| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 研究课题的背景及意义 | 第9页 |
| 1.2 国内外移动机器人发展概况 | 第9-11页 |
| 1.3 移动机器人路径规划介绍 | 第11-15页 |
| 1.3.1 移动机器人路径规划分类 | 第12页 |
| 1.3.2 移动机器人路径规划典型方法介绍 | 第12-15页 |
| 1.3.3 移动机器人路径规划发展趋势 | 第15页 |
| 1.4 环境创建类型 | 第15-18页 |
| 1.5 遗传算法在路径规划中的研究进展 | 第18-19页 |
| 1.6 主要研究内容 | 第19-21页 |
| 第2章 遗传算法的分析与基于案例推理理论 | 第21-36页 |
| 2.1 遗传算法的描述 | 第21页 |
| 2.2 遗传算法的基本原理 | 第21-29页 |
| 2.2.1 遗传算法的基本步骤 | 第21-22页 |
| 2.2.2 个体编码 | 第22-23页 |
| 2.2.3 初始种群设定 | 第23页 |
| 2.2.4 适应值函数 | 第23-24页 |
| 2.2.5 选择算子 | 第24-26页 |
| 2.2.6 交叉算子 | 第26-27页 |
| 2.2.7 变异算子 | 第27-29页 |
| 2.2.8 终止条件 | 第29页 |
| 2.3 基于案例推理基本理论 | 第29-35页 |
| 2.3.1 概述 | 第29-30页 |
| 2.3.2 案例的表示和索引 | 第30-31页 |
| 2.3.3 案例的检索 | 第31-32页 |
| 2.3.4 相似性计算 | 第32-33页 |
| 2.3.5 案例的复用和修正 | 第33页 |
| 2.3.6 案例的存储 | 第33-34页 |
| 2.3.7 案例的学习和维护 | 第34-35页 |
| 2.3.8 两种算法的融合 | 第35页 |
| 2.4 本章小结 | 第35-36页 |
| 第3章 遗传算法的优化设计 | 第36-45页 |
| 3.1 环境的设定 | 第36-37页 |
| 3.2 遗传算法的设定 | 第37-41页 |
| 3.2.1 个体的编码 | 第37页 |
| 3.2.2 群体的设定 | 第37-38页 |
| 3.2.3 适应值函数的设定 | 第38页 |
| 3.2.4 选择算子 | 第38-40页 |
| 3.2.5 交叉算子 | 第40页 |
| 3.2.6 变异算子 | 第40-41页 |
| 3.3 所得个体的再优化 | 第41-42页 |
| 3.4 基于案例推理的设定 | 第42-44页 |
| 3.4.1 案例的表示 | 第42页 |
| 3.4.2 案例的索引与检索 | 第42-44页 |
| 3.4.3 案例库的修正与维护 | 第44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于遗传算法的移动机器人路径规划仿真结果分析 | 第45-57页 |
| 4.1 简单的静态环境中的仿真研究 | 第45-47页 |
| 4.2 复杂的静态环境中的仿真研究 | 第47-51页 |
| 4.3 动态环境中的仿真研究 | 第51-55页 |
| 4.4 融合算法与 CBR 算法的关系 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64页 |