遗传算法论文关于基于免疫遗传算法的Axx路径规划方法论文范文参考资料

遗传算法论文关于基于免疫遗传算法的Axx路径规划方法论文范文参考资料 井治财1 史恩秀2 1.诺伯特智能装备（汉中）有限公司 陕西汉中 723000 2.西安理工大学 陕西西安 710048 【摘要】论文基于遗传学和免疫学的特点，提出了一种基于免疫遗传算法A*路径规划方法。算法采用实数编码，且采用不定长度，定义的适应度函数具有明确的物理意义。所设计的路径规划方法具有遗传算法具有的搜索空间大等优点，也具有免疫算法对抗原的识别、学习、记忆和自动调节能力，克服了遗传算法易陷入局部最优的缺陷，进化速度也得到了提高。仿真结果证明该算法能较快地为A*产生一条适应所处环境的无碰撞的最优路径。 【关键词】自动导航小车；路径规划；免疫遗传算法；疫苗 1、引言 目前，为使移动机器人规划出良好的去去路径，所用的方法很多，如栅格法1、势场法2、可视图法3等。但各种方法有其使用局限。人工智能的发展为A*的路径规划提供了新思路，产生了诸如神经网络学习法、遗传算法等方法。这些算法在一定程度上解决了A*的路径规划问题，但也有其缺陷。如神经网络学习法对于复杂环境难以数学建模，范化能力差；模糊法灵活性差。遗传算法在迭代过程中，个体在进化过程中不可避免地会产生退化。受生物免疫系统的启发，论文将免疫引入到遗传算法中，在保留遗传算法优点的情况下，利用待求问题的一些特征信息，采用免疫方法所具有的识别、记忆等功能来抑制遗传算法在进化中所出现的退化现象。本文所设计的基于免疫遗传算法的A*路径规划方法利用A*在移动过程中的特殊信息对所选路径进行优化，可较快地使A*根据环境信息搜索一种满意的路径，提高了A*路径规划的智能性。 2、环境信息建模 对A*进行路径规划前，应解决对其环境信息的描述即环境建模问题。为此，作以下假设3： （1）A*在二维平面中运动，不考虑其高度方向的信息；（2）规划环境的边界及其内所有障碍物（妨碍A*运动的所有物体）用凸多边形表示。（3）考虑到A*的大小等，对环境边界进行缩小和对障碍物进行扩大时，其缩放量为A*外形最大尺寸的一半。即A*为“点机器人”。 至此，A*的工作空间可描述为：工作平面和障碍物群Oii=1,2N。具体到其个障碍物Oi，可描述为Oi顶点1坐标（xi1,yi1）,. 顶点n坐标（xni, yni）。为方便数据处理，对多边形顶点沿顺时针方向编号。起点为S，终点为E。工作平面可表示为矩形（Xmin,Ymin）,(Xmax,Ymax)。 3.3算法的实现 在进行路径规划时，首先判断A*从起点向终点沿直线轨迹运动时是否穿越障碍物。若无障碍物，两点间的连线为A*的最佳运动路径，无须进行路径规划。否则进行路径规划。 免疫遗传算法中，疫苗是根据待求问题的先验知识构造的最佳个体基因的估计，抗体是根据疫苗将某个体基因进行修正后所得到的新个体。论文所设计的基于免疫遗传算法的路径规划过程如下： （1）根据问题从记忆抗体库中提取问题的抗体P得到初始种群X X p | k 1,2,.Nkp = = ，不足N个时在A*起始点和目标点之间随机产生N-P条路径。个体的产生方法是:以包围A*的起点、终点和所有在线障碍物的最小矩形为规划区域，在规划区域内的障碍物顶点个数为M，在线障碍物为m，则染色体的最大长度为M-m。以规划区域内的障碍物顶点为被选对象，沿一定的条件随机选取基因位上的基因组成一条染色体，同用样的方法产生其它染色体以组成群体。 5、结论 论文主要针对环境建模和路径搜索两大问题进行了研究。基于可视图环境建模方法优点，完成了对环境信息的建模。并结合遗传和免疫算法的优点设计了具有精英保留策略的基于免疫遗传算法的A*路径规划方法。通过比较采用遗传算法、免疫算法和本论文所设计的免疫遗传算法对A*进行路径规划结果和效率的比较，分析了所提出的基于免疫遗传算法的A*路径规划方法的优点。仿真结果表明： A.本论文采用改进的可视图法对环境信息进行建模，在改变障碍物位置、形状、大小和A*的起点及终点的情况下，均可快速构建A*的环境信息模型。 B.采用本论文所设计的基于免疫遗传算法的A*