改进智能算法在路径规划中的应用研究

发布时间：2022-12-18 05:42

　　社会的飞速发展得益于背后科技的强大推动,科技已经深深影响并改变着人类的衣食住行。室内、室外各种复杂路径规划问题在不断地刷新和被解决着,显然求解此类问题的传统算法和图形学方法已经难以满足现实和潜在的需求。然而,以蚁群算法和粒子群算法为代表的智能仿生算法的兴起为解决此类问题提供了一个新的思路和方向。智能仿生算法仅包含一些数学的基础性操作,计算相对简单且比较容易实现。因其算法自身不足的存在,求解效果也常常表现得不尽人意,由此需要进行一些适当的改进及优化。本文在分析了两种算法的优缺点后,以原有算法为基础、优化为目标对其进行适度改进,同时应用于测试案例进行验证。本文的主要研究工作如下:（1）对经典蚁群算法在求解车辆路径问题时的不足进行研究分析,提出了一种自适应动态搜索蚁群算法（ADACO）。首先,以测试案例的TSP问题为基础实验性配置组合参数并构建算法模型;其次,采用伪随机分布和自适应转移概率相结合策略,帮助群体选择较高质量路径;同时分段化设定信息素强度参数值,有效诱导群体及时跳脱局部困境并构造新的解。测试结果表明,无论在时间开销还是配送成本方面,ADACO算法较于其他算法均获得了显著改进,充分... 

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外的研究现状
    1.3 论文的研究内容及结构安排
        1.3.1 研究内容
        1.3.2 文章结构安排
第二章 路径规划的基础理论
    2.1 车辆路径规划
        2.1.1 车辆路径规划的基本定义及分类
        2.1.2 车辆路径规划的数学模型
        2.1.3 求解车辆路径规划的基本方法
    2.2 移动机器人路径规划
        2.2.1 移动机器人路径规划的定义及分类
        2.2.2 环境模型的建立
        2.2.3 求解路径规划的算法分类
    2.3 本章小结
第三章 经典智能算法的概述
    3.1 蚁群算法
        3.1.1 蚁群算法的基本概念
        3.1.2 蚁群算法的实现过程及流程框架
        3.1.3 蚁群算法的优缺点
    3.2 粒子群算法
        3.2.1 粒子群算法的起源
        3.2.2 粒子群算法的原理及实现步骤
        3.2.3 影响算法性能的关键因素分析
    3.3 本章小结
第四章 基于自适应动态搜索蚁群算法的车辆路径规划
    4.1 案例描述
    4.2 自适应动态搜索蚁群算法
        4.2.1 转移概率的改进
        4.2.2 信息素强度的动态调整
        4.2.3 ADACO算法的伪代码描述
    4.3 实验仿真及结果分析
        4.3.1 参数设置
        4.3.2 仿真结果及分析
    4.4 本章小结
第五章 混合策略粒子群优化算法求解移动机器人路径规划
    5.1 环境配置
    5.2 混合策略粒子群优化算法
        5.2.1 小生境
        5.2.2 动态反向学习策略
        5.2.3 测试函数的建立
        5.2.4 算法的实现步骤及流程
    5.3 实验仿真及结果分析
        5.3.1 实验参数设置
        5.3.2 仿真结果及分析
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读学位期间的研究成果



本文编号：3721462