| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 引言 | 第14-34页 |
| 1.1 移动机器人概述 | 第14-17页 |
| 1.1.1 移动机器人的发展历程 | 第14-15页 |
| 1.1.2 移动机器人的定义及分类 | 第15-16页 |
| 1.1.3 移动机器人技术的展望 | 第16-17页 |
| 1.2 移动机器人路径规划简介 | 第17-27页 |
| 1.2.1 路径规划概述 | 第17-18页 |
| 1.2.2 移动机器人路径规划方法概述 | 第18-20页 |
| 1.2.3 移动机器人路径规划技术的发展趋势 | 第20-27页 |
| 1.3 蚁群算法的研究现状及发展趋势 | 第27-32页 |
| 1.3.1 蚁群算法的研究现状 | 第27-30页 |
| 1.3.2 蚁群算法的发展趋势 | 第30-32页 |
| 1.4 本文的主要研究工作及论文的结构安排 | 第32-34页 |
| 1.4.1 本文的主要研究工作 | 第32页 |
| 1.4.2 论文的结构安排 | 第32-34页 |
| 第2章 机器人路径规划的环境建模 | 第34-44页 |
| 2.1 环境建模概述 | 第34页 |
| 2.2 环境建模方法 | 第34-37页 |
| 2.2.1 栅格法 | 第34-36页 |
| 2.2.2 几何法 | 第36-37页 |
| 2.2.3 拓扑法 | 第37页 |
| 2.3 栅格法建模 | 第37-42页 |
| 2.3.1 二维环境的建模 | 第37-41页 |
| 2.3.2 三维环境的建模 | 第41-42页 |
| 2.4 本章小结 | 第42-44页 |
| 第3章 基本蚁群算法 | 第44-60页 |
| 3.1 基本蚁群算法的原理 | 第44-45页 |
| 3.2 基本蚁群算法的数学模型 | 第45-48页 |
| 3.2.1 TSP描述 | 第45-46页 |
| 3.2.2 基本蚁群算法的数学模型 | 第46-48页 |
| 3.3 基本蚁群算法的具体实现 | 第48-49页 |
| 3.3.1 基本蚁群算法的实现步骤 | 第48页 |
| 3.3.2 基本蚁群算法的程序流程 | 第48-49页 |
| 3.4 基本蚁群算法的参数选择原则及实验分析 | 第49-57页 |
| 3.4.1 算法模型对蚁群算法性能的影响及实验分析 | 第50页 |
| 3.4.2 蚂蚁数目对蚁群算法性能的影响及实验分析 | 第50-52页 |
| 3.4.3 信息素强度对蚁群算法性能的影响及实验分析 | 第52-53页 |
| 3.4.4 信息素残留因子对蚁群算法性能的影响及实验分析 | 第53-54页 |
| 3.4.5 启发式因子和期望启发式因子对蚁群算法性能的影响及实验分析 | 第54-57页 |
| 3.5 基于蚁群算法的移动机器人路径规划 | 第57-59页 |
| 3.5.1 算法描述 | 第57页 |
| 3.5.2 算法的实现 | 第57页 |
| 3.5.3 基于基本蚁群算法的路径规划中存在的问题及改进思路 | 第57-59页 |
| 3.6 本章小结 | 第59-60页 |
| 第4章 模糊自适应窗口蚁群优化算法 | 第60-92页 |
| 4.1 算法改进的总体描述 | 第60页 |
| 4.2 模糊自适应窗口蚁群优化算法的设计 | 第60-70页 |
| 4.2.1 参数自适应模糊控制器的设计 | 第61-65页 |
| 4.2.2 动态搜索窗口的设计 | 第65-66页 |
| 4.2.3 初始信息素的合理分布 | 第66-67页 |
| 4.2.4 节点活跃度的概念 | 第67-68页 |
| 4.2.5 全局信息素更新 | 第68-69页 |
| 4.2.6 新的评价函数 | 第69-70页 |
| 4.3 模糊自适应窗口蚁群优化算法的算法流程 | 第70-71页 |
| 4.4 仿真实验及结果分析 | 第71-90页 |
| 4.4.1 基于FWACO的路径规划算法设计 | 第72-77页 |
| 4.4.2 二维栅格环境下基于FWACO的机器人路径规划仿真研究 | 第77-86页 |
| 4.4.3 三维栅格环境下基于FWACO的机器人路径规划仿真研究 | 第86-90页 |
| 4.4.4 仿真结果分析 | 第90页 |
| 4.5 本章小结 | 第90-92页 |
| 第5章 差分进化混沌蚁群优化算法 | 第92-112页 |
| 5.1 算法改进的总体描述 | 第92-93页 |
| 5.2 差分进化算法 | 第93-96页 |
| 5.2.1 差分进化算法简介 | 第93-94页 |
| 5.2.2 差分进化算法的具体过程 | 第94-96页 |
| 5.2.3 差分进化算法流程 | 第96页 |
| 5.3 DECACO算法的设计 | 第96-98页 |
| 5.3.1 信息素更新策略 | 第96-97页 |
| 5.3.2 具有差分进化特性的信息素更新 | 第97-98页 |
| 5.3.3 混沌扰动 | 第98页 |
| 5.3.4 新的评价函数 | 第98页 |
| 5.4 DECACO的算法流程 | 第98-99页 |
| 5.5 仿真实验及结果分析 | 第99-111页 |
| 5.5.1 二维环境下基于DECACO的机器人路径规划仿真研究 | 第99-107页 |
| 5.5.2 三维环境下基于DECACO的机器人路径规划仿真研究 | 第107-110页 |
| 5.5.3 仿真结果分析 | 第110-111页 |
| 5.6 本章小结 | 第111-112页 |
| 第6章 双向并行搜索蚁群优化算法 | 第112-126页 |
| 6.1 引言 | 第112页 |
| 6.2 双向并行搜索蚁群优化算法的设计 | 第112-119页 |
| 6.2.1 基于障碍物顶点编码的栅格法 | 第112-113页 |
| 6.2.2 初始信息素的合理分布 | 第113-114页 |
| 6.2.3 蚂蚁双向并行搜索 | 第114-115页 |
| 6.2.4 蚂蚁相遇判别策略 | 第115-117页 |
| 6.2.5 路径选择新策略 | 第117-118页 |
| 6.2.6 提高全局搜索能力 | 第118-119页 |
| 6.3 双向并行搜索蚁群优化算法的实现 | 第119-120页 |
| 6.4 仿真实验及结果分析 | 第120-125页 |
| 6.4.1 仿真环境和仿真参数 | 第120-121页 |
| 6.4.2 全局已知静态环境下的仿真研究 | 第121-125页 |
| 6.5 本章小结 | 第125-126页 |
| 第7章 总结与展望 | 第126-128页 |
| 7.1 工作总结 | 第126-127页 |
| 7.2 前景展望 | 第127-128页 |
| 参考文献 | 第128-138页 |
| 致谢 | 第138-139页 |
| 作者攻读博士学位期间完成的论文 | 第139-140页 |
| 作者攻读博士学位期间参加的科研项目 | 第140页 |
