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。

路径诱导系统中双向启发式A*算法研究

针对实际城市交通路网最优路径规划中存在的计算效率问题,研究了最优路径算法的快速实现技术,提出了一种双向启发式A*诱导算法。在分析经典Dijkstra算法和A*启发式搜索算法的基础上,利用双向A*算法分解搜索空间,采用完全二叉堆结构来实现计算过程中数据的存取,从而提高了算法的执行效率。实际路网仿真结果证明了该算法的优异性能。

双向启发式图搜索算法BRA之研究

本文在[1]中基于模运算,提出了随机产生式系统的启发式图搜索算法RA~*.本文提出一个随机产生式系统的双向搜索的启发式图搜索算法BRA~*,证明了算法BRA~*的可采纳性,并得到了一些新的可采纳性结果.算法BRA~*的搜索效率比算法RA~*高.若启发式估价函数满足单调性限制,通过使用NP操作,则算法BRA~*的搜索空间将进一步减少.

改进的双向启发式搜索算法及其在车载导航仪中的应用

介绍单车辆路径规划的有关算法，针对车载导航仪的应用，对双向启发式搜索算法进行了改进和优化，提出了可靠有效的搜索终止条件和搜索切换标准，给出了改进算法的流程。最后给出了四种算法的实际测试和比较结果。结果表明改进的双向启发式搜索算法快速高效。

基于宽容分层策略的启发式排样算法

针对2D Packing排样方法中存在的择优匹配思想与排样优劣评估的平衡性问题,基于多目标优化的宽容分层策略提出一种新颖有效的择优匹配启发式排样算法。首先,定义排样空间和匹配值,计算入排零件与排样空间的宽、高匹配值,然后建立统一的多目标优化函数模型,并根据目标函数值的大小来确定排放优先规则。特别针对一般可排入匹配情况,可在目标函数模型中通过设置和调整宽容值,最后实现多种排样布局的最优化。对benchmark问题的7类数据实例的计算结果表明,该算法相对于底部左齐择优匹配(LLABF)和水平线择优匹配(LSBF)算法,Gap的平均值可降低了2%;在C1P1+C3P1以及C2~C7随机构成的两组混合数据测试中(矩形数量为33和66),排样高度达到24和339。该算法也可用于多类型异形零件的排样过程。

求解二维装箱问题的强化学习启发式算法

二维带形装箱问题是一个经典的NP-hard的组合优化问题,该问题在实际的生活和工业生产中有着广泛的应用.研究该问题,对企业节约成本、节约资源以及提高生产效率有着重要的意义.提出了一个强化学习求解算法.新颖地使用强化学习为启发式算法提供一个初始的装箱序列,有效地改善启发式冷启动的问题.该强化学习模型能进行自我驱动学习,仅使用启发式计算的解决方案的目标值作为奖励信号来优化网络,使网络能学习到更好的装箱序列.使用简化版的指针网络来解码输出装箱序列,该模型由嵌入层、解码器和注意力机制组成.使用Actor-Critic算法对模型进行训练,提高了模型的效率.在714个标准问题实例和随机生成的400个问题实例上测试提出的算法,实验结果显示:提出的算法能有效地改善启发式冷启动的问题,性能超过当前最优秀的启发式求解算法.

金属板材三维装箱的启发式算法

针对直方体金属板材装箱问题,提出一种模仿人装箱过程的启发式算法,该算法对木箱进行分层装箱,从最底层开始一层层往上装载,对每层出现的不平整的层进行智能填充,从而提高木箱的空间利用率,采用人工智能方法处理待装金属板材得出装箱结果,实验结果表明,该算法是行之有效的,并具有一定的通用性.

多品种小批量产品的分层计划管控系统设计与实践

针对中小企业生产管理指导性、规范性差,生产作业效率低等问题,本文以A公司多品种小批量产品为研究对象,提出一整套分层计划管控系统。首先通过流程再造优化订单评审流程,其次,采用分层计划编制体系优化计划排产流程,然后构建基于规则约束的启发式算法进行优化。最终达到增强生产订单接收协同性,排产指导性以及反馈及时性的目的。

基于逆向分层的网格工作流调度算法

有向无环图DAG(Directed Acrylic Graph)描述的工作流时间费用优化问题是计算网格下一个基本的且难以求解的问题.通过分析DAG图中活动的并行和同步完成特征,采取由后向前方法将活动逆向分层(BottomLevel,BL),将工作流截止期转化为层截止时间,提出截止期约束的逆向分层费用优化算法DBL(Deadline BottomLevel).算法中同层活动的开始时间不同于DTL(Deadline Top Level)算法中设置相同的策略,而是分别由其前驱活动确定,时间浮差被平均分配到各分层,以尽量增大活动的费用优化区间.通过大量模拟实验将DBL和MCP(mini mumCritical Path)、DTL两算法比较,结果表明DTL将MCP的平均费用降低15.62%,而DBL将MCP的平均费用降低24.74%.最后讨论了截止期和分组参数对算法性能的影响.

基于求解TSP问题的双向扩展差额算法

旅行商(TSP)问题是典型的组合优化中的NP-hard难题。本文在最近城市搜索法和两端延伸最近城市搜索法基础上提出了双向扩展差额求解算法,并分析了算法的复杂度。采用以上三种算法求解了TSPLIB标准库中多个算例,比较结果表明本算法能够更快的找到更优的方案,具有更好的综合性能。

基于并行分层的工作流调度优化算法

针对给定截止时间约束下用有向无环图描述的工作流时间费用优化问题,逆向分层算法未考虑工作流中各个任务在实际执行过程中的并行性而带来相对较多的时间碎片,提出一种基于并行分层的工作流调度算法——并发级别工作流调度算法。该算法将工作流在实际执行过程中的某个任务和其他一个(或具有依赖关系的相邻多个)并行执行的任务尽量划分到同一层,并根据各层的并行度分配冗余时间,对每层中存在具有依赖关系的多个相邻任务采用Markov决策过程算法进行时间费用优化。对平衡结构和非平衡结构的有向无环图所描述的工作流进行大量模拟实验,对比最小临界路径算法、逆向分层算法和期限顶级算法,实验结果表明所提算法具有较显著的优势。

基于改进渐进最优的双向快速扩展随机树的移动机器人路径规划算法

针对带启发式的快速扩展随机树(RRT-Connect)算法路径生成的随机性以及渐进最优的双向快速扩展随机树(B-RRT~*)算法收敛速度的缓慢性,提出了一种基于B-RRT~*改进的高效路径规划算法(EB-RRT~*)。首先引入一种智能采样函数,使随机树的扩展更具方向性,从而减少寻路时间,并提高路径的平滑性;其次在B-RRT~*算法的基础上,在EB-RRT~*算法中加入了一种快速扩展策略,使改进后的算法在自由空间中使用RRT-Connect算法的扩展方式进行快速扩展,而在障碍物空间则使用改进的渐进最优的快速扩展随机树(RRT~*)算法进行扩展,在提高扩展效率的同时避免算法陷入局部最优。将EB-RRT~*算法分别与快速扩展随机树(RRT)、RRT-Connect、RRT~*和B-RRT~*算法进行仿真对比,仿真结果表明,改进后的算法在路径规划效率及路径平滑性方面均明显优于其他算法;且相对于B-RRT~*算法,其在路径规划时间上降低了68.3%,在迭代次数上减少了48.6%。

智能交通系统中几种最短路径算法分析

最短路径选择是智能交通系统的重要研究课题,它能够根据存储在电子地图中的道路网的拓扑关系,实时准确地规划出最短路径。目前的最短路径算法主要有4种,即Dijkstra搜索算法、A*算法、A*优先算法、A*双向分层启发式算法,每一种算法都有不同的执行标准,例如有的算法考虑获取最短路径,但没有考虑算法运行时间;有的算法同时考虑在运行时间和获取最短路径这两个方面。详细分析这4种算法的路径算法,比较其优劣。

嵌入式导航系统中路径分析的优化

由于嵌入式计算机受到硬件资源的限制,特别是芯片速度的限制,若在车载导航系统中采用通用算法进行路径分析,则会使得分析很低效,耗时很长,尤其对大跨度,更加难以忍受。针对该问题,提出了3个优化路经分析的方法,即分层分析方法、经验数据方法和优化搜索算法,并给出了双向搜索算法和使用启发信息的方法。通过实验证实了这几种方法能有效地提高路径分析速度,大大提高嵌入式导航产品的实用性。

分层顺序测试优化方法研究

针对复杂层次系统的故障隔离问题,提出了一种分层顺序测试优化方法。首先基于层次系统故障与测试之间的关联关系,以及故障与不同层级可更换单元的隶属关系,结合故障的先验概率与可用测试成本,构造了层次系统故障隔离问题的数学描述模型;然后以信息增益为启发策略,提出了一种准多步前向搜索算法,实现了不同隔离级的测试顺序优化。经某型卫星电源系统试验验证结果表明,该方法可显著提高层次系统的故障隔离效率。

基于A*算法与自适应分片的大规模最优路径规划

路径规划引擎是在线地图系统中一个至关重要的部分,静态路径规划算法是重中之重。现有的对A*算法的改进主要是通过预处理算法,对路网数据进行静态分层预处理,其效率过低。文章提出了一种自适应分层的思想,同时对A*算法的启发式函数进行改进,引入了方向引导函数,使得A*算法在日常路网上的可用性有了较大的提高。实际的路网实验表明,提出的算法的搜索效率、效果均优于同类算法,与标准层次A*算法相比,文章算法的搜索空间降低为原来的42%,搜索时间仅为原来的13%。

一种基于Voronoi_Obstacle场的移动机器人路径规划算法

传统Voronoi场计算复杂度高,计算时间长,在空间变大、毛刺增多、栅格变密等情况下,基于Voronoi图的传统路径规划计算缓慢。为此提出了一种基于Voronoi_Obstacle场的移动机器人路径规划算法,采用分层思想构建Voronoi_Obstacle场,并使用启发式搜索算法规划路径。实验结果表明,Voronoi_Obstacle场比传统Voronoi场的复杂度降低O(n^(0.5)),且基于Voronoi_Obstacle场的路径规划时间比传统的基于Voronoi图的路径规划时间缩短34.53%,比改进的基于Voronoi图的路径规划时间缩短31.76%。研究结果表明,基于Voronoi_Obstacle场的移动机器人路径规划算法具有一定的可行性和优越性。

铁路突发事件应急救援设备调度优化研究

铁路突发事件具有不确定性、灾难性及救援时效性等特点,其应急救援资源的调度优化关系到救援工作的顺利开展。基于对铁路突发事件种类及其应急救援资源需求的分析,提出静态应急救援能力需求条件下的设备调度问题,建立最小化应急救援结束时间和调度费用的双目标优化模型,出于对应急救援工作时效性的考虑,设计以应急救援结束时间优先的两阶段启发式算法。算例表明:采用该启发式算法制定的应急救援设备调度方案优于先到先参与的调度策略,能够在不影响救援工作结束时间的前提下,有效地节省设备调度费用。

基于启发规则的双向冲压生产线调度研究

根据冲压车间生产的无等待并行流水作业的特点,提出了一种基于启发式规则的双向冲压生产线的调度模型.在该模型中,建立在满足工序约束、机器约束、无等待约束等约束条件下的优化模型,提出了冲压作业的重复、折回和前行等排程规则,解决在冲压作业调度中的机器占用冲突问题,保证得到可行的调度解.并设计嵌入启发式规则的混合遗传算法来进行求解.最后通过一个例子对调度模型和求解算法进行了验证.

路径搜索策略研究

针对城市道路网车辆导航系统中经典Dijkstra最短路径搜索算法中存在的计算效率问题，研究基于启发式策略和双向搜索策略的双向启发式优化搜索算法，并探讨路网的分层搜索策略．采用启发信息减少搜索范围、双向搜索分解搜索空间，从而提高了算法的执行效率．实际路网仿真结果表明：相比经典Dijkstra算法，启发式策略搜索效率可提升70％～80％，双向搜索策略在不损失搜索精度下进一步提高搜索效率5％～10％，而分层搜索策略可以极大提高大规模路网车辆导航长距离下路径搜索效率．