基于AFSA-GA算法融合的机器人路径规划研究
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-13页 |
| 1.1 课题研究目的与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 路径规划研究的发展趋势 | 第10-11页 |
| 1.4 研究内容与研究方法 | 第11-12页 |
| 1.4.1 研究内容 | 第11-12页 |
| 1.4.2 技术路线 | 第12页 |
| 1.5 本章小结 | 第12-13页 |
| 2 移动机器人的路径规划 | 第13-21页 |
| 2.1 移动机器人路径规划问题描述 | 第13-15页 |
| 2.2 传统路径规划方法 | 第15-17页 |
| 2.3 智能路径规划算法 | 第17-20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 基于遗传算法的机器人路径规划研究 | 第21-36页 |
| 3.1 基本遗传算法 | 第21-23页 |
| 3.1.1 遗传算法的特点 | 第21-22页 |
| 3.1.2 遗传算法的基本思想 | 第22页 |
| 3.1.3 遗传算法的基本流程 | 第22-23页 |
| 3.2 基于遗传算法的机器人路径规划的设计 | 第23-33页 |
| 3.2.1 环境模型的建立 | 第23-25页 |
| 3.2.2 路径的编码 | 第25-26页 |
| 3.2.3 改进的初始种群 | 第26-29页 |
| 3.2.4 适应度函数 | 第29页 |
| 3.2.5 遗传操作的设计 | 第29-32页 |
| 3.2.6 终止条件的设定 | 第32-33页 |
| 3.3 路径规划验证 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 基于人工鱼群算法的机器人路径规划的研究 | 第36-48页 |
| 4.1 人工鱼群算法 | 第36-38页 |
| 4.1.1 人工鱼群算法的概述 | 第36页 |
| 4.1.2 人工鱼群算法的行为描述 | 第36页 |
| 4.1.3 人工鱼群算法的基本流程 | 第36-37页 |
| 4.1.4 人工鱼群算法的相关参数 | 第37-38页 |
| 4.2 基于人工鱼群算法的机器人路径规划设计 | 第38-45页 |
| 4.2.1 环境建模 | 第38-40页 |
| 4.2.2 算法的基本思想与策略 | 第40-43页 |
| 4.2.3 算法的步骤 | 第43-45页 |
| 4.3 路径规划验证 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 5 基于AFSA-GA的机器人路径规划研究 | 第48-59页 |
| 5.1 引言 | 第48-49页 |
| 5.2 基于人工鱼群遗传算法的机器人路径规划 | 第49-53页 |
| 5.2.1 采用人工鱼群算法生成初始种群 | 第49-51页 |
| 5.2.2 采用遗传算法来求解最优路径 | 第51-52页 |
| 5.2.3 人工鱼群遗传算法流程图 | 第52-53页 |
| 5.3 路径规划验证 | 第53-58页 |
| 5.4 本章小结 | 第58-59页 |
| 6 结论与展望 | 第59-61页 |
| 6.1 结论 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间发表论文 | 第65-66页 |
