| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题的背景和意义 | 第11页 |
| 1.2 移动机器人国内外研究现状 | 第11-14页 |
| 1.2.1 轮式/履带式移动机器人 | 第12-13页 |
| 1.2.2 移动机器人路径规划技术 | 第13-14页 |
| 1.3 移动机器人主要研究方向 | 第14-15页 |
| 1.4 移动机器人路径规划方法 | 第15页 |
| 1.5 论文主要内容和结构安排 | 第15-17页 |
| 第2章 移动机器人路径规划技术 | 第17-33页 |
| 2.1 基于环境模型的移动机器人路径规划 | 第17页 |
| 2.2 环境建模方法 | 第17-23页 |
| 2.2.1 基于栅格法的环境表达方法 | 第18-23页 |
| 2.3 基于环境模型的路径规划算法 | 第23-31页 |
| 2.3.1 Dijkstra算法和A~*算法 | 第23-24页 |
| 2.3.2 生物地理学优化算法 | 第24-25页 |
| 2.3.3 蚁群算法 | 第25-26页 |
| 2.3.4 粒子群算法 | 第26-27页 |
| 2.3.5 人工蜂群算法 | 第27-30页 |
| 2.3.6 人工鱼群算法 | 第30-31页 |
| 2.4 机器人路径规划中存在的问题 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于蚁群算法的路径规划 | 第33-53页 |
| 3.1 基本蚁群算法的数学模型 | 第34-35页 |
| 3.2 基本蚁群算法具体实现 | 第35-38页 |
| 3.2.1 基本蚁群算法的实现步骤 | 第35-36页 |
| 3.2.2 基本蚁群算法的程序结构流程 | 第36-37页 |
| 3.2.3 基本蚁群算法的软件实现 | 第37-38页 |
| 3.3 算法参数对路径规划的影响 | 第38-43页 |
| 3.3.1 挥发系数对路径规划性能的影响 | 第38-39页 |
| 3.3.2 蚂蚁数目对路径规划性能的影响 | 第39-40页 |
| 3.3.3 信息素启发式因子对路径规划性能的影响 | 第40-41页 |
| 3.3.4 期望启发式因子对路径规划性能的影响 | 第41-42页 |
| 3.3.5 信息素强度对路径规划性能的影响 | 第42-43页 |
| 3.4 蚁群算法的参数取值方法 | 第43-44页 |
| 3.5 改进的蚁群算法 | 第44-52页 |
| 3.5.1 信息素限制策略 | 第44-46页 |
| 3.5.2 精英蚂蚁策略 | 第46-47页 |
| 3.5.3 动态参数调整 | 第47-49页 |
| 3.5.4 局部路径检测优化 | 第49-50页 |
| 3.5.5 双向搜索机制 | 第50-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第4章 基于生物地理学优化算法的路径规划 | 第53-67页 |
| 4.1 生物地理学优化算法(BBO)的起源 | 第53页 |
| 4.2 数学描述 | 第53-57页 |
| 4.2.1 适应度指数变量SIV与机器人路径的关系 | 第56页 |
| 4.2.2 生物地理优化算法的迁移操作 | 第56-57页 |
| 4.2.3 生物地理学优化算法的变异操作 | 第57页 |
| 4.3 算法流程 | 第57页 |
| 4.4 算法参数对路径规划的影响 | 第57-60页 |
| 4.4.1 岛屿数对路径规划的影响 | 第58-59页 |
| 4.4.2 最大变异率对路径规划的影响 | 第59-60页 |
| 4.5 改进的生物地理学优化算法 | 第60-65页 |
| 4.5.1 精英策略 | 第60-62页 |
| 4.5.2 降维机制 | 第62-63页 |
| 4.5.3 基于惯性算子的迁移操作 | 第63-65页 |
| 4.6 本章小结 | 第65-67页 |
| 第5章 算法仿真与性能指标评价 | 第67-79页 |
| 5.1 实验环境与算法设定 | 第67-70页 |
| 5.2 路径规划效果的客观评价 | 第70-75页 |
| 5.2.1 稳定性分析 | 第71-72页 |
| 5.2.2 误差率分析 | 第72-73页 |
| 5.2.3 规划时间分析 | 第73-74页 |
| 5.2.4 鲁棒性分析 | 第74-75页 |
| 5.3 综合评价准则 | 第75-77页 |
| 5.4 本章小结 | 第77-79页 |
| 结论 | 第79-81页 |
| 参考文献 | 第81-89页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第89-91页 |
| 致谢 | 第91页 |