多目标遗传算法在机器人路径规划中的应用

多目标遗传算法在机器人路径规划中的应用作者：申晓宁，郭毓，陈庆伟，胡维礼，SHENXiao-ning，GUOYu，CHENQing-wei，HUWei-li作者单位：南京理工大学,自动化学院,江苏,南京,210094刊名：南京理工大学学报（自然科学版）英文刊名：JOURNALOFNANJINGUNIVERSITYOFSCIENCEANDTECHNOLOGY(NATURALSCIENCE)年，卷(期)：2006，30(6)被引用次数：3次参考文献(6条)1.AlexopoulosC.GriffinPMPathplanningforamobilerobot1992(02)2.马兆青.袁曾任基于栅格的移动机器人实时导航和避障机器人1996(06)3.罗熊.樊晓平.易晟具有大量不规则障碍物的环境下机器人路径规划的一种新型遗传算法[期刊论文]-机器人2004(01)4.XiaoJ.MichalewiczZ.ZhangLAdaptiveevolutionaryplanner/navigatorformobilerobots1997(01)5.陈刚.沈林成复杂环境下路径规划问题的遗传路径规划方法[期刊论文]-机器人2001(01)6.ZitzlerE.LaumannsM.BleulerSAtutorialonevolutionarymultiobjectiveoptimization2004(01)相似文献(10条)1.期刊论文常江.KwangY.Lee基于遗传算法的火电单元机组多目标优化协调控制-深圳职业技术学院学报2004,3(2)作者提出了一种基于遗传算法的火电单元机组多目标优化协调控制策略.该策略通过改进的遗传算法进行多目标优化求解机组最优稳态控制量以得到最优设定值,从而完成多目标优化协调控制任务.改进的遗传算法采用十进制编码,规范化几何秩选择,混合交叉及均匀变异.仿真结果表明,在不同的运行目标下控制量的最优适应度函数都能快速收敛,遗传算法为多目标优化协调控制提供了有效的途径.2.学位论文张萍多目标优化遗传算法在建筑协同设计冲突消解中的应用2009计算机支持协同工作(ComputerSupportedCooperativeWork，CSCW)是一种将人类合作行为模式与计算机支持技术融合为一体的新兴技术，即在计算机技术支持的环境下，一个群体协同完成一项共同的任务。计算机支持的协同设计(CSCD)是计算机支持的协同工作中的一个重要领域，将协同工作的理论应用于设计系统就是计算机支持的协同设计。CSCD主要研究如何利用计算机网络对多人参与的协同设计工作、所涉及的数据和设计过程进行组织、管理和协调。在协同设计过程中，各小组或领域设计人员的知识背景互不相同，设计目标互不相同，不同设计对象与其之间的属性也是相互依赖的，因而难免发生冲突。为使协同设计能够顺利进行，提高协同设计小组的工作效率和效果，必须有一种有效的冲突消解策略，来解决协同设计中的设计冲突，协调产品开发过程。多目标优化遗传算法是近年来针对多目标优化问题发展起来的一种新的优化算法。由于其具有高效、实用的特点，因此越来越受到学术界的重视。本文在充分分析研究协同设计的冲突和多目标优化问题的基础上，将协同设计的冲突理解为一个多目标优化问题，因此多目标优化遗传算法是冲突消解的有效途径。本文提出了基于多目标优化遗传算法的冲突消解策略，通过对协同设计过程进行检测，及时发现冲突，然后在定性分析的基础上，采用多目标优化遗传算法协调各领域设计人员设计目标达到整体最优，从而达到冲突消解的目的。建筑协同设计是网络环境下一种新兴的建筑设计方式。在该方式下，分布在不同地理位置上的设计人员通过网络在各种计算机辅助工具的支持下协同地进行建筑的设计工作。传统的建筑设计中解决冲突的方式是采用人工方式协调而非计算机智能解决。本文设计并开发了建筑协同设计系统，并且将基于多目标优化遗传算法的冲突消解策略应用于建筑协同设计系统中，自动发现建筑协同设计中的冲突并且进行消解，使传统的人工协调由计算机协调取代，取得了较为满意的效果，保证了建筑协同设计能够顺利进行。本文利用多目标优化遗传算法解决冲突，所得的多个非支配解为决策者提供了多样性的选择，更有利于决策者做出正确的决策，为研究协同设计冲突消解提供了一种新的途径与方法。本文所做的主要工作如下：1.对多目标优化遗传算法NSGA—II的优良性能进行了验证。总结了建筑协同设计特点和过程、建筑协同设计的冲突并且对建筑协同设计的冲突进行了数学描述。2.构建了协同设计冲突的多目标优化模型。在对协同设计的冲突和多目标优化问题深入研究的基础上，本论文将协同设计中的冲突描述为多目标优化问题，构建了协同设计冲突的多目标优化模型，在此模型的基础上，可以根据实际出现的协同设计系统的冲突，建立具体冲突的多目标优化模型。3.提出了基于多目标优化遗传算法的冲突消解策略。提出了基于多目标优化遗传算法的冲突消解策略，利用国际上先进的多目标优化遗传算法NSGA—II进行冲突求解。并给出了冲突检测的有效方法，给出了整个策略的流程和具体的实现方法。4.将基于多目标优化遗传算法的冲突消解策略应用于建筑协同设计中。设计并实现了一个建筑协同设计系统。系统以Hoops/Net作为整体架构、三维引擎ACIS为造型内核，采用SQLServer2000数据库系统，利用VC++．NET2003在WindowsXP平台上开发完成。重点介绍了如何进行冲突消解，并且给出了采用多目标优化遗传算法对建筑协同设计进行冲突消解的实例，对冲突消解的结果进行了实例展示，证明了该策略的有效性。同时所得的多个非支配解也可以使决策者对整个问题非劣解集的分布具有更加全面的了解，这有利于决策者作出更好的决策。3.期刊论文胡静.李金龙.曹先彬模拟退火算法与遗传算法结合及多目标优化求解研究-计算机应用与软件2000,17(11)多目标优化问题是目前遗传算法应用研究的一个重点.本文针对经典遗传算法在多目标优化计算中,难以获得足够的比较均匀的Pareto优集的不足,提出一种热力学遗传算法,研究热力学中熵和温度的概念,并综合利用约束交叉、适应度共享技术来进行多目标函数的优化计算.实验结果显示,这种改进型遗传算法能得到一个较好的Pareto优集.4.学位论文耿玉磊改进的多目标优化遗传算法及多目标优化软件的研制2005优化设计作为现代设计方法之一，已被广泛应用于各个领域。而大部分优化问题为多目标优化。由于多目标优化问题常由若干个相互冲突的目标构成，所以通常不能求得绝对的最优解，而只能求得一组非劣解。近些年，遗传算法已广泛应用于多目标优化非劣解的求解，但如何评价非劣解质量的好坏，还没有满意的理论。另外，目前还没有一个通用且实用的多目标优化软件，这也限制了多目标优化的应用。　　本文介绍了多目标优化和遗传算法的原理和方法，并对遗传算法进行了改进。把多准则模糊优选理论应用于并列选择遗传算法，从而得到即满足整体的最优性，又尽可能的逼近各子目标最优值的非劣解。另外，针对权系数往往难以确定的问题，用变权系数法求出非劣解组，然后进行模糊决策，从而让决策者选择客观、合理的满意解。　　本文编制了多目标优化软件，该软件包括常用的传统多目标优化方法和基于遗传算法的现代多目标优化方法。使用方便，通用性好。对于推动多目标优化的应用有积极意义。5.期刊论文杨铭.汪文娟.YANGMing.WANGWen-juanBP神经网络结合遗传算法用于丹参提取工艺的多目标优化-药学服务与研究2007,7(6)目的:使用BP神经网络结合遗传算法用于丹参提取工艺的多目标优化.方法:通过已知文献的丹参提取工艺优化实例,采用均匀设计法优化BP神经网络模型参数,并建立网络模型,再利用遗传算法对网络进行多目标寻优,获得丹参最佳提取工艺.结果:BP神经网络结合遗传算法用于丹参提取工艺的多目标优化,模型拟合度和预测性均高于文献采用的多元回归法.结论:BP神经网络结合遗传算法可用于丹参提取工艺的多目标优化.6.学位论文汪晗基于进化计算的多目标优化与决策方法研究2002该文介绍了传统多目标优化与决策的研究和国内外在进化多目标优化与决策方面的研究进展.文中分别研究了进化计算和多目标优化与决策理论,在此基础上用进化计算的方法来研究多目标优化与决策问题.文中主要研究了下面几种多目标优化算法:多性别遗传算法、向量评估算法、非劣分层算法、小组决胜算法.并将小生境共享技术推广到多目标问题,研究了小生境尺度设计,通过实验对其算法性能、收敛特性、种群的分布特性、参数选择、计算效率等方面作了具体分析,并在此基础上对算法作了一些改进.7.期刊论文胡贵强.HUGui-qiang多目标优化的遗传算法及其实现-重庆文理学院学报（自然科学版）2008,27(5)遗传算法是一种通过模拟自然进化过程搜索最优解的方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域.多目标优化问题求解已成为遗传算法的一个重要研究方向,而基于Pareto最优概念的多目标遗传算法则是当前遗传算法的研究热点.本文对遗传算法的理论基础进行分析,包括模式定理等,讨论用遗传算法来解决多目标优化问题的方法并给出其实现,介绍遗传算法的各种改进措施,并指出遗传算法的发展动向.8.学位论文朱文龙基于遗传算法的BP神经网络在多目标优化中的应用研究2009多目标优化起源于许多实际复杂系统的设计、建模和规划问题，这些系统涉及的领域包括工业制造、资本预算、网络通讯、道路规划等等。现实生活中，几乎每个重要的决策和预测都需要考虑各种制约条件，并处理若干目标的相互冲突，这就涉及多个目标的优化。因为这些目标并不是独立存在的，对其中一个目标进行优化必须以牺牲其它目标为代价，并且各目标的单位又往往不一致，这就导致很难客观地评价多目标优化求解的优劣性。传统的求解多目标优化的方法通常存在许多缺陷，如各目标加权值的分配带有较大的主观性，优化目标仅为各目标加权和，过程中各目标优化的不可操作性等。本文着重对人工智能中两个热点问题遗传算法和人工神经网络进行分析和改进，尝试对这两种方法进行融合，并将其应用到多目标优化领域。论文主要内容包括：首先，介绍遗传算法的原理，重点介绍现今经典的多目标遗传算法的优缺点，分析多目标遗传算法设计中所要解决的问题：适应度分配、多样性保持、收敛性。针对简单遗传算法应用过程中所存在的不易收敛，结果常常陷入局部最优等缺点，在改进型非劣分层遗传算法基础上提出改进的并行混合非劣分类遗传算法。多个算例测试表明，改进的算法在解的多样性和收敛性方面都有不俗表现，其性能明显优于改进型非劣分层遗传算法。其次，通过对BP神经网络的关键技术及其算法的研究，针对BP神经网络的限制与不足进行分析，提出一种改进技术。最后，将改进后的遗传算法与BP神经网络融合，提出基于遗传算法的BP神经网络融合算法。利用基于遗传算法的BP神经网络对多目标优化问题进行求解，充分发挥遗传算法的全局搜索能力和BP算法的局部搜索能力，加快收敛速度，提高收敛精度。将其应用于多目标车间作业动态调度实例中，也取得较好的效果。9.期刊论文王达.WANGDa针对多目标优化的精英保留非劣排序遗传算法-河南化工2005,22(4)遗传算法是模拟自然界生物进化过程的计算模型.作为一种有效的全局并行优化搜索工具,它具有简单、通用、鲁棒性强和适于并行分布处理的特点以及广泛的应用潜力.本文阐述了遗传算法的基本原理和方法,并着重介绍了一种改进的遗传算法--精英保留非劣排序遗传算法(NSGA-Ⅱ),并将其应用于化工中的多目标优化.10.期刊论文杨铭.余敏英.史秀峰.滕艳萍.YANGMing.YUMin-ying.SHIXiu-feng.TENGYan-pingBP神经网络结合遗传算法多目标优化秦皮提取工艺的研究-中国中药杂志2008,33(22)目的:使用BP神经网络结合遗传算法用于秦皮提取工艺的多目标优化.方法:以秦皮甲素和秦皮乙素为指标,采用均匀设计法优化BP神经网络模型参数,并建立网络模型,再利用遗传算法对网络进行多目标寻优,获得秦皮的最佳提取工艺.