近年來(lái),隨著網(wǎng)購(gòu)行業(yè)的迅猛發(fā)展以及智慧物流的應(yīng)用,移動(dòng)機(jī)器人行業(yè)隨之發(fā)展。據(jù)不完全統(tǒng)計(jì),截至2018年國(guó)內(nèi)生產(chǎn)移動(dòng)機(jī)器人的企業(yè)超過(guò)120萬(wàn)家。機(jī)器人在各個(gè)鄰域的廣泛應(yīng)用,機(jī)器人的路徑規(guī)劃問(wèn)題也成為國(guó)內(nèi)外學(xué)者關(guān)注的熱點(diǎn)。在如今的互聯(lián)網(wǎng)大環(huán)境下,機(jī)器智能、群體智能等相互輔助,形成了多方融合的群智空間。目前,基于群體智能的機(jī)器人路徑規(guī)劃問(wèn)題仍然存在著受環(huán)境模型及準(zhǔn)確度影響較大、規(guī)避障礙物等難題。人工蜂群算法是近些年群體智能領(lǐng)域發(fā)展起來(lái)的模仿蜜蜂采蜜行為的一種優(yōu)化算法,一是操作簡(jiǎn)單、易于實(shí)現(xiàn),二是控制參數(shù)少,三是有良好的搜索特性,人工蜂群算法在實(shí)際應(yīng)用中展示了其高效性和實(shí)用性。本文首先研究了人工蜂群算法在國(guó)內(nèi)外的發(fā)展現(xiàn)狀,分析了人工蜂群算法的思想和原理,總結(jié)了不足及可能發(fā)展的方向;其次,結(jié)合聚類(lèi)算法思想及在鄰域搜索時(shí)的動(dòng)態(tài)步長(zhǎng),本文提出了基于K-MEANS算法和鄰域動(dòng)態(tài)搜索的改進(jìn)人工蜂群算法（KD-ABC）,并通過(guò)實(shí)驗(yàn)仿真驗(yàn)證了 KD-ABC算法的有效性;最后將改進(jìn)的人工蜂群算法KD-ABC應(yīng)用到機(jī)器人路徑規(guī)劃研究中,通過(guò)對(duì)物理空間進(jìn)行環(huán)境建模,本文利用KD-ABC算法規(guī)劃出最優(yōu)路徑,一定程度... 

【文章來(lái)源】：中央民族大學(xué)北京市 211工程院校 985工程院校

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－丨蜜蜂采蜜行為示意圖??圖（２－１）中，蜂箱中的搖擺舞區(qū)是蜜蜂進(jìn)行信息分享的重要場(chǎng)地，引領(lǐng)蜂在此通過(guò)搖擺??舞分享蜜源等信息，其中搖擺舞的時(shí)間長(zhǎng)短代表了蜜源的收益率大小

蜜源。??／■?＂??????．?廣?￣ｒ１ｒ，ｒ＇ｒ?＇?－?－?＼?－－－－－－－Ｔ－－?ｎ－ｒ?－?＇－－－）??飯?jiān)�？ｆｔｗｅｇ�?未＿傭的黯??Ｖ???，，，?．?，?．，?Ｖ?Ｖ?，?，?｜．．．．．．．?Ｊ?Ｖ??乂：．二…Ｊｒｒ?）??Ｋ?ｍｉｍｍ?ｙ??ｒ７＝?－?＾?＾??鐘勿源招題蜂放隸飾源??Ｖ?■＞??？??Ｋ?行為模座?＾??圖２－２蜂群群體智慧的最小搜索模型??圖（２－２）是蜂群群體智慧的抽象出來(lái)的搜索模型，主要有組成要素和行為模型兩大類(lèi)。??其中組成要素包含三種：食物源、被雇傭的蜜蜂和未被雇傭的蜜蜂，行為模型有兩種：為??食物源招募蜜蜂、放棄食物源。??初始時(shí)刻，種群由引領(lǐng)蜂和跟隨蜂組成，數(shù)量相同，均占蜂群數(shù)量的一半。其中，引??領(lǐng)蜂的數(shù)量與蜜源數(shù)量相同。公式（２－１）是初始化蜜源位置。??？＝ｏ＿（ｄｎ）?（２？”??式中ｒ是區(qū)間［０，?１］上的隨機(jī)數(shù)，ｘ：Ｔ和；ｃＴ１是區(qū)域空間內(nèi)第ｄ維上的下邊界和上邊界。??引領(lǐng)蜂飛出蜂巢，在對(duì)應(yīng)食物源周?chē)M(jìn)行鄰域搜索，搜索前后比較食物源的適應(yīng)度值，??利用貪婪算法選擇較優(yōu)的一個(gè)；回到蜂巢后，引領(lǐng)蜂將蜜源信息傳遞給跟隨蜂，跟隨蜂根??據(jù)引領(lǐng)蜂的蜜源信息，選擇優(yōu)秀的蜜源進(jìn)行跟隨。??跟隨蜂選擇哪個(gè)引領(lǐng)蜂進(jìn)行跟隨與引領(lǐng)蜂所對(duì)應(yīng)的蜜源量相關(guān)，即選擇跟隨的概率與??蜜源的適應(yīng)度值成正比。蜜源越豐富，跟隨蜂選擇跟隨的概率越大。隨后跟隨蜂在此在蜜??源附近進(jìn)行再次進(jìn)行鄰域搜索和貪婪選擇。??設(shè)力／批，是優(yōu)化問(wèn)題的目標(biāo)函數(shù)，若優(yōu)化

３、ｗｈｉｌｅ（ｃｙｃｌｅ?＜?Ｍａｘｉｍｕｍ）！??３．１?ｎ?Ｅｍｐｌｏｙｅｄ?Ｂｅｅｓ?Ｐｈａｓｅ；??／／引領(lǐng)蜂（Ｅｍｐｌｏｙｅｄ?Ｂｅｅｓ）出發(fā)去蜜源，計(jì)算現(xiàn)存蜜源的濃度值??３．２＾?Ｏｎｌｏｏｋｅｒ?Ｂｅｅｓ?Ｐｈａｓｅ；??／／跟隨者（Ｏｎｌｏｏｋｅｒ?Ｂｅｅｓ）貪婪算法選擇蜜源，鄰域搜索??３．３、Ｓｃｏｕｔ?Ｂｅｅｓ?Ｐｈａｓｅ；??／／拋棄某些蜜源，偵查蜂（Ｓｃｏｕｔ?ｂｅｅｓ）出發(fā)，鄰域搜索，尋找可能的新蜜源??３．４、Ｍｅｍｏｒｉｚｅ?ｔｈｅ?ｂｅｓｔ?ｓｏｌｕｔｉｏｎ；??／／記錄最優(yōu)蜜源??｝??４、輸出最優(yōu)解。??Ｃ＾）????Ｉ????初始化參數(shù)及蜜源位罝??引領(lǐng)蝰階段￣￣１＾???跟隨蝰階段Ｉ?Ｎ??一?＋?乂??偵查蝰階段??記錄最優(yōu)解??ｔ?＇??Ｙ???Ｘ???輸出最優(yōu)解??（結(jié)束）??圖２－３原始人工蜂群算法流程圖??第二節(jié)聚類(lèi)算法??聚類(lèi)算法［４３］又稱為群分析方法，是一種數(shù)據(jù)挖掘鄰域的統(tǒng)計(jì)分析方法，主要針對(duì)于分??９??


本文編號(hào)：2917924