CN102081752A - 基于自适应变异遗传算法的动态飞行路径规划方法 - Google Patents
基于自适应变异遗传算法的动态飞行路径规划方法 Download PDFInfo
- Publication number
- CN102081752A CN102081752A CN201110030221XA CN201110030221A CN102081752A CN 102081752 A CN102081752 A CN 102081752A CN 201110030221X A CN201110030221X A CN 201110030221XA CN 201110030221 A CN201110030221 A CN 201110030221A CN 102081752 A CN102081752 A CN 102081752A
- Authority
- CN
- China
- Prior art keywords
- population
- random
- feasible
- flight path
- variation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于自适应变异遗传算法的动态飞行路径规划方法,随机生成初始种群并计算其适应度,统计种群中可行解E(t)并进行精英保留操作,对非可行解S(t)进行交叉、变异、***、删除操作,计算操作过后的E(t)和S(t)组成的过渡种群的适应度;用E(t)单点随机变异得到的个体和随机生成的个体中的可行解,替换过渡种群的不可行解;判断是否进化到根据问题复杂程度选取的代数或者种群已收敛;若是,则种群中最优个体就是规划出来的飞行路径。本发明可以提高种群的多样性和收敛能力,可以为动态飞行路径规划这样的随时间变化的动态优化问题提供一种可行的解决途径。
Description
技术领域
本发明涉动态优化技术领域,以及飞行器路径规划技术领域。
背景技术
动态飞行路径规划是指在环境中存在运动障碍,或者存在事先未知障碍情况下的实时飞行路径规划。由于外部环境随着时间在变化,因而动态飞行路径规划实际上是一个动态优化问题。用遗传算法解决动态优化问题是一项具有挑战性的工作。
现有基于遗传算法解决动态优化问题的方法中,很多都用到了随机变迁方法和精英变异方法。随机变迁方法是通过随机生成的个体,取代种群中原有的部分个体,以提高种群的多样性。精英变异方法是用上代种群中的精英个体通过变异取代种群中的最差个体的方法,这种变异的个体有更强的当前环境的适应性。
随机变迁方法和基本遗传算法初始种群的生成一样,由于个体也是随机产生的,虽然能在一定程度上增加种群的多样性,但不能利用现有种群的优良个体信息,会削弱算法的收敛能力,所以,基于随机变迁的遗传算法不适合于解决实时性要求强的动态飞行路径规划问题。
精英变异虽然可以提高个体对当前环境的适应性,但这种机制存在的问题一方面是可能降低种群多样性,使得种群有可能收敛于局部最优解,另一方面,对于有些优化问题,比如,动态飞行路径规划问题,可能在开始的几代种群中根本就不存在可行解,更不用说精英解了。所以,基于精英变异方法的遗传算法也不适合于解决动态飞行路径规划问题。
发明内容
为了克服现有技术不适合解决动态飞行路径规划问题的不足,本发明提供一种基于自适应变异遗传算法的动态飞行路径规划方法,可以根据当前种群中可行解的数量,自适应地把随机变迁和精英变异动态相结合,提高种群的多样性和收敛能力,为动态飞行路径规划这样的随时间变化的动态优化问题提供一种可行的解决方案。
本发明解决其技术问题所采用的技术方案包括以下步骤:
第一步:随机生成初始种群P(t),t=0;飞行路径的编码直接使用导航点编码方式,即一条染色体就对应于一条飞行路径,染色体基因位的取值就是空间一个点(xk,yk)。在每一代种群中,每一条染色体的长度可以是不同的,但它们的第一个基因位的取值都是飞行器初始位置(xs,ys),最后一个基因位的取值都是目标点位置(xg,yg)。
因此,当g(x,y)=0,即飞行路径与障碍物没有发生碰撞时,适应度函数的取值为飞行路径长度;对应的飞行路径称为可行路径,或称为动态优化问题的可行解;
当g(x,y)≠0,即飞行路径与障碍物发生碰撞时,适应度函数的取值为无穷大;对应的飞行路径称为不可行路径,或称为动态优化问题的不可行解。
对于动态飞行路径规划问题,需要求最小适应度对应的飞行路径(由第二步适应度函数定义可知,由于适应度为飞行路径长度,所以最小适应度就是最短飞行路径长度,对应的是路径长度最短的飞行路径。)。
第三步:统计种群P(t)中可行解的数量,记作nfeasible(t);P(t)中的可行解集合记为E(t),非可行解集合记为S(t);计算rei(t)和rri(t),分别表示第t代种群精英变异和随机变迁相对于种群规模的比率,取rei(0)=0和rri(0)=1。
rri(t)+rei(t)=(n-nfeasible(t))/n
t-1代种群中的精英变异和随机变迁得到的个体总数为第t代种群中不可行解的数量,把这些个体和第t代种群中不可行解比较,保留适应度小的n-nfeasible(t)个个体到t+1代种群。其中,nelitist(t)表示当代种群中有多少个可行解保留到下代种群。n表示种群规模。
第五步:对S(t)进行交叉、变异、***、删除操作;
所述的交叉采用单点交叉的方法,在种群中随机选择两个个体,并选择一个交叉点,交换两个个体在交叉点后面的部分基因位,得到两个新个体。
所述的变异采用单点随机变异,在种群中随机选择一个个体,并随机选择一个变异位,随机改变这个基因位的取值,得到一个新个体。
所述的***采用随机***算法,在种群中随机选择一个个体,并随机选择一个***点,在这一点***一个基因位,这个基因位随机取值,得到一个新个体。
所述的删除采用随机单基因位删除算子,在种群中随机选择一个个体,并随机选择一个基因位,删除这个基因位,得到一个新个体。
第六步:计算操作过后的E(t)和S(t)组成的过渡种群P′(t)的适应度;
第七步:通过E(t)单点随机变异得到rei(t)×n个个体,并计算它们的适应度;
第八步:随机生成rri(t)×n个个体,并计算它们的适应度;
第九步:用上述rei(t)×n加rri(t)×n个个体中的可行解,替换P′(t)中的不可行解;
第十步:令P(t+1)=P′(t),t=t+1;
第十一步:判断是否进化到一定代数(代数根据问题复杂程度选取。),即t>ng,或者种群已收敛;如果是,结束运行,这时候种群中最优个体就是规划出来的飞行路径;如果不是,转到第三步。
本发明的有益效果是:由于可以在上述第三步至第九步中根据当前种群中可行解的数量,自适应地把随机变迁和精英变异动态相结合,因此,本发明可以提高种群的多样性和收敛能力,可以为动态飞行路径规划这样的随时间变化的动态优化问题提供一种可行的解决途径。
下面结合附图和实施例对本发明进一步说明。
附图说明
图1是本发明的流程图;
图2是交叉算子示意图;
图3是变异算子示意图;
图4是***算子示意图;
图5是是删除算子示意图;
图6是规划问题算例示意图;
图7是约束条件示意图;
图8是静态环境下的飞行路径规划结果;
图9是静态环境下基本遗传算法和自适应变异遗传算法收敛性比较;
图10是不同种群规模下基本遗传算法和自适应变异遗传算法对于静态飞行路径规划问题的收敛时间比较;
图11是迭代30步时的动态环境下基于自适应变异遗传算法的飞行路径规划结果;
图12是当满足终止条件时的动态环境下基于自适应变异遗传算法的飞行路径规划结果;
图13动态环境下基本遗传算法和自适应变异遗传算法收敛性比较。
具体实施方式
对于动态飞行路径规划这样的动态优化问题,由于用传统的基于随机变迁和精英变异的方法不能取得理想的效果;因此,我们提出基于自适应变异遗传算法的动态飞行路径规划方法。该方法主要由三部分组成,一是随机变迁,二是精英变异,三是自适应变异机制。方法的主要思想是采用自适应变异机制,也就是说,在精英变异和随机变迁间自适应,当前种群中可行解多时,精英变异占主导,可行解少的时候,随机变迁占主导;这样就可以做到,可行解较少的时候,本方法能够增加种群多样性;可行解较多时,本方法能够充分利用优良解信息快速收敛到最优解。该方法的流程如图1所示。
图中,nfeasible(t)、rei(t)和rri(t)表示第t代种群中的可行解数量、精英变异和随机变迁相对于种群规模的比率;
E(t)=elitism(E(t),rei(t))表示对种群E(t)进行精英保留操作,elitism(E(t),rei(t))为精英保留操作算子;
S(t)=crossover(S(t),pc)表示对种群S(t)进行交叉操作,crossover(S(t),pc)为交叉操作算子;
S(t)=mutate(S(t),pm)表示对种群S(t)进行变异操作,mutate(S(t),pm)为变异操作算子;
S(t)=insert(S(t),pi)表示对种群S(t)进行***操作,insert(S(t),pi)为***操作算子;
S(t)=delete(S(t),pd)表示对种群S(t)进行删除操作,delete(S(t),pd)为删除操作算子;
pc、pm、pi、pd分别是交叉概率、变异概率、***概率、以及删除概率,n为种群规模,ng为事先设定的进化代数。
具体实施步骤:
第一步:随机生成初始种群P(t),t=0;
飞行路径的编码直接使用导航点编码方式,即一条染色体就对应于一条飞行路径,染色体基因位的取值就是空间一个点(xk,yk)。在每一代种群中,每一条染色体的长度可以是不同的,但它们的第一个基因位的取值都是飞行器初始位置(xs,ys),最后一个基因位的取值都是目标点位置(xg,yg)。
第二步:计算初始种群适应度;
我们把适应度函数设计为如下形式:
其中,g(x,y)表示约束条件,J(x,y)表示目标函数。在本发明中,把飞行路径与障碍物之间的碰撞代价看作是约束条件,把飞行路径长度当作目标函数。
因此,当g(x,y)=0,即飞行路径与障碍物没有发生碰撞时,适应度函数的取值为飞行路径长度;对应的飞行路径称为可行路径,或称为动态优化问题的可行解;
当g(x,y)≠0,即飞行路径与障碍物发生碰撞时,适应度函数的取值为无穷大;对应的飞行路径称为不可行路径,或称为动态优化问题的不可行解。
对于动态飞行路径规划问题,需要求最小适应度对应的飞行路径。
第三步:统计种群P(t)中可行解的数量,记作nfeasible(t);P(t)中的可行解集合记为E(t),非可行解集合记为S(t);计算rei(t)和rri(t),分别表示第t代种群精英变异和随机变迁相对于种群规模的比率,我们取rei(0)=0和rri(0)=1。
rri(t)+rei(t)=(n-nfeasible(t))/n (4)
由上面三个公式可以看出,当t-1代种群中的可行解越少时,根据其得到的精英变异个体越少,随机变迁得到的个体越多,精英变异和随机变迁得到的个体总数为第t代种群中不可行解的数量。把这些个体和第t代种群中不可行解比较,保留适应度高的个体到t+1代种群。
第四步:对E(t)进行精英保留操作,精英保留算子如下:
精英保留算子把当代种群中适应度高的个体保留到下一代种群,这样能够提高种群的平均质量。在本发明的算法中,我们根据当代种群中可行解的数量,来确定有多少个可行解保留到下一代,如下式所示:
其中,nelitist(t)表示当代种群中有多少个可行解保留到下代种群。
第五步:对S(t)进行交叉、变异、***、删除操作;
(1)交叉算子
我们采用单点交叉的方法,如图2所示。即,在种群中随机选择两个个体,并选择一个交叉点,交换两个个体在交叉点后面的部分基因位,得到两个新个体。
(2)变异算子
我们采用单点随机变异,如图3所示。即,在种群中随机选择一个个体,并随机选择一个变异位,随机改变这个基因位的取值,得到一个新个体。
(3)***算子
我们采用随机***算法,如图4所示。即,在种群中随机选择一个个体,并随机选择一个***点,在这一点***一个基因位,这个基因位随机取值,得到一个新个体。
(4)删除算子
我们采用随机单基因位删除算子,如图5所示。即,在种群中随机选择一个个体,并随机选择一个基因位,删除这个基因位,得到一个新个体。
第六步:计算操作过后的E(t)和S(t)组成的过渡种群P′(t)的适应度;
第七步:通过E(t)单点随机变异得到rei(t)×n个个体,并计算它们的适应度;
第八步:随机生成rri(t)×n个个体,并计算它们的适应度;
第九步:用上述rei(t)×n加rri(t)×n个个体中的可行解,替换P′(t)中的不可行解;
第十步:P(t+1)=P′(t),t=t+1;
第十一步:判断是否进化到一定代数,即t>ng,或者种群已收敛;如果是,结束运行,这时候种群中最优个体就是规划出来的飞行路径;如果不是,转到第三步。
在这里,我们对基本遗传算法和本发明提出的自适应遗传算法应用在动态飞行路径规划问题的效果进行比较。
首先,对规划问题进行描述:
图6给出了待求解的规划问题的示意图。图中,飞行器为具有一定半径的圆,其半径为RAV;飞行器的起点位于(xs,ys),终点位于(xg,yg)。需要避开的障碍物的初始中心位置为i=1,2,…,8,障碍物i的半径为现在,要为飞行器规划一条飞行路径(x,y)={xk,yk)},k=0,1,…,N,在满足约束g(x,y)的条件下,使得目标函数J(x,y)最小。
其中,(x0,y0)=(xs,ys),(xN,yN)=(xg,yg);约束条件g(x,y)和目标函数J(x,y)各是一个标量函数,在本发明中,我们把飞行路径与障碍物之间的碰撞代价看作是约束条件,因此,有约束条件g(x,y)的定义如下。
设Di,k为障碍物i的中心位置在t时刻到航路段k的距离,则有:
其中:
A=(yk+1-yk)
B=(xk-xk+1)
C=(xk+1-xk)yk-xk(yk+1-yk)
定义:
可以看出,随着时间的变化,发生改变,使得g(x,y)发生变化,因而,(x,y)={(xk,yk)},k=0,1,…,N,会发生变化。这是一个动态优化问题。
我们把目标函数处理为路径长度代价,因此,目标函数J(x,y)为:
其中,(xk+1,yk+1)和(xk,yk)是规划出路径上的导航点。
本实施例包括以下具体实施步骤:
第一步:随机生成初始种群P(t),t=0,种群规模为n=100,随机生成初始种群。
第二步:计算初始种群适应度;
适应度函数采用如下形式:
即,把可行路径的适应度取为路径长度,不可行路径的适应度惩罚为无穷大。对于动态飞行路径规划问题,需要求最小适应度对应的飞行路径。
第三步:统计种群P(t)中可行解的数量,记作nfeasible(t);我们取rei(0)=0和rri(0)=1,计算第t代种群精英变异和随机变迁相对于种群规模的比率rei(t)和rri(t):
第四步:对P(t)中的可行解集合E(t)进行精英保留操作,由nelitist(t)确定当代种群中有多少个可行解保留到下代种群:
第五步:对P(t)中的不可行解集合S(t)进行交叉、变异、***、删除操作,其中pc=25%,pm=20%,pi=10%,pd=10%。
第六步:计算操作过后的E(t)和S(t)组成的过渡种群P′(t)的适应度;
第七步:通过E(t)单点随机变异得到rei(t)×n个个体,并计算它们的适应度;
第八步:随机生成rri(t)×n个个体,并计算它们的适应度;
第九步:用上述rei(t)×n加rri(t)×n个个体中的可行解,替换P′(t)中的不可行解;
第十步:P(t+1)=P′(t),t=t+1;
第十一步:选取算法终止条件为种群收敛于最优解。判断是否满足终止条件;如果是,结束运行,这时候种群中最优个体就是规划出来的飞行路径;如果不是,转到第三步。
图8是当所有障碍都是静止的时候,规划出的从起点到终点的飞行器飞行路径。图9是在这种情况下,基本遗传算法和自适应变异遗传算法收敛性的比较,从图中可以看出,本发明提出的自适应变异遗传算法有更好的收敛性。图10是不同种群规模下基本遗传算法和自适应变异遗传算法对于静态飞行路径规划问题的适应度评估次数的比较,从图中可以看出,本发明提出的自适应变异遗传算法有更少的评估次数。因此,本发明提出的自适应变异遗传算法比基本遗传算法在解决静态环境下的路径规划问题时有更好的收敛效果。
图11和图12给出了在不同进化代数下的规划结果。图13给出了在此动态环境下基本遗传算法和自适应变异遗传算法收敛性的比较。从图中可以看出,本发明提出的自适应变异遗传算法有更好的收敛性。这是因为,当种群中可行解少时,自适应变异遗传算法可以利用更大的变异比率提高种群的多样性;而当种群中的可行解数量多的时候,自适应变异遗传算法可以利用这些可行解蕴含的信息,加快算法的收敛速度。因此,本发明提出的自适应变异遗传算法可以根据当前种群中可行解的数量,自适应地把随机变迁和精英变异动态相结合,提高种群的多样性和收敛能力。
Claims (5)
1.一种基于自适应变异遗传算法的动态飞行路径规划方法,其特征在于包括下述步骤:
第一步:随机生成初始种群P(t),t=0;飞行路径的编码直接使用导航点编码方式,即一条染色体就对应于一条飞行路径,染色体基因位的取值就是空间一个点(xk,yk);在每一代种群中,每一条染色体的第一个基因位的取值都是飞行器初始位置(xs,ys),最后一个基因位的取值都是目标点位置(xg,yg);
第三步:统计种群P(t)中可行解的数量,记作nfeasible(t);P(t)中的可行解集合记为E(t),非可行解集合记为S(t);计算rei(t)和rri(t),分别表示第t代种群精英变异和随机变迁相对于种群规模的比率,取rei(0)=0和rri(0)=1;
rri(t)+rei(t)=(n-nfeasible(t))/n
t-1代种群中的精英变异和随机变迁得到的个体总数为第t代种群中不可行解的数量,把这些个体和第t代种群中不可行解比较,保留适应度小的n-nfeasible(t)个个体到t+1代种群,其中,nelitist(t)表示当代种群中有多少个可行解保留到下代种群,n表示种群规模;
第四步:对E(t)进行精英保留操作,精英保留算子
第五步:对S(t)进行交叉、变异、***、删除操作;
第六步:计算操作过后的E(t)和S(t)组成的过渡种群P′(t)的适应度;
第七步:通过E(t)单点随机变异得到rei(t)×n个个体,并计算它们的适应度;
第八步:随机生成rri(t)×n个个体,并计算它们的适应度;
第九步:用上述rei(t)×n加rri(t)×n个个体中的可行解,替换P′(t)中的不可行解;
第十步:令P(t+1)=P′(t),t=t+1;
第十一步:判断是否进化到根据问题复杂程度选取的代数,即t>ng,或者种群已收敛;如果是,结束运行,这时候种群中最优个体就是规划出来的飞行路径;如果不是,转到第三步。
2.根据权利要求1所述的基于自适应变异遗传算法的动态飞行路径规划方法,其特征在于:所述的交叉采用单点交叉的方法,在种群中随机选择两个个体,并选择一个交叉点,交换两个个体在交叉点后面的部分基因位,得到两个新个体。
3.根据权利要求1所述的基于自适应变异遗传算法的动态飞行路径规划方法,其特征在于:所述的变异采用单点随机变异,在种群中随机选择一个个体,并随机选择一个变异位,随机改变这个基因位的取值,得到一个新个体。
4.根据权利要求1所述的基于自适应变异遗传算法的动态飞行路径规划方法,其特征在于:所述的***采用随机***算法,在种群中随机选择一个个体,并随机选择一个***点,在这一点***一个基因位,这个基因位随机取值,得到一个新个体。
5.根据权利要求1所述的基于自适应变异遗传算法的动态飞行路径规划方法,其特征在于:所述的删除采用随机单基因位删除算子,在种群中随机选择一个个体,并随机选择一个基因位,删除这个基因位,得到一个新个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110030221.XA CN102081752B (zh) | 2011-01-27 | 2011-01-27 | 基于自适应变异遗传算法的动态飞行路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110030221.XA CN102081752B (zh) | 2011-01-27 | 2011-01-27 | 基于自适应变异遗传算法的动态飞行路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102081752A true CN102081752A (zh) | 2011-06-01 |
CN102081752B CN102081752B (zh) | 2014-04-16 |
Family
ID=44087707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110030221.XA Expired - Fee Related CN102081752B (zh) | 2011-01-27 | 2011-01-27 | 基于自适应变异遗传算法的动态飞行路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102081752B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521484A (zh) * | 2011-11-22 | 2012-06-27 | 盐城市真鹿高科技发展有限公司 | 基于自适应参数域遗传算法的机油泵性能曲线的估计方法 |
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
CN104504477A (zh) * | 2014-12-30 | 2015-04-08 | 中山大学 | 一种基于鸟类物种进化机制的路径优化方法 |
CN105867383A (zh) * | 2016-05-16 | 2016-08-17 | 哈尔滨工程大学 | 一种usv自主避碰控制的方法 |
CN105955028A (zh) * | 2016-06-02 | 2016-09-21 | 西北工业大学 | 一种航天器在轨规避制导控制一体化算法 |
CN106647757A (zh) * | 2016-12-23 | 2017-05-10 | 江西理工大学 | 基于组合个体差分演化的机器人路径规划方法 |
CN107300386A (zh) * | 2017-06-05 | 2017-10-27 | 西北工业大学 | 一种基于仅测角导航的闭环凸优化最优交会制导方法 |
CN108267954A (zh) * | 2018-01-15 | 2018-07-10 | 西北工业大学 | 一种带硬时间窗的刀具准时配送路径规划算法 |
CN108681824A (zh) * | 2018-05-24 | 2018-10-19 | 湖南智慧畅行交通科技有限公司 | 基于启发式算法的公交***月计划排班算法 |
CN108919641A (zh) * | 2018-06-21 | 2018-11-30 | 山东科技大学 | 一种基于改进樽海鞘算法的无人机航迹规划方法 |
CN111399541A (zh) * | 2020-03-30 | 2020-07-10 | 西北工业大学 | 无监督学习型神经网络的无人机全区域侦察路径规划方法 |
CN113485364A (zh) * | 2021-08-03 | 2021-10-08 | 彭刚 | 一种配送机器人路径规划*** |
CN113703463A (zh) * | 2021-09-23 | 2021-11-26 | 大连海事大学 | 一种基于精英多种群演化算法的船舶避碰路径规划方法 |
CN116894532A (zh) * | 2023-08-15 | 2023-10-17 | 中国南方航空股份有限公司 | 一种航路规划方法、装置、介质及设备 |
CN117516513A (zh) * | 2024-01-08 | 2024-02-06 | 锐驰激光(深圳)有限公司 | 智能割草机路径规划方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853294A (zh) * | 2010-05-21 | 2010-10-06 | 中国科学院地理科学与资源研究所 | 一种基于遗传算法的多模式多标准路径选择方法 |
-
2011
- 2011-01-27 CN CN201110030221.XA patent/CN102081752B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853294A (zh) * | 2010-05-21 | 2010-10-06 | 中国科学院地理科学与资源研究所 | 一种基于遗传算法的多模式多标准路径选择方法 |
Non-Patent Citations (2)
Title |
---|
符小卫 等: "基于小生境遗传算法的飞行航迹规划", 《***仿真学报》, vol. 20, no. 21, 30 November 2008 (2008-11-30), pages 5940 - 5952 * |
符小卫 等: "基于贝叶斯优化的三维飞行航迹规划", 《兵工学报》, vol. 28, no. 11, 30 November 2007 (2007-11-30), pages 1340 - 1345 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521484A (zh) * | 2011-11-22 | 2012-06-27 | 盐城市真鹿高科技发展有限公司 | 基于自适应参数域遗传算法的机油泵性能曲线的估计方法 |
CN102521484B (zh) * | 2011-11-22 | 2014-12-10 | 盐城市真鹿高科技发展有限公司 | 基于自适应参数域遗传算法的机油泵性能曲线的估计方法 |
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
CN102880186B (zh) * | 2012-08-03 | 2014-10-15 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
CN104504477B (zh) * | 2014-12-30 | 2018-01-09 | 中山大学 | 一种基于鸟类物种进化机制的路径优化方法 |
CN104504477A (zh) * | 2014-12-30 | 2015-04-08 | 中山大学 | 一种基于鸟类物种进化机制的路径优化方法 |
CN105867383A (zh) * | 2016-05-16 | 2016-08-17 | 哈尔滨工程大学 | 一种usv自主避碰控制的方法 |
CN105955028A (zh) * | 2016-06-02 | 2016-09-21 | 西北工业大学 | 一种航天器在轨规避制导控制一体化算法 |
CN106647757A (zh) * | 2016-12-23 | 2017-05-10 | 江西理工大学 | 基于组合个体差分演化的机器人路径规划方法 |
CN106647757B (zh) * | 2016-12-23 | 2019-06-18 | 江西理工大学 | 基于组合个体差分演化的机器人路径规划方法 |
CN107300386A (zh) * | 2017-06-05 | 2017-10-27 | 西北工业大学 | 一种基于仅测角导航的闭环凸优化最优交会制导方法 |
CN107300386B (zh) * | 2017-06-05 | 2020-06-09 | 西北工业大学 | 一种基于仅测角导航的闭环凸优化最优交会制导方法 |
CN108267954A (zh) * | 2018-01-15 | 2018-07-10 | 西北工业大学 | 一种带硬时间窗的刀具准时配送路径规划算法 |
CN108681824A (zh) * | 2018-05-24 | 2018-10-19 | 湖南智慧畅行交通科技有限公司 | 基于启发式算法的公交***月计划排班算法 |
CN108919641A (zh) * | 2018-06-21 | 2018-11-30 | 山东科技大学 | 一种基于改进樽海鞘算法的无人机航迹规划方法 |
CN108919641B (zh) * | 2018-06-21 | 2021-02-09 | 山东科技大学 | 一种基于改进樽海鞘算法的无人机航迹规划方法 |
CN111399541A (zh) * | 2020-03-30 | 2020-07-10 | 西北工业大学 | 无监督学习型神经网络的无人机全区域侦察路径规划方法 |
CN111399541B (zh) * | 2020-03-30 | 2022-07-15 | 西北工业大学 | 无监督学习型神经网络的无人机全区域侦察路径规划方法 |
CN113485364A (zh) * | 2021-08-03 | 2021-10-08 | 彭刚 | 一种配送机器人路径规划*** |
CN113485364B (zh) * | 2021-08-03 | 2024-04-26 | 彭刚 | 一种配送机器人路径规划*** |
CN113703463A (zh) * | 2021-09-23 | 2021-11-26 | 大连海事大学 | 一种基于精英多种群演化算法的船舶避碰路径规划方法 |
CN113703463B (zh) * | 2021-09-23 | 2023-12-05 | 大连海事大学 | 一种基于精英多种群演化算法的船舶避碰路径规划方法 |
CN116894532A (zh) * | 2023-08-15 | 2023-10-17 | 中国南方航空股份有限公司 | 一种航路规划方法、装置、介质及设备 |
CN116894532B (zh) * | 2023-08-15 | 2024-07-09 | 中国南方航空股份有限公司 | 一种航路规划方法、装置、介质及设备 |
CN117516513A (zh) * | 2024-01-08 | 2024-02-06 | 锐驰激光(深圳)有限公司 | 智能割草机路径规划方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102081752B (zh) | 2014-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102081752B (zh) | 基于自适应变异遗传算法的动态飞行路径规划方法 | |
CN110703752B (zh) | 免疫遗传-人工势场法的无人艇双层路径规划方法 | |
CN109282815A (zh) | 一种动态环境下基于蚁群算法的移动机器人路径规划方法 | |
CN108465244B (zh) | 用于竞速类ai模型的ai参数配置方法、装置、设备及存储介质 | |
CN111325356A (zh) | 一种基于演化计算的神经网络搜索分布式训练***及训练方法 | |
Li et al. | An improved genetic algorithm of optimum path planning for mobile robots | |
CN106610654A (zh) | 针对柔性作业车间调度的改进遗传算法 | |
CN111238521A (zh) | 一种无人驾驶车辆的路径规划方法及*** | |
CN106611378A (zh) | 一种基于优先权编码的混合遗传算法解作业车间调度问题 | |
CN111780759A (zh) | 一种基于改进遗传算法的移动机器人路径规划方法 | |
CN112596525B (zh) | 基于遗传算法和改进人工势场法的机器人路径规划方法 | |
CN107065803A (zh) | 基于可变重调度区间的柔性作业车间动态调度方法 | |
CN112884229B (zh) | 基于差分进化算法的大型公共场所人流引导路径规划方法 | |
CN112947480B (zh) | 一种移动机器人路径规划方法、存储介质及*** | |
CN111273686A (zh) | 一种三维环境下多无人机同时到达指定地的路径规划方法 | |
CN110059405A (zh) | X结构下带差分进化的高质量Steiner最小树构建方法 | |
CN112099501B (zh) | 一种基于势场参数优化的无人艇路径规划方法 | |
CN101616074A (zh) | 基于量子进化的组播路由优化方法 | |
Kaur et al. | Performance enhancement in solving traveling salesman problem using hybrid genetic algorithm | |
CN106156854A (zh) | 一种基于dna编码的支持向量机参数预测方法 | |
CN103279796A (zh) | 一种优化遗传算法进化质量的方法 | |
Housroum et al. | A hybrid ga approach for solving the dynamic vehicle routing problem with time windows | |
CN110298102B (zh) | 城轨底架滑槽刀具空走刀加工路径规划方法 | |
JP3792938B2 (ja) | ナビゲーション装置 | |
Shallan et al. | Optimization of plane and space trusses using genetic algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140416 Termination date: 20200127 |
|
CF01 | Termination of patent right due to non-payment of annual fee |