基于粒子群算法的路径规划问题研究

发布时间：2017-08-20 20:03

  本文关键词：基于粒子群算法的路径规划问题研究

  更多相关文章： 粒子群算法 移动机器人路径规划 雁群粒子群算法 混沌 旅行商问题 遗传算法

【摘要】：粒子群优化算法(PSO)是一种新型群智能优化算法,因其概念简单,参数较少,容易实现等优点,使其获得了国内外众多研究人员的青睐,现已被广泛应用在函数优化、自动控制、机器学习、工程设计等领域。但由于PSO算法仍在发展中,其理论基础以及改进方法和应用领域还需要进一步的研究和拓展。本文主要侧重于标准PSO算法应用的改进研究,主要的内容包括以下几个方面:首先,阐述本课题的研究现状及基本理论,包括算法原理、算法数学描述、算法步骤、算法流程以及算法的收敛性分析,并对PSO算法中的主要参数进行了详细的分析和讨论。其次,针对基于PSO算法的移动机器人路径规划容易陷入局部最优值的问题,借鉴雁群飞行启示,提出一种基于改进雁群PSO的移动机器人全局路径规划方法。利用混沌算法对雁群PSO进行初始化,并对于算法优化过程中出现的早熟粒子进行混沌处理,以此避免了算法过早收敛。另外,通过引入一种新的自适应惯性权重公式,更好的平衡了全局搜索和局部搜索。仿真结果表明,改进后的雁群PSO算法能更好的摆脱局部最优值,搜索到全局最优路径。最后,在离散空间的组合优化中,对于较复杂旅行商问题,PSO算法寻优后期出现粒子的多样性下降,利用遗传算法的思想提出交叉策略,这样可以使得上一代粒子的优势基因传递给下一代,此外,通过采用启发因子策略来改进PSO算法,使得算法的优化过程向全局最优值趋近。仿真分析表明,改进后的PSO算法在TSP问题中表现出了明显的优势。
【关键词】：粒子群算法 移动机器人路径规划 雁群粒子群算法 混沌 旅行商问题 遗传算法
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 绪论10-17
• 1.1 课题研究背景10-11
• 1.2 国内外研究现状11-15
• 1.2.1 PSO算法的理论研究11-12
• 1.2.2 PSO算法的改进研究12-13
• 1.2.3 PSO算法的应用研究13-15
• 1.3 课题来源及本文主要内容15
• 1.4 本文组织结构15-17
• 第2章 粒子群算法的理论基础17-30
• 2.1 基本粒子群算法17-20
• 2.1.1 算法原理17
• 2.1.2 数学描述17-18
• 2.1.3 算法步骤18-19
• 2.1.4 算法流程19-20
• 2.2 标准粒子群算法20-21
• 2.2.1 带惯性权重的PSO算法20
• 2.2.2 带压缩因子的PSO算法20-21
• 2.3 粒子群算法的参数分析21-26
• 2.3.1 惯性权重21-24
• 2.3.2 学习因子24-25
• 2.3.3 其他参数25
• 2.3.4 PSO算法的收敛性分析25-26
• 2.4 粒子群算法的常用测试函数26-29
• 2.5 本章小结29-30
• 第3章 基于改进雁群PSO的移动机器人路径规划30-45
• 3.1 引言30
• 3.2 基于雁群启示的优化PSO算法30-40
• 3.2.1 对雁群PSO混沌初始化并改进早熟粒子31-33
• 3.2.2 一种新的自适应惯性权重33-37
• 3.2.3 改进的雁群PSO与其他PSO算法的比较37-40
• 3.3 改进雁群PSO的移动机器人路径规划40-44
• 3.3.1 环境建模40-41
• 3.3.2 搜索策略41
• 3.3.3 算法步骤41-42
• 3.3.4 仿真分析42-44
• 3.4 本章小结44-45
• 第4章 改进粒子群优化算法在旅行商问题中的应用45-59
• 4.1 引言45
• 4.2 求解旅行商问题的PSO算法45-50
• 4.2.1 TSP问题的简介45-46
• 4.2.2 TSP问题的描述46-47
• 4.2.3 定义交换子和交换序47-49
• 4.2.4 TSP中的粒子群算法49-50
• 4.3 求解旅行商问题的改进PSO算法50-58
• 4.3.1 基于遗传算法思想的改进50-51
• 4.3.2 启发因子策略51-52
• 4.3.3 改进PSO算法的步骤及流程52-54
• 4.3.4 仿真分析54-58
• 4.4 本章小结58-59
• 结论59-61
• 参考文献61-65
• 致谢65

【相似文献】

中国期刊全文数据库 前10条

1 秦玉灵;孔宪仁;罗文波;;混沌量子粒子群算法在模型修正中的应用[J];计算机工程与应用;2010年02期

2 陈治明;;新型量子粒子群算法及其性能分析研究[J];福建电脑;2010年05期

3 牛永洁;;一种新型的混合粒子群算法[J];信息技术;2010年10期

4 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

5 刘衍民;赵庆祯;邵增珍;;一种改进的完全信息粒子群算法研究[J];曲阜师范大学学报(自然科学版);2011年01期

6 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[J];计算机工程与应用;2011年05期

7 熊智挺;谭阳红;易如方;陈赛华;;一种并行的自适应量子粒子群算法[J];计算机系统应用;2011年08期

8 孟纯青;;非线性粒子群算法[J];微计算机应用;2011年08期

9 任伟建;武璇;;一种动态改变学习因子的简化粒子群算法[J];自动化技术与应用;2012年10期

10 刘飞,孙明,李宁,孙德宝,邹彤;粒子群算法及其在布局优化中的应用[J];计算机工程与应用;2004年12期

中国重要会议论文全文数据库 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 王芳;粒子群算法的研究[D];西南大学;2006年

2 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

3 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

4 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

5 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

6 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

7 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年

8 刘宏达;粒子群算法的研究及其在船舶工程中的应用[D];哈尔滨工程大学;2008年

9 杨轻云;约束满足问题与调度问题中离散粒子群算法研究[D];吉林大学;2006年

10 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013年

中国硕士学位论文全文数据库 前10条

1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

8 樊伟健;基于混合混沌粒子群算法求解变循环发动机数学模型问题[D];山东大学;2015年

9 陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年

10 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

，

本文编号：708574