此自然而然就有了结合各种智能算法的优点而形成的混合粒子群算法。在此我选择的是基于自然选择的粒子群优化算法。算法的原理借鉴遗传算法中的杂交概念，在每次迭代中，选取指定数量的粒子放入杂交池中是依据杂交概率来进行选择的，将池中的微粒任意进行两两杂交，并且产生的子代粒子的数量和原始池中的数量是样的，此时可将子代微粒替换亲代微粒。通过父代位置进行算术交叉得到子代位置其中是到之间的随机数。而且子代微粒的速度大小可由式计算得到算法步骤种群中各微粒的位置和速度的初始化取值是随机的评价每个微粒的适应度，将当前各微粒的适应度值和位置储存在各粒子的中，将所有的的适应值最优个体的适应度值和位置储存在中更新每个个体粒子的当前位置和当前速度对于每个粒子来说，将其所经历过的最好位置和该粒子的当前位置作比较，如果较好，则将该粒子的当前位置替换其所经历的最优位置通过将当前所有和的值做比较，根据比较结果来判断是否要更新放在杂交池中的粒子的数量是由杂交概率决定的，池中的微粒随机进行两两杂交并且产生与父代同样数目的子代微粒，子代的速度和位置计算公式为式，此时要使得和的值保持不变如果已经满足所设定的停止条件即开始时设置的最大迭代次数或者预设的运算精度，则停止搜索，输出运行结果，否则就返回继续进行搜索。优化后粒子群算法实现收敛效果图图改进粒子群算法适应度曲线仿真效果图图收敛曲线图最优化路径仿真图结论通过以上过程的论述，我起初用基本粒子群算法对问题进行优化，但是基本粒子群算法虽然能够进行优化，但是其优化效率低，而且运算精度也打不到要求，何况针对移动机器人路径规划这复杂的问题，其运算复杂，而且要求的结果要比较精确，所以最终我就采用了混合粒子群算法，其与基本粒子群算法没有很明显的区别，只是在迭代运算的过程中加入了些遗传算法中交叉算子的思想，再加入该思想之后，通过的编码实现对机器人路径的规划，其效果可以通过上述仿真图看出。本文利用粒子优化群算法对机器人路径进行规划，我首先是采取栅格法的到所有可行路径，最后用粒子群算法度路径进行优化最终选取条最佳路径，粒子群算法中初始参数的选择会影响粒子最终的适应度值，迭代次数的多少会影响运算的精度，栅格法选取最短路径实际上是根据权值的大小来决定的。通过粒子群优化算法与路径规划方法的结合最终完成了机器人最优路径的选取。这是本篇论文最主要的随想。致谢历经了几个月的忙碌学习，这次艰难却有意义的毕业设计将要马上结束，作为个本科生的毕业设计，由于经验的匮乏，所以不可避免存在许多考虑不周全的地方，因此，假设没有导师的循循善诱的知道和督促，以及起研究的同学们的帮助和支持，能够这么顺利的完成这个毕业设计简直是非常难的。虽然这次毕业设计做的很艰辛，但是通过辅导老师给予的参考资料和同学们给予的帮助以及自己不懈的努力，最终还是完成了。所以，此时此刻我首先要感谢我的导师江祥奎老师给予我莫大的支持和帮助。虽然他平时有很多的工作，但是在我做毕设的每个阶段江老师都会及时给予我帮助，从查阅资料到现场指导始起点和目标点以及各参数和路径表开始粒子群算法与机器人路径规划的结合实现优化算法的适应度函数的确定方式假设第个微粒的位置分量的集合为，而且定义其对应的路径为,那么以下计算式就可以得到第个粒子的适应度根据初始化种群产生的方法初始化粒子的位置和速度由式计算每个粒子的适应值根据式更新没个粒子的历史最优解由式更新种群的全局最优解由式更新每个粒子的速度，根据式调整根新后的速度由式更新每个粒子的位置，将的值加若将得到的最佳路径添加到路径表中若到达或到达栅格，且不会出现图的状况结束函数值式中，均为路径点，由式计算得出。参数的选择该篇论文中优化算法的学习因子都取，的变化趋势是随着迭代次数的增加线性减小的，计算如下式式中，截止到目前的迭代次数为，当前总的迭代次数为，，，其余参数均根据合理参数范围选择即可。粒子位置和速度更新策略粒子速度更新仍然采用标准粒子群算法中的速度更新公式，即式。微粒位置更新问题是机器人路径规划二进制粒子群算法的最重要的部分。该论文中的微粒位置的更新以式为标准，以下为本文采用的粒子位置更新策略由算法本身的特点，本篇论文中对微粒位置的更新事实上是对粒子位置向量中的个分量的更新，定义第个微粒的位置向量为，那么定义更新后的位置分量为。从到的差别就是其中的个分量的值由原始的变成了，或者是从原始的变成了。但是上述位置分量的变化也许有可能使的更新后的位置分量所映射的路径不能达到安全避障的目标。因此，在我们改变微粒的位置的维分量的值的时候，我们都要对系统进行越界检查和避障检查，看更新后的位置向量，检查其所对应的路径是否超过视野域范围或者是不是和障碍物相碰。如果即达到安全避障又没有超过视野域范围，就可以允许将添加到，不满足上述条件就不允许更新。可以假设微粒更新后的位置向量为，视野域中所走过的可行栅格均被记录在此向量中，但是此法有个缺点就是，它并没有折射出这些栅格被经过的先后顺序。如由图所示，其中位置向量为，那么机器人可能经过的的路径为或者。但是，在实际的运算当中以及算法当中，当有多条路径时，机器人最终只能选择其中的条。因此，怎样对更新后的位置向量是粒子位置更新的关键，并且对其进行越界检查和避障检查。本篇文章所使用的检查策略为提取出来位置向量中值为的栅格序号，并将提取出来的这些序号构成集合对其进行全排列，并且对中的每个序列,,进行避障检查和边界检查。通过上述定义可得到如果可以表示栅格序号为的栅格中心的连线，那么必须满足不会穿过任何障碍栅格才可以使得机器人运行的路径完全避障，即不会超过当前视野域的任何边又不会出现图所示的情形，如果至少存在个排列是满足上述要求的，那么就能够允许更新，否则不可以更新。粒子群优化算法的改进混合粒子群算法该论文中采用的粒子群优化算法是混合粒子群优化算法，混合粒子群算法是指借鉴其他些智能优化算法的思想而形成的粒子群算法。除了粒子群算法外，还有遗传算法模拟退火算法以及神经网络智能算法，这些算法是目前应用比较广泛的智能算法，每种智能算法都有其特点，因，文低电平时，该喷油器有喷油输出。系统对于电磁阀的控制如下在电磁阀刚刚开启的时候，给它提供个比较长时间的伏的电压，使得流过电磁阀的电流快速上升，使得电磁阀快速开启。在电磁阀开启的过程中，系统检测流过喷油阀的电流，当喷油阀的电流达到上限的时候，此时模式信号产生个负脉冲，喷油阀的高端控制转变为脉宽调制输出，来维持喷油阀的开通状态。在喷油结束的时候，模式信号再产生个负脉冲，使电磁阀快速关断。电控喷油系统中变换器参数对喷油器性能的影响变换器参数对喷油器性能的影响通过电容值和电感值对升压变换器输出电压性能影响的研究可知，采用升压变换器并联的方法可以满足电压恢复时间上的要求，故需进步研究升压模块输出电压指标对电控喷油器性能的影响。电感值主要影响升压变换器输出电压的恢复时间，在控制脉宽作用于喷之后，变换器的输出电压会下降到，电容值对电压从初始值至的过程中起主要作用，而电感值的作用很小。升压变换器的输出零脉器并联的方法可以满足电压恢复时间上的要求，故需要进步研究升压模块输出电压指标对电控喷油器性能的影响如图所示，在电控喷油器的控制脉宽发出电压开始急速下降，升压变换器的输出电压开始急速下降，主控脉宽结束时变换器输出电压为，此时的电压下降值设为，再经过零脉冲和保持波之后变换器输出电压降会至最低值。其中在主控脉宽内，喷油器的线圈电流迅速增大，电磁阀快速吸合衔铁，冲和保持波主要用来产生恰当的保持电流，以维持衔铁的吸合，可以降低电磁铁的驱动能耗，也可以提高衔铁的关闭响应时间。电感值主要影响升压变换器输出电压油器的过程中，变换器的输出电压会下降到，电容值对电压从初始值至的过程中起主要作用，而电感值的作用很小。图升压变压器对喷油器性能的影响升压电源在柴油机电控喷油系统中，由于高速电磁开关阀是电阻小电感大的电感性元件，电感中的电流不能突变。为了提高电磁阀的响应速度要求使用瞬时高压，将蓄电池电压升高到可调，驱动电磁阀。为此需要进行升压式变换。基本原理如下图所示脉宽调制电路图变换原理图当导通时，电流流过电感，通过电感进行储能当截止时，电感储存的能量通过二极管给负载供电，同时对电容进行充电当负载电压要下降时，电容开始放电，这样可以获得输出高于输入的稳定电压。脉宽调制控制电路脉宽调制，简称。参考电压速度调节负载图脉宽调制控制电路如上图由组成震荡电路，提供约的方波三角波。产生的参考电压作为振荡器电路的虚拟地。这是为了振荡器电路能在单电源的情况下也能工作而不需要正负双电源。这里接成比较器的形式，它的反相输入端接电阻和，用来提供比较器的参考电压。这个电压与的输出端脚的三角波电压进行比较。当该波形电压高于的脚电压，的脚输出为高电平反之。当该波形电压低于的脚电压，的脚输出为低电平。由此我们可知，改变的脚点位使其与输入三角波电压进行比较。就可以增加或减小输出方波的宽度，实现脉宽调制。电阻用于控制时可以实现输出为全开或全关，其实际的阻值可能会根据实际电路有所改变。电机转换的基础安培发现在任何次场中，矢量此自然而然就有了结合各种智能算法的优点而形成的混合粒子群算法。在此我选择的是基于自然选择的粒子群优化算法。算法的原理借鉴遗传算法中的杂交概念，在每次迭代中，选取指定数量的粒子放入杂交池中是依据杂交概率来进行选择的，将池中的微粒任意进行两两杂交，并且产生的子代粒子的数量和原始池中的数量是样的，此时可将子代微粒替换亲代微粒。通过父代位置进行算术交叉得到子代位置其中是到之间的随机数。而且子代微粒的速度大小可由式计算得到算法步骤种群中各微粒的位置和速度的初始化取值是随机的评价每个微粒的适应度，将当前各微粒的适应度值和位置储存在各粒子的中，将所有的的适应值最优个体的适应度值和位置储存在中更新每个个体粒子的当前位置和当前速度对于每个粒子来说，将其所经历过的最好位置和该粒子的当前位置作比较，如果较好，则将该粒子的当前位置替换其所经历的最优位置通过将当前所有和的值做比较，根据比较结果来判断是否要更新放在杂交池中的粒子的数量是由杂交概率决定的，池中的微粒随机进行两两杂交并且产生与父代同样数目的子代微粒，子代的速度和位置计算公式为式，此时要使得和的值保持不变如果已经满足所设定的停止条件即开始时设置的最大迭代次数或者预设的运算精度，则停止搜索，输出运行结果，否则就返回继续进行搜索。优化后粒子群算法实现收敛效果图图改进粒子群算法适应度曲线仿真效果图图收敛曲线图最优化路径仿真图结论通过以上过程的论述，我起初用基本粒子群算法对问题进行优化，但是基本粒子群算法虽然能够进行优化，但是其优化效率低，而且运算精度也打不到要求，何况针对移动机器人路径规划这复杂的问题，其运算复杂，而且要求的结果要比较精确，所以最终我就采用了混合粒子群算法，其与基本粒子群算法没有很明显的区别，只是在迭代运算的过程中加入了些遗传算法中交叉算子的思想，再加入该思想之后，通过的编码实现对机器人路径的规划，其效果可以通过上述仿真图看出。本文利用粒子优化群算法对机器人路径进行规划，我首先是采取栅格法的到所有可行路径，最后用粒子群算法度路径进行优化最终选取条最佳路径，粒子群算法中初始参数的选择会影响粒子最终的适应度值，迭代次数的多少会影响运算的精度，栅格法选取最短路径实际上是根据权值的大小来决定的。通过粒子群优化算法与路径规划方法的结合最终完成了机器人最优路径的选取。这是本篇论文最主要的随想。致谢历经了几个月的忙碌学习，这次艰难却有意义的毕业设计将要马上结束，作为个本科生的毕业设计，由于经验的匮乏，所以不可避免存在许多考虑不周全的地方，因此，假设没有导师的循循善诱的知道和督促，以及起研究的同学们的帮助和支持，能够这么顺利的完成这个毕业设计简直是非常难的。虽然这次毕业设计做的很艰辛，但是通过辅导老师给予的参考资料和同学们给予的帮助以及自己不懈的努力，最终还是完成了。所以，此时此刻我首先要感谢我的导师江祥奎老师给予我莫大的支持和帮助。虽然他平时有很多的工作，但是在我做毕设的每个阶段江老师都会及时给予我帮助，从查阅资料到现场指导