| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外机器人研究现状 | 第9-13页 |
| 1.2.1 国外机器人研究现状 | 第9-11页 |
| 1.2.2 国内机器人研究现状 | 第11-13页 |
| 1.3 本论文的主要内容及安排 | 第13-14页 |
| 第二章 机器人路径规划算法概述 | 第14-20页 |
| 2.1 概述 | 第14页 |
| 2.2 人工势场算法 | 第14-15页 |
| 2.3 遗传算法 | 第15-17页 |
| 2.4 粒子群算法 | 第17页 |
| 2.5 其他智能算法 | 第17-18页 |
| 2.6 本章小结 | 第18-20页 |
| 第三章 路径识别及蚁群算法 | 第20-41页 |
| 3.1 图像识别算法 | 第20-30页 |
| 3.1.1 前期处理 | 第20-27页 |
| 3.1.2 图像分割和特征提取 | 第27-30页 |
| 3.1.3 图像匹配 | 第30页 |
| 3.2 图像识别算法在路径识别中的应用 | 第30-32页 |
| 3.3 蚁群算法的基本原理 | 第32-36页 |
| 3.4 蚁群算法的参数分析 | 第36-38页 |
| 3.4.1 蚂蚁数量对算法性能的影响 | 第36-37页 |
| 3.4.2 信息素浓度启发因子和能见度启发因子对蚁群算法性能的影响 .303.4.3 总信息素浓度对蚁群算法搜索性能的影响 | 第37页 |
| 3.4.3 总信息素浓度对蚁群算法搜索性能的影响 | 第37页 |
| 3.4.4 信息素浓度残留系数?对蚁群算法性能的影响 | 第37-38页 |
| 3.5 蚁群算法的收敛性分析 | 第38页 |
| 3.6 蚁群算法的全局最优问题分析 | 第38-39页 |
| 3.7 一些改进的蚁群算法 | 第39-40页 |
| 3.8 本章总结 | 第40-41页 |
| 第四章 多步长蚁群算法的研究 | 第41-57页 |
| 4.1 栅格建模及路径规划 | 第41-44页 |
| 4.1.1 栅格建模 | 第41-42页 |
| 4.1.2 路径识别 | 第42-44页 |
| 4.2 多步长蚁群算法 | 第44-51页 |
| 4.2.1 多步长 | 第45页 |
| 4.2.2 直线引导搜索策略 | 第45-49页 |
| 4.2.3 搜索策略 | 第49-50页 |
| 4.2.4 多步长蚁群算法启发信息的组成 | 第50页 |
| 4.2.5 多步长蚁群算法的信息素更新 | 第50-51页 |
| 4.2.6 多步长蚁群算法的最优路径选择 | 第51页 |
| 4.3 多步长蚁群算法的算法步骤及仿真 | 第51-55页 |
| 4.3.1 算法实现步骤 | 第51-52页 |
| 4.3.2 算法仿真及结果分析 | 第52-55页 |
| 4.4 多步长蚁群算法的最优路径的选择分析 | 第55页 |
| 4.5 多步长蚁群算法的收敛性分析 | 第55-56页 |
| 4.6 本章总结 | 第56-57页 |
| 第五章 总结与展望 | 第57-60页 |
| 5.1 本文总结 | 第57-58页 |
| 5.2 工作展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 攻读学位期间研究成果 | 第64页 |