基于免疫遗传算法的移动机器人路径规划研究

论文摘要

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。

论文目录

• 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