常用搜索方法的对比,验证了该方法的有效性。

基于可视图与改进遗传算法的机器人平滑路径规划

针对传统遗传算法在路径规划中存在收敛速度慢、易早熟和路径质量差等缺点,提出一种基于可视图与改进遗传算法的路径规划算法。首先,利用可视图法压缩地图信息,减少搜索节点;然后,对路径个体采用浮点数编码,引入模拟二进制交叉(simulated binary crossover,SBX)算子和多项式变异算子,并采用精英保留策略和轮盘赌相结合的选择算子以防止优质个体丢失;之后,将贝塞尔(Bezier)算子引入遗传算法,改善路径的平滑性;最后,分段优化贝塞尔控制节点,防止优化路径与障碍物碰撞。在仿真地图中进行测试,实验结果表明,所提算法相比于其他算法可以规划出一条更平滑、更短的路径。将算法应用在康复助行机器人中进行测试,实验结果表明,所提算法能有效解决机器人的全局路径规划问题,提升全局路径规划的效率。

基于多种群混沌遗传算法的GEO目标服务任务规划

面向地球同步轨道(geosynchronous Earth orbit,GEO)空间目标碎片清除、燃料加注等不同在轨服务需求,研究了“固定储油站+往返航天器”相结合的航天器任务规划问题。首先,建立了多任务混合的燃料最优双层任务规划模型,外层为目标服务序列规划,内层为轨道机动规划。随后,针对该连续-离散混合变量组合优化问题,提出了一种多种群混沌遗传算法(multi-group chaotic genetic algorithm,MGCGA),采用混合编码表征决策变量,引入立方混沌映射算子提高初始种群质量,多种群及精英保留策略使得算法在求解过程中能更为显著地逼近全局最优解。最后,参考实际GEO目标构建了典型算例,规划结果表明所提算法具有全局收敛性好、收敛速度快的优点。

基于差分进化算法的改进遗传算法的UUV路径规划

针对水下无人航行器在三维环境中的全局路径规划问题,从优化初始种群和提高收敛精确度寻得最优路径的角度改进遗传算法,并对遗传算法和差分进化算法的融合进行了研究。采用精英反向学习的方式筛选初始种群,寻得较优初始种群并融合差分进化算法思想改进遗传算法,提升了算法的全局搜索能力。结果表明,改进算法的初期收敛速度较快,规划的曲线能够降低UUV能耗,在一定程度上改善了陷入局部最优解的情况。

基于遗传算法-序列二次规划的磁共振被动匀场优化方法

为了解决磁共振成像(MRI)系统中固有的主磁场(B0)不均匀的问题,提出遗传算法-序列二次规划(GASQP)算法,以提高7 T磁共振的主磁场均匀性.从被动匀场数学模型的角度出发,该混合算法利用GA算法获得稳定的初始解,实现主磁场的第1次优化,再通过SQP算法的快速求解,在较少的时间内实现主磁场的第2次优化,同时提高磁共振主磁场的均匀性.采用正则化方法减少磁场均匀所需的铁片质量,并且获得稀疏的铁片分布.在仿真建模的案例研究中,7 T磁共振裸磁场均匀度可以从462×10-6优化到4.5×10-6,并且在匀场空间上仅消耗0.8 kg的铁片.相比于传统的GA优化方法,新方案的磁场均匀性提高了96.7%,总铁片消耗质量减少了85.7%.实验结果表明,GA-SQP算法比其他优化算法具有更强的鲁棒性和竞争力.

基于语义聚类的遗传规划算法比较

针对遗传规划算法容易陷入局部最优解与局部搜索过慢的问题,提出一种基于语义聚类的遗传规划算法(genetic programming algorithm based on semantic clustering,SCGP),比较不同聚类算法对SCGP表现的影响。同时提出一种基于子种群规模的自适应适应度函数,提高局部搜索能力。在多个基准问题上对比标准遗传规划、几何语义遗传规划、K均值聚类遗传规划与SCGP,实验结果表明,SCGP算法在拟合能力和泛化能力上都有较大改善。在诸多聚类方法中,层次聚类嵌入的SCGP算法在基准问题上的泛化能力最优,与标准遗传规划、几何语义遗传规划、K均值聚类遗传规划相比,分别提高了32.36%、61.29%、20.53%。

基于改进遗传算法的多无人机搜索航路规划

针对多无人机对特定区域内的目标搜索问题,提出了一种基于贪婪算法改进变异操作的自适应遗传算法。依据先验情报对搜索区域进行栅格化处理,并结合无人机性能约束建立基于状态更新周期的协同搜索模型;引入类0-1编码将无人机航向控制序列与搜索概率进行关联;考虑到机载雷达对某一区域的重复探测会在一定程度上提高搜索概率,提出加入贪婪算子的贪婪变异策略,并引入策略选择阈值实现依据搜索概率变化对变异策略的动态调整,提高算法后期的局部搜索能力。仿真结果表明,改进的自适应遗传算法整体性能较好,具有较强的搜索能力和鲁棒性。

基于模拟退火量子遗传算法的焊接机器人轨迹规划

针对焊接机器人在焊接过程中经常出现的轨迹规划问题,以六自由度机械臂PUMA 560为研究对象,采用笛卡尔空间规划轨迹,并利用混合算法,以关节惯性力矩变化量最小为优化目标,对不同末端位置的各个关节惯性力矩进行优化,从而消除了机械臂焊接过程中的运行不稳定、关节运动不平稳等问题。克服了模拟退火算法收敛速度慢及量子遗传算法局部寻优能力差等问题,成功规划出机械臂关节惯性力矩最优轨迹。MATLAB仿真结果表明,模拟退火量子遗传算法收敛时间相比传统遗传算法缩短30.56%,并且优化了关节惯性力矩,验证了该算法的可行性,可为后续研究奠定基础。

改进遗传算法与多目标优化模型的航班路径规划

针对现有航线路径规划模型,单一成本规划难以解决不同机型及运输时间条件下最优路径规划的问题,将机型配置、运输时间和系统成本相结合,通过枢纽城市位置、非枢纽城市节点向枢纽城市节点的流量分配、机队飞行时间以及机队规模建立枢纽航线网络优化模型。以飞行时间与系统总成本为最小化求解目标,利用熵值法建立染色体选择机制,引入自适应交叉率改进遗传算法,通过改进算法(IGA)对最佳航线及枢纽节点位置分布优化求解,并与传统遗传算法、人工蜂群算法和灰狼算法进行对比。研究表明,将不同机型配置、运输时间进行组合,优于单一成本路径规划。以改进算法对枢纽航线网络模型进行优化求解,系统总成本降低了3.41×10^(10),为机队资源的合理配置提供了借鉴。

改进遗传算法的果园割草机作业路径规划

为提高果园割草机的工作效率,解决割草机路径规划问题,提出一种改进遗传算法(improved genetic algorithm,IGA)。通过对不同作业场景的分析,将割草机的路径规划问题转化为对作业行的调度排序问题,根据割草机的作业环境建立数学模型。在GA(genetic algorithm)的基础上,采用动态线性标定方式,放大适应度值之间的差异,设计适应度函数并通过对算子优化,在保证遗传算法搜索能力的同时,提高算法的性能和收敛速度。设计不同参数的15种果园进行仿真试验,选择2块标准化果园进行田间试验,验证改进遗传算法的性能。结果表明,改进后的遗传算法具有更好的寻优性能和收敛速度,能高效地解决果园中割草机的路径规划问题。

基于改进遗传算法的无人艇集群多任务分配路径规划

为完成多任务的分配并确保USV集群航行的总路径最短,同时确保各USV的路径长度差距最小,针对USV集群全局路径规划问题从初始种群生成方法、选择算子和变异算子等3方面对遗传算法进行改进。针对航行区域障碍物特点,采用切线法对改进遗传算法生成的路径进行优化。为验证算法的有效性,基于MATLAB/Simulink仿真平台构建仿真模型,并针对具体航行环境进行多任务全局路径规划测试。仿真结果显示,所提出的算法可实现USV集群多任务分配的全局路径规划。

基于遗传算法改进的AGV路径规划研究

自动引导搬运车(AGV)节能路径规划可提高AGV使用过程的能效,是实现车间生产节能的一种可行方法。为解决AGV在栅格地图中规划路径时易出现的拐弯角度较多和穿墙等问题,并降低AGV在移动时的能耗,提出一种基于遗传算法改进的AGV路径规划方案。首先减少障碍物角点数,并将路径长度作为目标函数;然后对变异算子进行改进,减少拐弯次数,降低AGV在运动过程中的能耗,提高AGV运行的安全性。仿真结果表明,相比普通遗传算法,改进方法能够找到长度短、能耗更低且安全的路径。

基于改进遗传算法的酒店配送机器人路径规划仿真研究

针对传统遗传算法初始种群质量不高、种群多样性不足和路径长度不理想的问题,提出了改进遗传算法。通过基于引力场模型生成初始路径,提高初始种群质量;在适应度函数中增加了惩罚因子和激励因子,提升种群质量筛选;引入差分进化算法对种群个体之间的差异进行向量化操作,以突变概率控制种群突变数量,优化种群多样性,从而更好更快地得到全局最优解。采用改进遗传算法、传统遗传算法和蚁群算法对不同栅格地图路径规划进行仿真实验,结果表明:改进遗传算法在处理此类路径规划问题时可以快速找到最优路径,在复杂度较高的M3地图环境下相较于传统遗传算法和蚁群算法最优路径分别缩短了17.39%和7.9%。

基于改进遗传算法的换纱筒机器人路径规划

为了解决针织换筒机器人顺序换筒耗时长、功耗高问题,首先综合考虑换筒机器人移动距离和翻转等待时间,建立具有时空约束的换筒路径数学模型;其次基于自适应遗传算法,提出一种改进的近邻度初始种群算子和按位变异的局部搜索算子,得到改进的遗传算法。结果表明,改进遗传算法规划的换筒机器人路径所消耗的生产时间相对于人工排序缩减55.5%,改进算法收敛速度相对于传统遗传算法提升48.3%,改进算法最优解质量也优于其他几种传统启发式算法,提升了系统效率,证明改进遗传算法应用在换筒机器人路径规划优化问题中的可行性和有效性。

多星协同观测遗传-演进双层任务规划算法

多星协同任务规划方法是天基卫星系统管控的关键支撑。围绕多星协同对地观测任务展开分析,首先建立多星协同任务规划模型,包括卫星轨道参数、约束条件和待观测目标点等;其次设计了遗传演进双层求解架构,将多星任务规划问题拆解为顶层多星任务分配问题和底层单星任务调度问题,上层采用基于引导的多种群遗传算法(multi-population genetic algorithm,MPGA),将启发式结果融入到任务分配算法中,下层采用改进遗传算法对单星任务调度问题进行求解;最后针对适用性问题,设定随机和均匀分布两组目标,采用不同卫星数量设计实验验证了遗传演进双层求解框架的有效性。

基于改进遗传算法的电力巡检机械臂运动路径规划方法

路径规划是巡检机器人设计中一项重要的技术,为解决遗传算法在巡检机器人规划中所存在的路径最优、避障等问题,提出基于改进遗传算法的电力巡检机械臂运动路径规划方法,构建机械臂的数学模型,改进遗传算法的设计,旨在对巡检机器人的路线进行优化。

基于改进遗传算法的水电站智能巡检路径规划方法

常规的水电站巡检路径规划方法多数采用粒子群算法原理设计而成,在实际应用过程中,存在巡检路径规划精度与时效性较差的问题,导致路径规划收敛速度较慢,最优解波动幅度较大。基于此,笔者引入改进遗传算法,开展了基于改进遗传算法的水电站智能巡检路径规划方法研究。首先,构建水电站栅格模型,描述水电站智能巡检工作空间是否存在障碍物及水电站的运行状态变化;然后,利用改进遗传算法,全局规划水电站智能巡检路径。根据试验结果可知,提出智能巡检路径规划方法应用后,在处理多目标任务问题中,巡检路径规划的收敛速度得到了显著提升,收敛完毕后,水电站智能巡检路径规划最优解呈稳定状态变化,可行性较高。