一、基于黄金分割律选择算子的改进进化编程算法及其在机器人路径规划中的应用（论文文献综述）
梁爽[1]（2020）在《分布式多目标进化算法在社区检测与变化检测中的应用》文中研究指明多目标进化算法作为一类多学科结合与相互启发的研究成果,已发展成为一种拥有自组织与自适应特性的综合技术。由于不要求目标函数有明确的解析表达式,因此对于求解复杂系统的优化问题可以提供一种通用的框架。虽然理论推导不及传统优化算法完善,但是多目标进化算法对于优化问题的种类有很强的鲁棒性,可应用的范围非常广泛,已经被成功地应用于计算机科学、管理科学、社会科学和工程技术等领域。大量现实世界中的工程以及科研问题都可以被建模为多目标优化问题（Multi-objective Optimization Problems,MOPs）,即通过对一组目标函数进行最大化或者最小化以达到找出最优解的目的。与单目标优化方法相比,当大规模复杂网络社区检测与多时相合成孔径雷达（Synthetic Aperture Radar,SAR）图像变化检测问题被建模为MOPs时,可以平衡多个互相冲突的目标函数并且在一定程度上提高社区检测与变化检测的准确度。虽然目前针对这两类问题已经提出了大量的多目标优化方法,但是对于目标函数的建立与优化方式的选择而言,依然有必要进行深入地研究,以进一步提高算法的准确度。与此同时,在这个数据爆炸式增长的时代,多目标优化技术经常要面临大数据处理的问题,例如在大规模网络的社区检测问题中,网络中的节点数可能从数万到数百万不等。此时,需要计算机具有非常巨大的计算能力才能应对这种情况下的MOPs。面对海量数据,集中式的计算方式显然有些力不从心,除了需要耗费过长的运算时间,甚至可能完全无法处理。基于计算机集群的分布式计算技术的出现,对于使用进化算法处理这类MOPs的能力有着十分显着的提升。值得一提的是,进化算法天然的并行特性,非常适合使用分布式计算技术实现并行化处理。本文主要研究了多目标进化算法在大规模复杂网络社区检测与多时相SAR图像变化检测中的应用。研究思路为将上述两个问题建模为MOPs,针对问题的特点,并结合多种进化算法的自身特性,设计了高效的多目标进化算法来解决所模拟的优化问题。在解决大规模复杂网络的社区检测问题时,利用Apache Spark计算平台将所提算法进行了分布式实现。本文所开展的研究工作如下:（1）研究了分布式多目标进化算法在大规模复杂网络社区检测问题中的应用。对于超大规模的复杂网络的社区检测问题,传统的网络社区检测算法往往力不从心。本文基于Apache Spark平台,提出了一种用于大规模网络社区检测的分布式多目标进化算法,同时维护了一组进化种群,这些种群分别以不同的交叉和变异参数进行进化,并将外部存储库作为精英种群。各个进化种群中的精英个体会在这个外部种群中相互竞争并淘汰。各个进化种群之间的差异性使算法获得了更好的种群多样性以及进化方向。对于算法的遗传算子和进化策略也进行了针对大规模社区检测问题和分布式框架的改进。（2）研究了基于弹性分布式数据集的离散粒子群大规模网络社区检测算法。随着对大规模网络社区检测问题以及分布式进化算法研究的深入,我们发现在粒子群优化算法中,粒子之间的交互比较少,算法结构更适合并行处理,因此本文进一步提出了一种基于分布式离散粒子群的网络社区检测方法。同样是将社区检测问题建模为MOPs,但是使用了不同的目标函数,并且根据粒子群算法的特点对目标函数进行了调整,同时由于社区检测是一个离散优化问题,本文设计了一种有效的离散粒子表示方法并提出了相应的更新策略。种群设计与算法的分布式实现分别基于弹性分布式数据集和Apache Spark计算平台。（3）研究了基于弹性分布式属性图的离散粒子群大规模网络社区检测算法。为了进一步提高所提分布式离散粒子群算法的执行效率,本文在前面工作的基础上引入了弹性分布式属性图的概念,将所要处理的大规模网络数据转化成了分布式图的形式存放在分布式文件系统中,并由此实现了一种新的分布式种群结构。由于种群结构和数据存储方式发生了改变,目标函数的计算过程从传统的矩阵求解转化成了基于分布式图的概念下的消息传播模型,进一步提高了算法的效率。（4）研究了多目标进化算法在SAR图像正负变化检测中的应用。对于多时相SAR图像的变化检测问题,现有的大多数工作通常将其被视为一个二值分类问题,即只检测是否有变化发生。然而,在很多情况下,多时相SAR图像的后向散射值是有增有减的,也就是说发生变化的类型并不相同。因此,可以将SAR图像变化检测的变化类别进一步的细分为未变化类、正变化类和负变化类。为了检测多时相SAR图像中的正负变化情况,本文基于多目标进化算法提出了一种新的变化检测方法:基于三个目标函数的多目标变化检测。首先,对MR算子、LR算子和NR算子进行了改进,以使其包含正变化和负变化信息。其次,由于相干斑噪声的存在,无法利用单一的测度对正变化和负变化进行有效检测,因此提出了三种函数:FCM测度、XB指数和邻域信息作为目标函数。最后,给出了用于更新隶属度值的公式并利用进化算法寻找最优聚类中心。
丁家会[2]（2019）在《自适应遗传算法的模型改进及应用研究》文中研究指明遗传算法是一种通用的优化算法,其编码技术和遗传操作比较简单,对优化问题的限制性条件很低,因此被广泛应用于解决实际工程问题。然而其理论和方法尚未成熟,算法本身存在一些不足有待进一步改进研究。首先,本文详细分析了遗传算法的原理、流程和基本遗传算子,明确不同的应用背景应选择合适的操作方式,为后续工作奠定基础。其次,针对传统自适应遗传算法容易陷入局部极值的问题,发现采用值差异进行自适应调整的策略,在算法后期由于值差异的减小,在更新时难以体现个体差异。本文借鉴序优化的思想,提出了一种基于个体排序的自适应遗传算法,即AGA-SNS。改进算法用个体适应度值的排序号代替具体适应度值进行自适应调整,此方法能够增大种群中、后期的交叉率和变异率,帮助算法跳出局部最优。结果表明,改进算法在收敛速度和收敛精度方面优于其他两种自适应改进算法。再次,针对传统路径规划算法存在路径不可达、大规模寻优计算等缺陷导致算法的计算量大、收敛精度低等问题,提出采用AGA-SNS优化中间节点,结合Dijkstra求最短路径算法补齐节点间的路径形成一条完整路径的方式,保证遗传操作中的路径全部为可行路径。与传统遗传算法作对比,实验结果表明改进后的算法在收敛精度和寻优能力上都取得了明显的效果。最后,本文分析了非均匀有理B样条（NURBS,Non-Uniform Rational B-Splines）曲线的基本理论与性质,发现节点矢量对NURBS曲线形状的影响,提出一种基于AGA-SNS和最小二乘法结合的节点优化算法。对于待拟合的数据点,分别建立无约束、法向约束和切向约束条件下的曲线拟合数学优化模型,通过算法不断迭代找到最优矢量组合。仿真结果表明该算法的可行性和有效性。
李佳泰[3]（2019）在《基于适应度景观的元启发式算法算子调优策略研究》文中进行了进一步梳理元启发式算法在求解现实生活中遇到的复杂组合优化问题时,显示出了它的优越性,常见的算法有禁忌搜索、模拟退火、遗传算法、迭代局部搜索等。这些算法基于局部搜索采用不同的策略使算法逃出局部最优,其中局部搜索使用的邻域算子定义了算法搜索空间中各个解之间的邻接关系,不适当的邻域算子会使得搜索变得无效,因此邻域算子的调优直接影响到元启发式算法的性能。为了更好地将算子调优策略与问题的结构特征相结合,弥补现有算子调优策略的不足,本文试图基于适应度景观对元启发式算法的邻域算子进行调优。适应度景观源于理论生物学,是遗传学家在利用数学模型理解生物个体的进化机制时提出的,该模型基于优化问题解的基因型、邻域算子和适应度函数,可以形象地刻画问题的结构。本文通过度量适应度景观的特征,凭借适应度景观分析对邻域算子进行调优。主要的研究内容如下:（1）鉴于物流配送在物流系统中的重要作用,本文以车辆路径问题为例,基于反转和互换两种邻域算子分别建立了车辆路径问题的适应度景观模型。（2）结合车辆路径问题解的特点,建立了距离空间并定义了相关的熵,从平均距离、平均步长、自相关函数、崎岖度以及局部最优解的适应度等角度,更加全面地度量适应度景观的特征。（3）使用多维标度法（Multidimensional Scaling）将车辆路径问题的解降维投影到二维平面,进而利用Delaunay三角剖分对适应度景观分析结果进行了可视化。（4）分别构造仅基于反转算子或互换算子的迭代局部搜索、模拟退火、遗传算法和禁忌搜索四种基本元启发式算法,通过对比两者在给定算例上的求解性能,验证了基于适应度景观对元启发式算法的邻域算子进行调优的有效性。
梁易[4]（2019）在《基于混合算法的移动机器人路径规划研究》文中研究指明近年来随着人工智能带来的大热潮,机器人技术也随之不断向更高的台阶迈进。无人机、家用型扫地机器人等愈发频繁的走进我们日常的生活,机器人也变得越来越普遍。机器人完成动作指令离不开路径规划,它是机器人技术领域的重要研究分支。路径规划问题简单来说就是从起始点到终点之间寻找一条存在的路线,这条路线需要满足一些预设的标准,比如路程最短,所需时间最短,安全性可靠,以及线路平滑度等,针对不同的问题也有不一样预设标准。本文主要研究用混合算法来解决该问题。先通过讲述与机器人相关的一些背景知识和本课题研究的意义。再呈现了路径规划方法的分类以及现状和发展趋势,简要提及了混合算法的一些理论与启示。先使用两种智能仿生学算法即遗传算法和蚁群算法,各自单独的解决静态环境下移动机器人的路径规划问题。在此之前也对这两种算法的原理,基本步骤,参数影响等进行了简单的介绍。再建立移动机器人工作的环境模型,对环境设置不一样的复杂度。最后将两种算法规划的结果进行比较,分析各自的性能特点。确定两种算法的优势和局限性之后,可以适当进行改进,为下一步融合做准备。再用混合算法在静态环境中解决该问题。蚁群算法的优势是收敛速度快和搜索能力较强。不足之处便是搜索初期信息素被初始化时,搜索目的不强,影响效率。随着问题规模增加,也易陷入局部最优。先对它进行改进,然后与遗传算法有效的融合,形成新的IACO-GA混合算法,在静态环境中对移动机器人进行路径规划。最后用另一种混合算法在动态环境中求解该问题。蚁群算法和遗传算法都是全局规划算法,两者混合后形成的算法不适合应用于动态环境中。而人工势场法是常见的局部规划算法,优点是描述简便,生成路径平滑安全等,但不足之处是易陷入局部最小值,还存在目标不可达问题。将全局规划算法（蚁群算法）与局部规划算法（人工势场法）结合,并在动态环境中求解该问题。首先还是改进蚁群算法的不足,同时改进人工势场法的不足,之后再有效结合,在动态环境中根据不同的条件驱动不同的算法解决问题。
王学渊[5]（2018）在《基于膜计算的移动机器人自主行走控制方法研究》文中研究说明膜计算理论与应用研究,为移动机器人自主行走中的智能规划、决策与控制等关键问题的解决提供了新途径。目前,膜计算的理论研究成果丰硕,而急需应用研究领域的突破。抽象于生物细胞的膜系统是一种仿生并行分布式计算模型,具有强大的信息处理与计算能力,适于求解移动机器人的运动规划与控制问题。本文针对移动机器人自主行走所面临的三类关键问题,结合膜计算模型的特点,分别设计了基于膜优化的路径规划算法以及多种行为膜控制器,用于提升移动机器人自主行走时的环境适应能力。本文首先描述了膜计算模型信息处理的特点,剖析了膜系统适合于解决移动机器人自主行走关键问题的原因。另一方面,在综合分析一般智能体混合式体系结构与膜系统构造的认知系统的共性基础上,构建了适合不同类型膜系统应用的自主移动机器人混合控制体系结构;分层次探讨了可以利用膜计算模型解决的具体应用问题,为后续膜系统与移动机器人自主行走控制方法相结合的研究工作,奠定了膜计算应用框架基础。针对智能路径规划方法常存在收敛慢、局部探测能力弱,难以兼顾效率与效果的问题,通过分析有效路径优化过程中解个体节点的演变规律,提出了一种维度可变的粒子群膜优化算法。充分利用动态膜结构的膜溶解、膜通信、膜转运等规则,将点修复算法、平滑算法以及移动方向调整等辅助功能算法有机结合,实现寻优粒子种群的维度变化与信息交流。利用多维度种群具有更广泛探测能力的特点,以提高搜索效能。另一方面,定义的多个目标的评价与决策方法,在加快算法收敛与提高适应性的同时,可以产生更合理的路径。针对非完整约束的轨迹跟踪过程中,移动机器人常面临外部扰动、参数剧烈变化、难以精确建模等问题,设计了运动学模型结合动力学模型的两层结构轨迹跟踪控制器。在外层运动学层面,结合Lyapunov稳定性理论、滑模控制方法以及Backstepping技术,分段设计了前馈与反馈相结合的运动学跟踪控制律,为动力学模型提供了更精确的参考路径输入。在内层动力学层面,利用膜系统将神经网络PID的控制模型规则化,同时利用酶变量灵活多变选择规则执行的特性,在膜内实现神经网络与专家知识相结合的参数自学习过程,这种灵活切换方式可使参数间的影响减弱,达到有效控制强时变扰动的效果。针对基于行为的实时导航过程中,存在易振荡与易陷入最小值陷阱等问题,分别设计了局部环境模式分类器、多行为选择策略与多行为融合膜控制器。考虑到自主机器人探索未知环境时,机器人对所处环境理解越精确越有利于做出正确行为响应,但传感器易受噪声影响的情况,定义了二值化的多种局部环境模式,将膜系统引入到环境分类器设计中,实现环境模式的准确快速识别;为便于多行为的融合,根据机器人物理特性分别设计了目标趋向、避障、随墙、通道穿越等行为控制律;提出能摆脱局部最小值陷阱的多行为融合策略,所设计的多行为融合膜控制器能够帮助移动机器人成功走出复杂的迷宫环境,自主行走性能优良。搭建了基于膜控制器的移动机器人实验平台。多组实验验证本文提出的膜控制器在移动机器人自主行走中具有满意的运动规划与运动控制性能。
杨兴[6]（2016）在《室内自主导航移动机器人路径规划研究》文中研究说明随着公共服务、仓储物流、探险救援、医疗护理等行业的发展,自主导航移动机器人正面临着巨大的应用需求。应用环境的复杂化对移动机器人导航技术提出了更高的要求,路径规划技术是移动机器人导航的关键技术之一。路径规划涉及避障、最优化和地图构建等问题,同时对实时性和鲁棒性要求较高。目前仍不存在单一的路径规划方法能同时解决上述问题,因此,对路径规划的研究具有理论和现实的意义。本文将Pioneer3-DX移动机器人作为研究对象,对室内移动机器人的路径规划方法进行研究,提出解决路径规划问题的新方法。按照移动机器人对环境信息的掌握情况,路径规划方法可分为全局路径规划法和局部路径规划法。A-star算法是一种启发式的全局路径规划算法,本文结合Pioneer3-DX移动机器人的两轮独立驱动特性,针对该算法的缺陷对其栅格地图、启发函数、搜索策略、估价函数和路径转折点进行优化,提高路径规划的避障性能、时效性和安全性;人工势场法是一种局部路径规划算法,本文对该算法的目标不可达、局部极小点和全局最优性差等问题进行了分析,通过改进FIRAS函数、势场填平法和逻辑重搜索法,提高路径规划的时效性和鲁棒性;由于单一路径规划算法不能满足复杂环境的需求,本文提出了提出基于改进A-star算法和改进APF算法的混合路径规划方法,提高路径规划的全局最优性、局部避障能力和鲁棒性。本文通过仿真和搭建的Pioneer3-DX移动机器人平台实验,验证了文中提出的新路径规划方法是可行、有效的。
王立[7]（2010）在《机器人室内未知环境探测规划研究》文中进行了进一步梳理探测规划是移动机器人自主构建未知环境地图领域的核心问题之一,对提高机器人的自主性、确保未知环境地图构建的高效性、鲁棒性和精确性具有重要的理论研究意义和应用价值。地图构建中探测规划的目的是实时生成机器人的运动控制,使机器人在较短的时间内感知范围覆盖尽可能大的区域,如何根据不完整的地图信息进行在线实时地规划,确保整体路径的最优性和探测的完全性,是该问题面临的挑战。本文主要针对地图构建探测规划中的单步探测规划、多步探测规划和多机器协作探测规划问题进行了研究,完成了以下工作:①设计开发了基于Microsoft Visual C++和Open Dynamics Engine（ODE）的机器人仿真系统。系统中模拟室内静态和动态环境的障碍物,模拟机器人的激光测距仪和里程计传感器数据,并对机器人和障碍物的运动进行动力学仿真,为移动机器人地图构建、探测规划、定位导航、多机器人协作等问题的研究提供了一个功能丰富,具有良好实时性和交互能力的实验平台。②针对未知环境信息的模糊性和不确定性,提出了基于模糊综合评价决策的单步探测规划方法。该方法将栅格图中的前沿点按距离和可行性进行分类,选取优先级较高的类别中的点作为候选点,根据候选点的距离、信息增益和可定位性进行模糊综合评价,以较小的计算代价决定机器人下一步的探测位姿,从而完成对未知区域的探测,构建出准确度高的环境栅格图和特征线段图。该方法减少了待评估点的数量,评估时采用模拟人类思维的模糊评价规则,避免了评估因子的不准确性对评价结果造成较大影响,提高了探测效率。③利用环境地图构建中栅格图的概率信息,提出基于分布估计算法的路径规划和多步探测规划方法。该方法结合以上概率信息生成机器人的初始轨迹并更新轨迹群分布的概率模型,通过多个可行解的并行迭代,快速获得包含多个观测位姿的评价较优的可行路径,减少了规划次数。④在力学原理的基础上,结合地图构建中计算获得的地图信息和机器人位姿信息,将虚拟力场法改进用于多机器人未知环境探测规划。利用栅格地图中前沿点对机器人产生的吸引力和障碍物对机器人产生的排斥力,综合与其他机器人之间的间距产生的影响,确定机器人的探测方向和速度。提出基于障碍物形状与虚拟力的方向的判据判断机器人是否陷入局部最小,并通过生成虚拟障碍物与虚拟目标,帮助机器人摆脱局部极小,避免振荡。多机器人之间采用分布式控制结构,通过控制机器人的间距,避免机器人的碰撞和过多的重复探测。实验证明此系统具有较强鲁棒性和较高协作效率。⑤使用装备了激光测距仪与光电编码器的自制全方向移动机器人SR-M002在室内结构化环境中进行了自主探测规划的实验,验证了上述基于模糊评价的探测规划方法与基于分布估计的多步探测规划方法的有效性。
冯岩[8]（2009）在《基于聚类排挤小生境遗传算法的多路径规划技术研究》文中研究说明全局路径规划技术是决定机器人智能化水平高低的关键技术,它是自主导航系统中的一个重要组成部分。在针对全局路径规划算法研究过程中,首先分析了路径规划问题的特点,并结合遗传算法的特点,考虑到路径规划问题中适应值评价函数的不确定性,结合多峰函数优化理论,文中提出了多路径规划的思想。以提供一条最优路径及若干条次最优路径供决策者选择的方法来弥补适应值评价函数不完善的欠缺。整个算法被分为两个阶段:第一个阶段实现种群多样性以增强算法的全局搜索能力,基于排挤模型的小生境遗传算法实现。第二阶段实现种群的快速收敛,基于聚类算法及多种群隔离进化遗传算法实现。文中就排挤机制、形成子种群的聚类算法及多种群隔离进化技术提出了自己的见解,设计了相应的编码方案,遗传算子。路径规划的同时进行优化操作,运用简化算子去除路径中的冗余结点,修正算子辅助生成复杂环境下的可行路径,优化操作提高了路径的生成速度。仿真试验表明:算法能够取得全局优化搜索与种群快速收敛之间的有效均衡,具有良好的搜索性能与快速的收敛性,灵活的得到要求数量的优化路径。对路径规划技术的研究具有重要的理论意义和应用参考价值。
祖伟[9]（2008）在《基于粒子群优化算法的水下潜器实时路径规划技术研究》文中进行了进一步梳理随着海洋资源日趋得到关注,人们利用水下潜器完成海洋资源探索和开发的期望也日益高涨,对潜器实现智能控制和自主导航提出了越来越高的要求。路径规划技术直接关系到水下潜器智能水平的高低,是其智能导航控制的关键技术之一。本文围绕粒子群优化算法（PSO）在路径规划中的应用展开研究,特别针对动态障碍物环境下如何避障这个难点,提出解决方法。研究过程中充分利用了粒子群优化算法求解迅速、全局寻优能力强的优点,提高了路径规划方法的效率和性能。论文按照“先算法理论再应用、先静态再动态、先二维再三维”的顺序层层深入展开研究,主要的研究内容和成果包括以下几个方面:从参数设置、求解原理、应用效果、环境适应性这几个方面对PSO算法在路径规划中的应用价值进行研究,总结出PSO解决路径规划问题的特点和改进方向,为下文的具体应用研究提供依据。为了保证PSO自身的性能,我们首先对粒子群优化算法的优化机理进行分析,结合路径规划的应用背景,提出基于均衡分布参数的改进粒子群优化算法。这种算法中从粒子维变量组成的微观角度出发,针对PSO中存在的缺陷,构造了保证进化过程多样性的均衡分布参数,并且提出一种粒子维变量“自探索飞行”的改进机制。实验仿真结果证明了算法的改进效果。全局路径规划是智能水下潜器完成路径规划任务的基础。本课题提出了基于极坐标空间粒子群优化算法的全局路径规划方法。在对工作空间建模的基础上,提出了一种采用十字链表结构,按维区域存储障碍物信息的方法,实现了障碍物信息的高效存储和访问;基于启发式知识初始化群体,并引入插入、交叉、删除操作算子,采用变长粒子、交叉变异等策略,达到提高算法局部搜索能力和搜索精度的目标。仿真试验证明了提出的算法具有更强的环境适应性、更快的收敛速度和更高的收敛精度。本文的局部路径规划分别考虑动态已知环境下和动态未知环境下两种情况,提出基于PSO的已知局部路径规划方法和基于潜器观测窗口的未知局部路径规划方法。基于PSO的局部路径规划方法中,通过几何模型确定避碰条件,将路径规划任务转化成求解多条件目标的优化问题,再结合变速和变航向两种模式的避碰方案,制定出适合的适应度函数。未知环境下的路径规划问题是机器人智能控制领域一个难点。本文借鉴滚动窗口的机器人路径规划方法,提出了一种基于潜器观测窗口的局部路径规划方法,其中着重解决了潜器航行过程中可能面临的障碍物会遇问题。方法的主要步骤包括环境信息建模及预测、观测窗口探测环境信息及反馈、窗口局部规划。实验结果证明了算法的可行性,以及对各种时变环境的自主适应性。提出协调完成全局路径规划和局部路径规划两个任务的权衡策略,并依据该策略搭建水下潜器实时路径规划系统,以达到既能考虑全局优化指标,又能根据传感器信息实时躲避动态障碍物的双重目标。论文中还对本课题提出的路径规划算法的可达性以及安全性,特别是存在动态障碍物突发出现情况下算法的性能展开讨论。最后,针对潜器在水下航行的实际三维海底地形环境,提出了基于粒子群优化算法实现的三维路径规划算法。其中采用真实电子海图中的深度值来表示三维海底地形,并定义了三维规划算法的数据编码结构。获得的规划算法通过应用惩罚函数及启发式知识,不仅能够灵活的获得具有不同特点的优化路径,而且对具有突发障碍物的三维环境也具有自主适应性。文章中还在三维环境中对本文提出的动态环境的路径规划算法进行了仿真试验。通过对算法的大量仿真试验表明:所设计的PSO路径规划算法充分利用了PSO快速收敛、全局寻优能力强的优点,分别解决了静态到动态、二维到三维不同环境下的潜器路径规划问题。并且可以看出算法能够灵活的适应潜器航行的各种环境,具有良好的搜索性能与快速的收敛性,能够适应潜器路径规划的要求,对潜器的安全航行具有重要的理论意义及应用价值。
陈曦[10]（2008）在《基于免疫遗传算法的移动机器人路径规划研究》文中进行了进一步梳理遗传算法是一种进化计算技术,也是一种基于叠代的工具。系统初始化为一组随机解,通过叠代搜寻最优值。目前已广泛应用于函数优化、神经网络训练、模糊系统控制以及其他应用领域。显示出遗传算法在求解复杂问题方面的优越性。本文综述了遗传算法的产生和发展历程,详细阐述了其生物学机理;介绍了基本遗传算法的原理、特点、实施;同时针对遗传算法存在的一些缺点,列举了当前的一些典型的遗传算法改进算法,对其在各领域的应用做了简要的叙述,并在遗传算法的基础上提出了一种改进的新算法——免疫遗传算法。同时综述了机器人的起源与发展历程,展望了未来机器人的发展方向——智能机器人。智能机器人中最重要的一个研究课题是移动机器人的路径规划,在文中详细地说明了移动机器人路径规划的一般概念、特点、分类及其进行路径规划的一些基本问题以及几种常见的路径规划方法。在此基础上,本文结合移动机器人路径规划的特点,提出了基于带精英保留的免疫遗传算法的移动机器人全局最优路径规划方法。该算法很好的解决了遗传算法存在的一些问题,主要有早熟收敛、容易陷入局部最优、局部搜索能力较弱、收敛速度慢等。基于精英保留免疫遗传算法的移动机器人全局最优路径规划方法分为二步:第一步是利用栅格法建立移动机器人的自由空间模型,第二步是采用免疫遗传算法为机器人搜索出一条全局最优路径。我们已经对所提出的算法进行了计算机仿真,通过结果对比,证实了本文所提出的方法无论是在收敛速度,还是在动态收敛特征方面都比基于基本遗传算法移动机器人全局路径规划方法更好。
二、基于黄金分割律选择算子的改进进化编程算法及其在机器人路径规划中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于黄金分割律选择算子的改进进化编程算法及其在机器人路径规划中的应用（论文提纲范文）
（1）分布式多目标进化算法在社区检测与变化检测中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 多目标优化问题介绍 |
| 1.2.1 多目标优化问题的定义 |
| 1.2.2 多目标优化方法的发展 |
| 1.3 多目标进化算法介绍 |
| 1.3.1 基于Pareto支配性的多目标进化算法 |
| 1.3.2 基于其他机制的多目标进化算法 |
| 1.4 多目标进化算法应用 |
| 1.5 本文主要工作及内容安排 |
| 第二章 社区检测、变化检测与分布式计算平台 |
| 2.1 引言 |
| 2.2 网络社区检测 |
| 2.2.1 研究背景与意义 |
| 2.2.2 网络社区检测基础理论 |
| 2.2.3 网络社区检测算法研究现状 |
| 2.3 SAR图像变化检测 |
| 2.3.1 研究背景与意义 |
| 2.3.2 SAR图像变化检测基本步骤 |
| 2.3.3 SAR图像变化检测研究现状 |
| 2.4 Apache Spark |
| 2.4.1 Spark分布式计算平台 |
| 2.4.2 弹性分布式数据集 |
| 2.4.3 GraphX图计算框架 |
| 2.5 本章小结 |
| 第三章 分布式多目标进化算法在网络社区检测中的应用 |
| 3.1 引言 |
| 3.2 社区检测的评价指标 |
| 3.3 分布式多目标社区检测算法描述 |
| 3.3.1 目标函数的建立 |
| 3.3.2 解的表示和初始化 |
| 3.3.3 分布式种群设计与进化机制 |
| 3.3.4 分段式交叉变异策略 |
| 3.3.5 算法主要流程 |
| 3.4 实验对比研究 |
| 3.4.1 人工网络上的实验仿真对比结果 |
| 3.4.2 真实网络上的实验仿真对比结果 |
| 3.5 本章小结 |
| 第四章 分布式离散粒子群算法在社区检测中的应用 |
| 4.1 引言 |
| 4.2 经典粒子群优化算法 |
| 4.3 基于粒子群优化算法的社区检测 |
| 4.3.1 目标函数的建立 |
| 4.3.2 粒子的表示和初始化 |
| 4.3.3 粒子速度更新方法 |
| 4.3.4 粒子位置更新方法 |
| 4.4 基于弹性分布式数据集的算法实现 |
| 4.4.1 基于RDD的PSOA种群设计 |
| 4.4.2 算法流程 |
| 4.4.3 实验分析 |
| 4.5 基于弹性分布式属性图的算法实现 |
| 4.5.1 基于Graph X的PSOA种群设计 |
| 4.5.2 基于消息聚合操作的适应度计算 |
| 4.5.3 算法流程 |
| 4.5.4 实验分析 |
| 4.6 本章小结 |
| 第五章 多目标进化方法在SAR图像正负变化检测中的应用 |
| 5.1 引言 |
| 5.2 NSGA-II算法介绍 |
| 5.3 差异图生成算子 |
| 5.3.1 改进均值比算子 |
| 5.3.2 改进对数比算子 |
| 5.3.3 改进邻域比算子 |
| 5.4 多目标变化检测 |
| 5.4.1 基于FCM和XB指数的多目标变化检测模型 |
| 5.4.2 考虑邻域信息的多目标变化检测模型 |
| 5.4.3 基于NSGA-II的多目标变化检测算法 |
| 5.5 实验设置 |
| 5.5.1 实验数据集 |
| 5.5.2 评价准则和参数设置 |
| 5.6 实验结果 |
| 5.6.1 仿真数据集的结果 |
| 5.6.2 黄河数据集的结果 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（2）自适应遗传算法的模型改进及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 遗传算法研究现状 |
| 1.3 机器人路径规划研究现状 |
| 1.4 数控插补技术研究现状 |
| 1.5 全文章节安排与主要内容 |
| 2 遗传算法的原理 |
| 2.1 遗传算法的生物学背景 |
| 2.1.1 遗传变异理论 |
| 2.1.2 进化论 |
| 2.1.3 遗传与进化的系统观 |
| 2.1.4 遗传算法的特点 |
| 2.2 遗传算法的基本设定 |
| 2.2.1 基本操作流程 |
| 2.2.2 个体编码 |
| 2.2.3 初始化种群 |
| 2.2.4 适应度函数 |
| 2.2.5 选择算子 |
| 2.2.6 交叉算子 |
| 2.2.7 变异算子 |
| 2.3 本章小结 |
| 3 基于个体排序的自适应遗传算法 |
| 3.1 自适应遗传算法 |
| 3.1.1 传统遗传算法分析 |
| 3.1.2 基本的自适应遗传算法 |
| 3.2 改进的自适应遗传算法 |
| 3.3 仿真实验分析 |
| 3.3.1 测试函数 |
| 3.3.2 仿真结果 |
| 3.4 本章小结 |
| 4 基于遗传算法的机器人路径规划 |
| 4.1 常用路径规划方法 |
| 4.1.1 人工势场法 |
| 4.1.2 模糊逻辑方法 |
| 4.1.3 栅格法 |
| 4.1.4 Dijkstra算法 |
| 4.1.5 遗传算法 |
| 4.2 改进算法的原理及步骤 |
| 4.3 遗传算法的设定 |
| 4.3.1 建立环境模型 |
| 4.3.2 路径的编码 |
| 4.3.3 初始化种群 |
| 4.3.4 适应度函数设置 |
| 4.3.5 选择算子 |
| 4.3.6 交叉算子 |
| 4.3.7 变异算子 |
| 4.4 仿真实验与分析 |
| 4.5 本章小结 |
| 5 基于遗传算法的NURBS曲线拟合研究 |
| 5.1 NURBS曲线基本理论 |
| 5.1.1 NURBS曲线的表示 |
| 5.1.2 NURBS曲线的性质 |
| 5.1.3 基函数的计算及简化算法 |
| 5.1.4 NURBS曲线求导计算 |
| 5.2 基于遗传算法的节点优化策略 |
| 5.2.1 问题模型的建立及计算理论 |
| 5.2.2 参数化方式的选择 |
| 5.2.3 改进算法的具体步骤 |
| 5.3 NURBS曲线拟合仿真及插补实例 |
| 5.3.1 无约束条件的仿真 |
| 5.3.2 法向约束条件的仿真实验 |
| 5.3.3 切向约束条件的仿真实验 |
| 5.4 本章小结 |
| 6 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 附录 |
| 参考文献 |
| 致谢 |
| 作者简历 |
| 学术论文数据集 |
（3）基于适应度景观的元启发式算法算子调优策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 算子调优策略相关研究 |
| 1.2.2 适应度景观相关研究 |
| 1.3 论文结构安排 |
| 1.4 本章小结 |
| 2 相关理论基础 |
| 2.1 元启发式算法概述 |
| 2.1.1 编码方式 |
| 2.1.2 目标函数 |
| 2.1.3 约束条件的处理 |
| 2.1.4 参数设置 |
| 2.1.5 性能分析 |
| 2.2 适应度景观分析概述 |
| 2.2.1 搜索空间 |
| 2.2.2 适应度景观 |
| 2.2.3 距离空间 |
| 2.2.4 适应度景观的特征 |
| 2.3 本章小结 |
| 3 车辆路径问题的适应度景观模型 |
| 3.1 车辆路径问题 |
| 3.1.1 车辆路径问题的特征 |
| 3.1.2 车辆路径问题的分类 |
| 3.1.3 常用求解方法 |
| 3.2 车辆路径问题建模 |
| 3.3 数据来源 |
| 3.4 适应度景观模型 |
| 3.4.1 解的编码 |
| 3.4.2 邻域算子 |
| 3.5 本章小结 |
| 4 应用适应度景观分析进行算子调优 |
| 4.1 适应度景观分析 |
| 4.1.1 局部搜索 |
| 4.1.2 距离的计算 |
| 4.1.3 熵的计算 |
| 4.2 适应度景观分析结果 |
| 4.2.1 解的分布 |
| 4.2.2 局部最优适应度的分布 |
| 4.2.3 景观崎岖度 |
| 4.2.4 实验结果总结 |
| 4.3 分析结果的可视化 |
| 4.3.1 解的分布图示 |
| 4.3.2 局部最优适应度图示 |
| 4.3.3 崎岖度图示 |
| 4.4 本章小结 |
| 5 算子调优有效性的实验验证 |
| 5.1 有效性验证方法 |
| 5.2 迭代局部搜索求解 |
| 5.3 模拟退火求解 |
| 5.4 遗传算法求解 |
| 5.5 禁忌搜索求解 |
| 5.6 适应性算子选择 |
| 5.7 本章小结 |
| 6 结论与展望 |
| 参考文献 |
| 附录 部分程序代码 |
| 致谢 |
| 作者简历 |
（4）基于混合算法的移动机器人路径规划研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 机器人的概述 |
| 1.1.1 机器人的定义 |
| 1.1.2 机器人的组成结构 |
| 1.1.3 机器人的分类 |
| 1.2 机器人发展现状及展望 |
| 1.2.1 机器人的发展简史 |
| 1.2.2 机器人技术研究现状 |
| 1.2.3 机器人技术展望 |
| 1.3 课题研究的背景及意义 |
| 1.4 研究内容及章节安排 |
| 1.5 本章小结 |
| 第二章 移动机器人路径规划 |
| 2.1 移动机器人导航 |
| 2.1.1 导航方式 |
| 2.1.2 定位方式 |
| 2.2 路径规划 |
| 2.2.1 路径规划的步骤 |
| 2.2.2 路径规划方法的分类 |
| 2.2.3 路径规划技术的未来展望 |
| 2.3 本章小结 |
| 第三章 基于智能仿生学算法的路径规划 |
| 3.1 遗传算法简介 |
| 3.1.1 遗传算法的基本原理 |
| 3.1.2 遗传算法的三大操作 |
| 3.1.3 遗传算法的参数分析 |
| 3.1.4 遗传算法的基本流程 |
| 3.2 蚁群算法简介 |
| 3.2.1 蚁群算法的基本原理 |
| 3.2.2 蚁群算法的机制 |
| 3.2.3 蚁群算法的数学模型 |
| 3.2.4 蚁群算法的参数分析 |
| 3.2.5 蚁群算法的基本流程 |
| 3.3 求解路径规划问题 |
| 3.3.1 环境建模 |
| 3.3.2 基于遗传算法的路径规划 |
| 3.3.3 基于蚁群算法的路径规划 |
| 3.3.4 结果分析 |
| 3.4 本章小结 |
| 第四章 IACO-GA混合算法在静态环境中的路径规划 |
| 4.1 前言 |
| 4.2 IACO-GA混合算法概述 |
| 4.2.1 算法原理 |
| 4.2.2 算法IACO阶段 |
| 4.2.3 算法GA阶段 |
| 4.2.4 算法流程 |
| 4.3 仿真及结果分析 |
| 4.3.1 环境建模 |
| 4.3.2 仿真实现 |
| 4.3.3 结果分析 |
| 4.4 本章小结 |
| 第五章 ACO-APF混合算法在动态环境中的路径规划 |
| 5.1 前言 |
| 5.2 ACO-APF混合算法概述 |
| 5.2.1 算法ACO阶段 |
| 5.2.2 算法APF阶段 |
| 5.2.3 ACO-APF算法流程 |
| 5.3 仿真及结果分析 |
| 5.3.1 环境建模 |
| 5.3.2 仿真实现 |
| 5.3.3 结果分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间发表论文 |
| 致谢 |
（5）基于膜计算的移动机器人自主行走控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的提出 |
| 1.2 国内外研究现状 |
| 1.2.1 膜计算研究现状 |
| 1.2.2 移动机器人发展概况 |
| 1.2.3 移动机器人自主行走关键问题研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文结构安排 |
| 第2章 基于膜计算的移动机器人自主行走控制分析 |
| 2.1 引言 |
| 2.2 移动机器人自主行走控制的膜计算基础 |
| 2.2.1 膜算法 |
| 2.2.2 数值膜系统定义 |
| 2.2.3 酶数值膜系统定义 |
| 2.3 基于膜计算的移动机器人自主行走控制体系分析 |
| 2.3.1 基于膜计算的认知体系 |
| 2.3.2 基于膜计算的混合式体系结构分析 |
| 2.4 本章小结 |
| 第3章 基于膜计算的移动机器人路径规划方法 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 基于m MPSO算法的移动机器人路径规划 |
| 3.3.1 路径规划问题的数学建模 |
| 3.3.2 可变维策略分析 |
| 3.3.3 m MPSO算法描述 |
| 3.4 实验验证及结果分析 |
| 3.5 本章小结 |
| 第4章 基于膜计算的移动机器人轨迹跟踪方法 |
| 4.1 引言 |
| 4.2 移动机器人轨迹跟踪问题描述 |
| 4.3 移动机器人轨迹跟踪控制器 |
| 4.3.1 移动机器人运动学控制器设计 |
| 4.3.2 移动机器人动力学控制器设计 |
| 4.4 实验验证及分析 |
| 4.4.1 运动学控制器仿真实验 |
| 4.4.2 动力学控制器计算机仿真及分析 |
| 4.5 本章小结 |
| 第5章 基于膜计算的移动机器人多行为融合控制方法 |
| 5.1 引言 |
| 5.2 移动机器人自主行走中的行为选择 |
| 5.3 环境状态识别的膜分类器设计 |
| 5.3.1 局部环境模型定义 |
| 5.3.2 环境模型膜分类器设计 |
| 5.4 基本行为控制律设计 |
| 5.4.1 趋向目标行为 |
| 5.4.2 避障行为 |
| 5.4.3 随墙行为 |
| 5.4.4 穿越通道行为 |
| 5.4.5 自转行为 |
| 5.4.6 紧急调头行为 |
| 5.5 基于膜系统的多行为融合控制器设计 |
| 5.5.1 多行为动态选择策略 |
| 5.5.2 行为融合的膜控制器设计 |
| 5.6 实验验证及分析 |
| 5.6.1 环境分类器实验 |
| 5.6.2 多行为融合控制器对比实验 |
| 5.7 本章小结 |
| 第6章 实验验证及结果分析 |
| 6.1 引言 |
| 6.2 膜控制器实现的系统框架 |
| 6.3 膜控制器实现的软硬件平台 |
| 6.3.1 数值膜系统仿真平台 |
| 6.3.2 移动机器人平台 |
| 6.4 实验结果及分析 |
| 6.4.1 轨迹跟踪计算机仿真及结果分析 |
| 6.4.2 多行为融合实验及结果分析 |
| 6.4.3 实体平台实验 |
| 6.5 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间科研成果 |
（6）室内自主导航移动机器人路径规划研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 机器人技术 |
| 1.2 移动机器人的国内外研究现状 |
| 1.2.1 移动机器人的国内外研究现状 |
| 1.2.2 移动机器人的分类 |
| 1.3 移动机器人路径规划的国内外研究现状 |
| 1.4 课题研究的意义 |
| 1.5 论文的研究内容及结构安排 |
| 2 移动机器人路径规划概述 |
| 2.1 引言 |
| 2.2 移动机器人全局路径规划方法 |
| 2.2.1 栅格法 |
| 2.2.2 自由空间法 |
| 2.2.3 可视图法 |
| 2.2.4 拓扑法 |
| 2.3 移动机器人局部路径规划方法 |
| 2.3.1 蚁群优化算法 |
| 2.3.2 遗传算法 |
| 2.3.3 滚动窗口法 |
| 2.3.4 人工势场法 |
| 2.4 其他路径规划方法 |
| 2.5 移动机器人的运动模型 |
| 2.5.1 两轮独立驱动移动机器人坐标系 |
| 2.5.2 两轮独立驱动移动机器人运动学模型分析 |
| 2.6 本章小结 |
| 3 基于栅格地图的A-star全局路径规划算法 |
| 3.1 引言 |
| 3.2 环境建模 |
| 3.2.1 栅格尺寸 |
| 3.2.2 栅格法的信息编码 |
| 3.3 A-star算法简介 |
| 3.4 A-star算法的优化 |
| 3.4.1 栅格模型的优化 |
| 3.4.2 启发函数与估价函数的设置 |
| 3.4.3 搜索策略的优化 |
| 3.4.4 路径转折点平滑处理 |
| 3.5 仿真实验结果与分析 |
| 3.6 本章小结 |
| 4 基于人工势场法的局部路径规划算法 |
| 4.1 引言 |
| 4.2 APF算法简介 |
| 4.3 传统人工势场法的缺陷及优化方法 |
| 4.3.1 目标不可达问题的分析及解决 |
| 4.3.2 局部极小点问题分析及解决 |
| 4.3.3 APF算法路径的全局优化 |
| 4.4 仿真实验结果与分析 |
| 4.5 本章小结 |
| 5 基于改进A-star算法和改进APF算法的混合路径规划 |
| 5.1 引言 |
| 5.2 A-star算法与APF算法混合路径规划方法 |
| 5.2.1 改进A-star路径规划算法的缺陷 |
| 5.2.2 改进APF路径规划算法的缺陷 |
| 5.2.3 A-star算法与APF算法混合路径规划方法描述 |
| 5.3 仿真实验结果与分析 |
| 5.4 本章小结 |
| 6 移动机器人实验 |
| 6.1 引言 |
| 6.2 Pioneer3-DX移动机器人实验系统 |
| 6.2.1 硬件设备 |
| 6.2.2 客户端仿真及软件构成 |
| 6.3 实验结果与分析 |
| 6.4 本章小结 |
| 7 结论 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读硕士期间发表的论文及所取得的研究成果 |
| 致谢 |
（7）机器人室内未知环境探测规划研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 目次 |
| 插图 |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 单机器人探测规划 |
| 1.2.1 候选视点的生成 |
| 1.2.2 候选视点的评估 |
| 1.3 多机器人探测规划 |
| 1.3.1 集中式多机器人探测规划 |
| 1.3.2 分布式多机器人探测规划 |
| 1.3.3 混合式多机器人探测规划 |
| 1.4 探测规划研究趋势 |
| 1.5 本文研究内容 |
| 1.6 本文结构 |
| 2 自主移动机器人仿真系统 |
| 2.1 引言 |
| 2.2 仿真系统结构 |
| 2.3 环境的仿真 |
| 2.3.1 障碍物的生成 |
| 2.3.2 地图的生成和保存 |
| 2.4 机器人的仿真 |
| 2.4.1 机器人的仿真模型 |
| 2.4.2 传感器的功能实现 |
| 2.5 仿真系统的实现 |
| 2.6 仿真系统的不确定性 |
| 2.7 本章小结 |
| 3 基于模糊评价的未知环境地图构建探测规划 |
| 3.1 引言 |
| 3.2 模糊理论简介 |
| 3.3 算法流程 |
| 3.4 候选视点的生成 |
| 3.5 候选视点的评估 |
| 3.6 仿真实验 |
| 3.7 实体实验 |
| 3.7.1 主要实验器材 |
| 3.7.2 实验环境 |
| 3.7.3 实体实验的难点与解决方法 |
| 3.7.4 实验结果 |
| 3.8 本章小结 |
| 4 基于分布估计的多步探测规划 |
| 4.1 引言 |
| 4.2 分布估计算法 |
| 4.3 问题的表述 |
| 4.4 算法描述 |
| 4.4.1 初始化群体 |
| 4.4.2 对个体的评价 |
| 4.4.3 概率模型 |
| 4.4.4 算法流程 |
| 4.4.5 特殊情况处理 |
| 4.5 收敛性与早熟 |
| 4.5.1 群体规模对收敛性的影响 |
| 4.5.2 概率模型更新方法对收敛性的影响 |
| 4.5.3 预防早熟收敛 |
| 4.6 算法在路径规划中的适用性 |
| 4.7 仿真实验 |
| 4.7.1 路径规划实验 |
| 4.7.2 探测规划实验 |
| 4.8 实体实验 |
| 4.9 本章小结 |
| 5 基于虚拟力的多机器人探测规划 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 算法描述 |
| 5.3.1 虚拟力的计算 |
| 5.3.2 机器人的运动控制 |
| 5.3.3 避免局部极小的策略 |
| 5.4 多机器人协作机制 |
| 5.5 仿真实验 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
（8）基于聚类排挤小生境遗传算法的多路径规划技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 本课题研究背景和意义 |
| 1.2 路径规划的发展现状 |
| 1.3 遗传算法的发展历史及现状 |
| 1.4 论文的主要工作 |
| 第2章 全局路径规划技术 |
| 2.1 路径规划概述 |
| 2.1.1 路径规划的定义 |
| 2.1.2 路径规划问题的分类 |
| 2.1.3 路径规划问题的实现 |
| 2.2 全局路径规划方法 |
| 2.3 全局路径规划方法的新发展 |
| 2.4 本章小结 |
| 第3章 遗传算法综述 |
| 3.1 引言 |
| 3.2 遗传算法的基本描述 |
| 3.2.1 遗传算法的基本思想 |
| 3.2.2 遗传算法的基本流程 |
| 3.3 遗传算法实现中的关键技术 |
| 3.3.1 编码方案的描述 |
| 3.3.2 适应度函数 |
| 3.3.3 遗传算子 |
| 3.4 遗传算法约束条件的处理方法 |
| 3.4.1 搜索空间限定法 |
| 3.4.2 可行解变换法 |
| 3.4.3 罚函数法 |
| 3.5 本章小结 |
| 第4章 基于聚类排挤小生境遗传算法的多路径规划 |
| 4.1 引言 |
| 4.2 多峰函数优化理论 |
| 4.2.1 多峰函数的定义 |
| 4.2.2 多峰函数的遗传算法 |
| 4.3 聚类排挤小生境遗传算法 |
| 4.3.1 小生境技术 |
| 4.3.2 多种群形成的聚类算法 |
| 4.3.3 多种群隔离进化算法 |
| 4.3.4 基于排挤机制的小生境技术 |
| 4.4 聚类排挤小生境遗传算法的多路径规划 |
| 4.4.1 聚类排挤小生境遗传算法的多路径规划原理 |
| 4.4.2 多路径规划实现的步骤 |
| 4.4.3 仿真分析 |
| 4.5 本章小结 |
| 第5章 多路径规划的算法设计 |
| 5.1 引言 |
| 5.2 环境建模 |
| 5.2.1 环境建模方法 |
| 5.2.2 静态环境建模 |
| 5.2.3 动态环境建模 |
| 5.3 初始设置 |
| 5.3.1 初始种群设置 |
| 5.3.2 初始参数设置 |
| 5.4 适应度函数设置 |
| 5.4.1 静态环境下适应值设置 |
| 5.5 遗传算子 |
| 5.5.1 选择算子 |
| 5.5.2 交叉算子 |
| 5.5.3 变异算子 |
| 5.6 优化算子 |
| 5.6.1 简化算子 |
| 5.6.2 修正算子 |
| 5.7 规划结果仿真与比较 |
| 5.8 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（9）基于粒子群优化算法的水下潜器实时路径规划技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题意义与背景 |
| 1.2 水下潜器路径规划研究现状 |
| 1.2.1 水下潜器发展现状 |
| 1.2.2 水下潜器路径规划技术 |
| 1.3 粒子群优化算法发展及研究现状 |
| 1.3.1 粒子群优化算法的产生 |
| 1.3.2 粒子群优化算法研究热点 |
| 1.4 论文的主要研究工作 |
| 第2章 粒子群优化算法及其在路径规划中的应用 |
| 2.1 粒子群优化算法的基本描述 |
| 2.1.1 粒子群优化算法的原理及内容 |
| 2.1.2 粒子群优化算法的特点及研究现状 |
| 2.2 粒子群优化算法收敛性 |
| 2.2.1 单个粒子的运动轨迹 |
| 2.2.2 粒子群优化算法收敛性 |
| 2.3 PSO在路径规划中的应用 |
| 2.3.1 PSO在路径规划中的应用现状 |
| 2.3.2 PSO路径规划方法及特点 |
| 2.3.3 PSO路径规划方法存在的问题及改进思路 |
| 2.4 本章小结 |
| 第3章 基于协作进化思想的改进PSO算法 |
| 3.1 协作进化思想在粒子群优化算法中的应用 |
| 3.1.1 子种群间的协作进化机制 |
| 3.1.2 粒子间的协作进化机制 |
| 3.1.3 粒子维变量间的协作进化机制 |
| 3.2 基于协作进化思想的改进PSO算法 |
| 3.2.1 维变量建模方法 |
| 3.2.2 多样性测量及均衡分布度参数 |
| 3.2.3 一种基于协作思想的进化策略改进 |
| 3.2.4 算法描述 |
| 3.3 实验仿真及算法性能分析 |
| 3.3.1 收敛速度分析 |
| 3.3.2 多样性测试 |
| 3.3.3 成功率测试 |
| 3.4 本章小结 |
| 第4章 静态环境下基于PSO的路径规划方法研究 |
| 4.1 PSO参数值确定 |
| 4.2 一种极坐标环境下的粒子群路径规划方法 |
| 4.2.1 极坐标环境建模 |
| 4.2.2 启发式知识的运用 |
| 4.2.3 动态调整路径点策略 |
| 4.2.4 算法描述 |
| 4.3 仿真实验结果及分析 |
| 4.3.1 实验设计及参数选取 |
| 4.3.2 算法性能评估 |
| 4.4 本章小结 |
| 第5章 动态环境下的局部实时路径规划方法研究 |
| 5.1 动态已知环境下基于PSO的局部路径规划方法 |
| 5.1.1 动态环境建模方法 |
| 5.1.2 局部路径规划避障模型 |
| 5.1.3 基于PSO算法的避碰策略及分析 |
| 5.1.4 算法描述及仿真结果分析 |
| 5.2 动态未知环境的局部路径规划 |
| 5.2.1 滚动窗口路径规划方法 |
| 5.2.2 基于观测窗口的局部路径规划方法 |
| 5.2.3 仿真实验结果及分析 |
| 5.3 本章小结 |
| 第6章 AUV实时路径规划系统 |
| 6.1 AUV路径规划系统设计 |
| 6.2 全局与局部规划权衡策略 |
| 6.2.1 子目标选取 |
| 6.2.2 规划权衡策略 |
| 6.2.3 路径规划系统算法描述 |
| 6.3 AUV三维海底路径规划方法研究 |
| 6.3.1 AUV三维海底建模方法 |
| 6.3.2 基于PSO的三维全局路径规划方法 |
| 6.4 实时路径规划系统仿真实验 |
| 6.4.1 仿真条件及算法参数的选择 |
| 6.4.2 二维环境规划结果分析 |
| 6.4.3 三维海底路径规划仿真结果分析 |
| 6.5 系统可达性和安全性分析 |
| 6.5.1 可达性分析 |
| 6.5.2 安全性分析 |
| 6.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（10）基于免疫遗传算法的移动机器人路径规划研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 移动机器人的发展现状 |
| 1.3 移动机器人研究的基本内容 |
| 1.4 本文主要研究内容 |
| 第二章 移动机器人路径规划技术 |
| 2.1 路径规划概述 |
| 2.1.1 路径规划问题的描述 |
| 2.1.2 路径规划的分类及特点 |
| 2.2 机器人路径规划的基本问题 |
| 2.2.1 世界空间到位姿空间中的转换 |
| 2.2.2 位姿空间的计算方法 |
| 2.2.3 物体信息的获取和表示 |
| 2.2.4 搜索方法 |
| 2.2.5 路径规划中的碰撞检测 |
| 2.3 传统路径规划方法 |
| 2.3.1 可视图法 |
| 2.3.2 自由空间法 |
| 2.3.3 栅格解耦法 |
| 2.3.4 人工势场法 |
| 2.4 智能路径规划方法 |
| 2.4.1 模糊逻辑法 |
| 2.4.2 神经网络法 |
| 2.4.3 人工蚁群法 |
| 2.4.4 遗传算法 |
| 2.5 本文提出的路径规划方法 |
| 第三章 遗传算法的基本原理 |
| 3.1 遗传算法的起源 |
| 3.2 遗传算法的生物学机理 |
| 3.2.1 遗传和变异 |
| 3.2.2 生物进化 |
| 3.3 基本遗传算法理论基础 |
| 3.3.1 模式定理 |
| 3.3.2 积木块假设 |
| 3.4 基本遗传算法的实施 |
| 3.4.1 编码 |
| 3.4.2 初始群体的产生 |
| 3.4.3 适应度函数 |
| 3.4.4 遗传操作算子 |
| 3.4.5 算法终止条件 |
| 3.4.6 算法参数设置 |
| 3.5 遗传算法的特点 |
| 第四章 基本遗传算法的改进及其应用 |
| 4.1 基本遗传算法的改进算法 |
| 4.1.1 精英交叉遗传算法 |
| 4.1.2 基于信息熵的免疫遗传算法 |
| 4.1.3 基于欧式距离的免疫遗传算法 |
| 4.2 遗传算法的应用概况 |
| 第五章 免疫遗传算法在移动机器人路径规划中的应用 |
| 5.1 移动机器人自由空间建模 |
| 5.1.1 栅格粒度的确定 |
| 5.1.2 空间的离散化和障碍物的边境处理 |
| 5.1.3 模型的建立 |
| 5.2 一种改进的免疫遗传算法 |
| 5.2.1 免疫遗传算法中的几个重要定义 |
| 5.2.2 精英保留策略 |
| 5.3 基于免疫遗传算法的最优路径规划 |
| 5.3.1 个体编码 |
| 5.3.2 种群初始化 |
| 5.3.3 个体适应度函数 |
| 5.3.4 遗传算子 |
| 5.3.5 机器人移动路径规划算法流程 |
| 5.4 计算机仿真实验及结果分析 |
| 5.4.1 动态仿真 |
| 5.4.2 IGAE与GAES的比较 |
| 5.5 结论 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文 |
四、基于黄金分割律选择算子的改进进化编程算法及其在机器人路径规划中的应用（论文参考文献）
- [1]分布式多目标进化算法在社区检测与变化检测中的应用[D]. 梁爽. 西安电子科技大学, 2020(05)
- [2]自适应遗传算法的模型改进及应用研究[D]. 丁家会. 江苏师范大学, 2019(12)
- [3]基于适应度景观的元启发式算法算子调优策略研究[D]. 李佳泰. 大连海事大学, 2019(06)
- [4]基于混合算法的移动机器人路径规划研究[D]. 梁易. 广东工业大学, 2019(02)
- [5]基于膜计算的移动机器人自主行走控制方法研究[D]. 王学渊. 西南交通大学, 2018(03)
- [6]室内自主导航移动机器人路径规划研究[D]. 杨兴. 中北大学, 2016(08)
- [7]机器人室内未知环境探测规划研究[D]. 王立. 浙江大学, 2010(08)
- [8]基于聚类排挤小生境遗传算法的多路径规划技术研究[D]. 冯岩. 哈尔滨工程大学, 2009(11)
- [9]基于粒子群优化算法的水下潜器实时路径规划技术研究[D]. 祖伟. 哈尔滨工程大学, 2008(06)
- [10]基于免疫遗传算法的移动机器人路径规划研究[D]. 陈曦. 中南大学, 2008(01)