ppt講稿-robotpathplanningus-資料下載頁
2025-02-24 22:51本頁面
【正文】 機器人最優(yōu)軌跡的進化算法中 [13][15][16],常常在這個情況下失敗。圖 7說明了為什么 PSO算法能夠成功。算法在這種情況下，比圖 6所描述的需要更多的種群。因為為了更加透明，采用了小的種群 (僅僅 10個微粒 )。 圖 7(a)所示為在工作空間內(nèi)隨機生成的初始種群。最小適應度函數(shù)值的種群具有最短的軌跡。 圖 7(b)所示為在探索模式下 (exploratory mode)的種群 (高值 )。粒子遍布整個工作區(qū)域，所以能夠克服局部極值。 ? 由于采用小的種群，在第39th種群中找到最優(yōu)解（圖 7(c)所示）。這條軌跡已經(jīng)是在障礙物的附近，造成適應值下降非常大 (圖8示 )。 在最優(yōu)化過程的下一步，粒子將被新的最佳位置吸引，因此適應度函數(shù)值將在兩次迭代過程中就急劇減少(如圖 7(d)所示 )。 本文提出一種新的碰撞規(guī)避算法。算法采用 PSO來最優(yōu)化 Ferguson樣條。在與其他最優(yōu)化方法比較中， PSO算法能夠克服局部最優(yōu)。算法在機器人足球的應用環(huán)境中得到驗證，比與 Visibility Graph和 Potential Field算法的比較中證明了其有效性。 演講完畢，謝謝觀看！
醫(yī)療健康相關推薦
鄂ICP備17016276號-1