基于递归神经网络的移动机器人路径规划方法研究

《基于递归神经网络的移动机器人路径规划方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、山东大学硕士学位论文摘要本文在现有移动机器人路径规划方法研究的基础上，对递归神经网络的结构与性能、进化算法与递归神经网络的结合以及递归神经网络在路径规划中的应用方面进行了系统地研究。针对传统的递归神经网络学习算法存在的训练方法形式复杂、收敛速度慢以及受网络结构的限制等问题，本文利用进化算法对递归神经网络进行设计和优化。在进化过程中利用模拟退火算法对种群的适应度进行拉伸，在进化后期使适应度相近的个体适应度差异放大，从而使得优秀个体的优势更加明显。利用高斯变异和柯西变异相结合的方式进行变异操作，实现更大范围的变异，尽快跳出局部极小区域。根据种群多样性指标和个体适应度值对交叉概率和变异概

2、率进行自适应调整，在不同的进化阶段使交叉概率和变异概率取得更加合理的值，避免早熟现象，加快算法收敛速度。由于传统的人工势场法存在非期望的局部吸引点、规划路径不完整等问题，本文借鉴人工势场法的思想，提出了一种基于具有自反馈的细胞神经网络的路径规划方法，利用神经网络的拓扑结构表示机器人的工作空间，神经元的输出表示其所在位置的势场值，通过施加合适的外部激励使目标点神经元产生全局最大的势场，障碍物及其周围区域势场被抑制为零，从而在整个工作空间形成一个单峰值的上升势场，保证机器人按最速梯度上升方向沿最短路径到达目标点，并且能够在密集障、不确定环境下得到合理的规划路径。在传统机器人学和人工智能

3、方法中，移动机器人路径规划方法缺乏必要的实时性和适应性，不具有学习能力，设计复杂。本文利用递归神经网络作为机器人控制器的计算模型，充分利用其突出的动态非线性建模能力和较强的学习能力，来构建移动机器人传感器输入和执行器输出的行为结构。针对递归神经网络进化的特殊要求，利用改进后的进化算法对递归神经网络控制器进行训练，使其在对环境进行学习的过程中自组织地产生适应性行为。为了选择一种结构更为合理的神经网络，在相同的环境下对不同结构的神经网络控制器进行进化，比较其动态性能，为神经网络结构的选择提供一种依据。关键词：移动机器人；路径规划；递归神经网络；进化算法山东大学硕士学位论文ABSTRAC

4、TBasedontheexistingresearchoutcomeonpathplanningofmobilerobot,thispapersystematicallydiscussesthreeaspectsincludingstructure，functionandtrainingalgorithmsofrecurrentneuralnetwork,thecombinationofevolutionaryalgorithmswithrecurrentneuralnetwork，andtheapplicationofrecurrentneuralnetworkinpathpla

5、nningofmobilerobot．Consideringtheweaknessaboutthecomplication，inefficiencyandrestrictionofthetraditionaltrainingapproaches，theapplicationofevolutionaryalgorithmstoneuralnetworkdesignoptimizationiSintroduced．ThefitnessofapopulationiSadjustedwithsimulatedannealingalgorithminevolvingprocess．Thedi

6、versityofsimilarindividualswillbeenlargedduringtheposteriorevolvingprocess．SothesuperiorityofexcellentindividualsiSoutstanding．ThecombinationofGaussianandCauchymutationsiSusedtokeeplargermutationstepandescapefromlocalminima．Crossoverandmutationprobabilitiesareadjustedautomaticallyaccordingtoth

7、evaryingdiversityofpopulationandthefitnessofindividuals．Anddifferentvaluesareassignedtothemreasonablyduringtheevolvingprocesstopreventprematureandspeedevolvingconvergence．Traditionalartificialpotentialfieldmethodhasunexpectedlocalattrac