02遗传算法及其在路径规划中的应用-PPT-李擎.ppt

遗传算法及其在路径规划中的应用;参考书目：; 20世纪60年代，美、德等国家的一些科学家开始模仿生物和人类进化的方法来求解复杂优化问题，从而形成了模拟进化优化方法（Optimization Method by Simulated Evolution），其代表性方法有遗传算法（GA：Genetic Algorithms）、进化规划（EP：Evolutionary Programming）、进化策略（ES：Evolutionary Strategies）。本讲将主要对GA进行详细介绍。;1.1 遗传算法的基本概念;1.1.3 遗传算法应用引例;（3）适应度函数值的计算;（4）复制;（5）交叉;（6）变异;1.2 遗传算法的基本步骤;1.2.2 遗传算法的具体实现;（2）初始种群的产生; 适应度转换首先要保证适应度值是非负的，其次要求目标函数的优化方向应与适应度值增大的方向一致。设实际优化问题的目标函数为J(x)，遗传算法的适应度函数为f(x)，则有：; ③对于最大化问题（如需要），一般采用如下转换形式：;（4）复制（选择）（Reproduction or Selection）;（5）交叉（Crossover）;②两点交叉（Two-Point Crossover）;④算数交叉（Arithmetic Crossover）;（6）变异（Mutation）;（7）收敛判据;（8）约束条件的处理;1.3 遗传算法的特点; 随机法能够克服上述两种方法的缺陷，它在搜索空间中随机地漫游并记录下所找到的最优结果，当搜索到一定程度后便终止。当然，它所找到的结果往往也不是最优解。实际上，随机法也是枚举法中的一种。; 遗传算法是基于自然选择和基因遗传学原理的搜索方法，它将“优胜劣汰、适者生存”的生物进化原理引入到由待优化参数形成的编码串种群中，按照一定的适应度函数及一系列遗传操作对各个个体进行筛选，使适应度值较高的个体被保留下来，从而组成新的种群，新种群中包含了上一代的大量信息，并且引入了新的优于上一代的个体。如此周而复始，种群中各个体的适应度不断提高，直至满足一定的收敛条件。最后，以种群中适应度值最高的个体作为待优化参数的最优解。; 与常规优化方法相比，遗传算法的鲁棒性较好，其主要特点在于：; ⑦遗传算法所具有的隐含并行性的特点，使其可以通过大规模并行搜索来提高计算速度；;2 遗传算法的应用实例——车载导航系统路径规划算法的设计;1.50;2.2 遗传算法的具体应用;（2）初始路径的产生;（3）适应度函数的确定; 不能象传统遗传算法那样随机进行一点、两点或多点交叉操作，因为这样很容易产生断路或环路。; 下面将结合仿真地图举例说明交叉操作是如何实现的。;图1.8 交叉操作示意图;（6）变异操作; 现结合仿真地图举例说明变异操作的具体实现方法。;P;（7）删除操作;P;（8）仿真结果;②基于距离最短原则的优化结果;③基于时间最短原则的优化结果;;3 遗传算法的应用实例——移动机器人路径规划算法的设计;图1.11 移动机器人静态仿真环境;图1.12 移动机器人动态仿真环境;(2) Qing Li, Xinhai Tong, Sijiang Xie, Yingchun Zhang. Optimum Path Planning for Mobile Robots Based on a Hybrid Genetic Algorithm. Proceedings of the Sixth International Conference on Hybrid Intelligent Systems and Fourth Conference on Neuro-Computing and Evolving Intelligence (HIS2006—NCEI’06), Auckland, Dec. 2006（被EI收录，Accession Number: 081111141714） ;(5) 李擎、张超、徐银梅、尹怡欣．基于专用遗传算法和改进粒子群算法的移动机器人路径规划．Proceedings of the 31st Chinese Control Conference (CCC 2012), Hefei, July, 2012: 7204~7209 ;(2) Tang Yong, Li Qing, Wang Lijun, Zhang Chao, Yin Yixin. An improved PSO for path planning of mobile robots and its parameters discussion. Proce