路径规划神经网络 python 路径规划常用算法

转载

flyingsmiling 2024-01-12 12:04:39

文章标签 路径规划神经网络 python 算法路径规划搜索模拟退火算法 文章分类 神经网络人工智能

路径规划算法

传统路径规划算法

模拟退火算法
人工势场算法
模糊逻辑算法
禁忌搜索算法

智能仿真算法

蚁群算法
遗传算法
人工神经网络
粒子群算法

总结

传统路径规划算法

传统路径规划算法有：人工势场算法、模拟退火算法、禁忌搜索算法、模糊逻辑算法等。

模拟退火算法

模拟退火算法(Simulated Annealing，简称SA）诞生之初是用于求解复杂系统的能量分布问题lS。美国 IBM 公司物理学家S.Kirkpatrick、C.D.Gelatt和M.P.Vecchi于 1983年发觉复杂系统的能量分布函数和一些组合最优化问题（如著名的旅行商问题TSP)的成本函数相当类似，即寻求最低成本就是寻求最低能量，从而把模拟退火算法的应用范围推广到解决组合最优化问题的领域。其原理是在路径规划的过程中，以一种持续变化但最后趋于零的概率在当前解的邻域范围内随机查找所设定的目标函数可能的全局最优化解,从而达到全局寻优的目的。模拟退火算法通用性强，常被用于解决相对比较复杂的非线性优化问题，但是算法性能受初始值及参数设定的影响大。

人工势场算法

人工势场算法(Artificial Potential Field）由Oussama Khatib于1986年发表的关于移动机器人实时避障的文章中提出。其基本思想是:将路径规划中的环境模型比拟为引力场加斥力场混合存在的人造势场,位于人造势场内的目标点对机器人起到吸引效果，周围障碍物对机器人起到排斥效果，机器人在两者的综合影响下进行路径规划,因此如何设计人造势场是影响算法性能的决定因素所在。人工势场算法常出现于处理机器人的动态避障问题,以及行驶轨迹的平滑控制问题，但是由于缺乏全局环境信息，只适合应用于解决局部空间的避障问题，路径规划的最后结果也存在陷入局部最优的风险。

模糊逻辑算法

模糊逻辑算法是在模糊控制理论的基础上产生、发展而来的优化算法。应用模糊逻辑算法解决路径规划问题的原理是将源于生理学中生物机体内在反应机制的“感知—-—动作—–行为”与模糊控制先天所带有的强鲁棒性相融合，设计一个描述对象输入输出动态行为的模糊控制器，根据对传感器感知、获取的信息的分析，预测机器人未来的输出即下一步控制移动方向，从而达到路径规划的效果。模糊逻辑算法操作简单，路径规划时无需构建精确、系统的数学模型，而且鲁棒性强，有很好的容错能力，但是实际应用中算法存在着“对称无法确定”的现象。

禁忌搜索算法

禁忌搜索算法（Tabu Search，简称TS)由Glover教授于1986年率先提出。利用禁忌搜索算法进行路径规划时，搜索过程中会记录已经经过的局部最优点，再次搜索时可以有选择地对这些记录点进行规避，路径规划结果陷入局部最优的可能性降低。但是如果算法搜索初期记录的局部最优点效果差，则会影响最终的路径规划结果。

智能仿真算法

随着智能控制技术的发展，以及人类对自然界了解的逐渐加深，融合仿生学研究成果而提出的智能仿生算法在解决路径规划等组合优化问题时效果显著。常见的智能仿生算法有:蚁群算法、遗传算法、人工神经网络算法、粒子群算法等。

蚁群算法

蚁群算法(Ant Colony Optimization，简称ACO)由意大利学者Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁的觅食活动。蚂蚁所释放的随时间推移浓度逐渐降低的信息素是蚁群算法路径规划的基础,这样导致较短路径上残留的信息素浓度要高于其他路径，蚂蚁由于信息素的刺激、引导作用，选择残留信息素浓度高的较短路径的概率将远远大于其他路径。最终，在信息素的正反馈刺激下，整个蚂蚁群落将集中于所有路径中的较短路径。蚁群算法具有并行性、很好的鲁棒性等特点，但是算法进行路径规划耗时长，容易出现搜索停滞现象，而且搜索结果陷入局部最优的风险较大。

遗传算法

遗传算法(Genetic Algorithm，简称GA）是模拟自然选择和生物遗传、进化机理的随机化搜索方法，由美国的J.Holland 教授于1975年首先提出，进入90年代，随着应用领域的扩展，遗传算法与机器学习、混沌理论、人工生命等实现了不同程度的交叉融合，是当今智能计算的重要组成部分。算法中引入了选择、复制、交叉重组和变异等方法，以及适者生存的概念，拥有较强的全局搜索能力和较好的鲁棒性，但是存在“汉明悬崖”、早熟收敛等问题。

人工神经网络

人工神经网络（Artificial Neural Network，简称ANN）算法是由模拟人和其它生物的神经网络行为而产生，算法的特色在于信息的分布式存储，以及并行协同运算。算法拥有自学习、自适应和自组织的能力，它的学习训练方式可分为两种，一种是有监督的学习,利用给定的样本标准进行分类或模仿，如BP (BackPropagation）算法;一种是无监督的学习，不提供样本标准，系统遵照事先定义的学习规则，自动发现环境特征和规律。神经网络算法泛化能力差，而路径规划中往往需要应对复杂多变的周遭环境,所以利用神经网络算法进行路径规划有较大的局限性。

粒子群算法

粒子群算法(Particle Swarm Optimization，简称PSO)，或称鸟群觅食算法，是一种基于集群智能和迭代搜索的优化算法。其原理是利用了群体中各个个体之间信息的交互、共享，从而获得全局最优解。粒子群算法用于解决路径规划问题时，具有简单易行、算法搜索速度快、参数设置要求较少等优点，但是搜索有可能陷入局部最优。