导读:本文包含了神经网络路径规划论文开题报告文献综述及选题提纲参考文献，主要关键词:路径规划,脉冲耦合神经网络,定向约束,A~*算法
神经网络路径规划论文文献综述
孙艺彬,杨慧珍[1]（2019）在《基于定向约束的脉冲耦合神经网络路径规划》一文中研究指出文中提出了一种基于定向约束的脉冲耦合神经网络的路径规划方法。该方法基于脉冲耦合神经网络,不需要进行经典神经网络的前期训练,将拓扑化地图与脉冲耦合神经网络相结合,设计距离和角度约束,从而减少了脉冲耦合神经网络中激活的神经元数量,加快了路径规划速度。仿真结果表明该路径规划算法的运算时间比A~*算法更短。(本文来源于《计算机科学》期刊2019年S2期）
陈艳,禹继国[2]（2019）在《基于概率路线图的动态环境下移动机器人路径规划的神经网络方法》一文中研究指出在不稳定的环境中,最短或最优的路径规划对移动机器人的有效运行至关重要.文章扩展了一种用于移动机器人实时路径规划的神经网络方法.本文使用概率路线图(Probabilistic Roadmap, PRM)来解决移动机器人在不稳定环境中的实时无碰撞运动规划问题.神经网络拓扑中的每个神经元都具有局部连通性,并且分流方程是其神经动力学特征.因此,计算复杂度与神经网络的大小成线性关系.实时机器人的运动取决于神经网络的动态环境,其中不需要任何先前的动态环境知识甚至学习过程.仿真结果证明了该方法的有效性和高效性.(本文来源于《曲阜师范大学学报(自然科学版)》期刊2019年04期）
徐炜,周兰凤,章民融[3]（2019）在《叁维地形下基于Hopfield神经网络的路径规划算法》一文中研究指出针对复杂的叁维地形中路径规划存在的失效问题,提出一种以Hopfield神经网络为背景的路径规划算法。根据叁维地形,将起伏的地势和障碍物转化为一种可计算的规则图形,并根据流场控制方程建立地形函数模型;将地形函数模型与Hopfield神经网络算法进行有效集成。该算法运用于复杂的叁维地形环境下,能够避开起伏的地势以及障碍物,并寻找到一条最佳路径,为导航车的路径规划奠定了重要的基础。(本文来源于《计算机应用与软件》期刊2019年10期）
王健,张平陆,赵忠英,程晓鹏[4]（2019）在《结合神经网络和Q(λ)-learning的路径规划方法》一文中研究指出Q-learning是一种经典的增强学习算法,简单易用且不需要环境模型;广泛应用于移动机器人路径规划。但在状态空间和动作空间较大时,经典的Q-learning算法存在学习效率低、收敛速度慢,容易陷入局部最优解等问题。通过引入神经网络模型,利用地图信息计算状态势值,从而优化了设计奖励函数。合理奖励函数为Q(λ)-learning算法提供了先验知识,避免训练中的盲目搜索,同时奖励函数激励避免了陷入局部最优解。仿真试验表明,改进的路径规划方法在收敛速度方面有很大的提升,训练得到的路径为全局最优。(本文来源于《自动化与仪表》期刊2019年09期）
代亚兰,熊禾根,陶永,李公法[5]（2019）在《基于威胁评估与生物激励神经网络的机器人路径规划研究》一文中研究指出针对未知动态环境下移动机器人的路径规划问题,考虑传感器检测范围的有限性与动态障碍物运动的不确定性,提出一种基于动态威胁评估的改进生物激励神经网络算法。采用栅格法与基于虚拟目标点的滚动优化方式进行路径寻优。进一步地,提出一种基于直觉模糊集的动态属性决策方法,评估动态障碍物对机器人的威胁程度,并根据生物激励神经网络(BINN)的特点,在动态威胁模型中引入导向传递方式建立子激励模型,引入神经元"亲近值"改进神经元动态变化方程。最后,通过仿真实验验证了该改进算法的有效性。(本文来源于《高技术通讯》期刊2019年06期）
卫玉梁,靳伍银[6]（2019）在《基于神经网络Q-learning算法的智能车路径规划》一文中研究指出针对智能小车行走过程中的全局路径规划和路障规避问题,提出了一种基于神经网络Q-learning强化学习算法,采用RBF(Radial Basis Function)网络对Q学习算法的动作值函数进行逼近,基于MATLAB环境开发了智能小车全局路径规划和路障规避仿真系统。与传统的以及基于势场的Q学习算法相比,所采用的算法能更加有效地完成智能小车在行驶环境中的路径规划和路障规避。仿真结果表明:算法具有更好的收敛速度,可增强智能小车的自导航能力。(本文来源于《火力与指挥控制》期刊2019年02期）
张菁,何友,彭应宁,李刚[7]（2019）在《基于神经网络和人工势场的协同博弈路径规划》一文中研究指出协同博弈路径规划是空战自主决策、机器人体育比赛等应用场景中的重要问题,其难点在于对环境对抗性反馈的实时自适应和多智能体的相互配合。提出一种基于神经网络和人工势场的协同博弈路径规划方法,使用反向传播(BP)神经网络自适应调整人工势场函数系数,并将人工势场作为神经网络输出端的特征提取。为解决真实样本质量和数量不足的问题,基于遗传算法仿真生成样本数据用于神经网络训练,并通过滚动时域的思路面向动态博弈优化样本性能。从样本数据中提炼出距离差与航向差以反映协同和博弈特性,利用神经网络的黑盒特性和学习能力解决协同博弈问题。应用于二对一反隐身超视距空战路径规划,比经典人工势场法有明显性能提升,且计算开销可接受,计算复杂度分析表明该方法可以较好扩展到多机对抗场景。(本文来源于《航空学报》期刊2019年03期）
陆亮,许双伟[8]（2018）在《基于Hopfield神经网络的路径规划研究》一文中研究指出介绍了应用Hopfield神经网络拓扑模型有效求解机器人路径规划和避障问题。给定的系统根据提供的任意起始位置和目标位置,避开静态的和动态的障碍物,规划出一条最短的路径。通过外部输入得到系统的环境信息,包括障碍物的位置、智能体当前的位置和期望的目标位置。动态的神经网络在地图空间中生成一个等势图,根据最陡的上坡方法可以很快得到一条目标路径。通过Matlab仿真得到一个路径规划实例的分析结果。(本文来源于《电脑编程技巧与维护》期刊2018年12期）
胡磊[9]（2018）在《基于启发神经网络强化学习的AUV路径规划方法研究》一文中研究指出随着人工智能领域的发展,利用人工智能技术解决水下机器人路径规划问题得到了越来越多专家的关注和研究。与环境信息已知的AUV路径规划问题相比,未知环境信息下的路径规划问题面临着更大的挑战。强化学习是一种可以与环境进行交互式学习的重要人工智能方法,算法通过不断地试错与探索,逐步学习到相关的决策模型,具有灵活的规划和避障能力,可用于解决未知环境下的水下机器人路径规划问题。本文利用基于双神经网络的深度强化学习(DQN)算法解决AUV局部路径规划问题,神经网络为浅层网络,训练包括障碍物避障和障碍物边界绕行两个模型。首先,在利用值函数网络拟合Q值表的基础上,引入目标网络,解决了基于Q值表学习的“维数灾难”问题,并且通过目标网络打乱了值函数更新时的相关性,增强了算法的学习能力。其次,提出一种基于“吃惊度”的记忆池经验回放方法,在训练过程中优先回顾以往学过的有价值经验,加强算法对所学决策的记忆,并且打破样本之间的相关性。最后,根据避障和绕行任务的不同,分别提出两种即时评价函数,AUV每步决策都会获得一个或好或坏的有效评价值,解决了强化学习面临的稀疏解问题,实验证明了此两种评价函数的有效性。本文在python开发环境下进行仿真实验。实验中对模型训练过程进行分析,证明了模型算法的自主学习能力,并且训练后的模型具有环境自适应性和通用性,可以解决未知障碍物的避障和绕行问题。同时通过对比实验,验证了具有目标网络的DQN算法和基于“吃惊度”的经验优先回放方法可以提高算法的学习能力,具有减小样本间相关性,加快学习速率的作用。最后将训练后的决策模型与控制器相结合,在Vega仿真环境下验证了模型的实时决策能力。(本文来源于《哈尔滨工程大学》期刊2018-12-01）
马思臣[10]（2018）在《基于模糊神经网络的智能交通路径规划系统的研究与实现》一文中研究指出伴随我国城镇交通基础设施建设的不断深入以及城镇机动车车辆的不断增加,城市道路规划以及车辆路径引导已经成为影响人民的日常出行的重要因素。作为近年来智能交通、计算机应用、网络分析以及应用数学的重要热点问题,城市车辆路径规划问题已经成为城市道路规划的头号任务。目前国际上传统的城市路径规划方案无法处理城市实时路况产生的海量非线性数据,且不同交通管理部门信息无法做到互联互通,这无疑进一步加剧了城市路径规划方案的难度。因此,研发出一种可在实时动态路网条件下进行城市车辆路径规划并具备智能化学习能力的路径规划方案显得尤为重要。本文从江苏南京智能交通路径规划的现有问题入手,首先对于通用性路径规划问题进行了研究,分析了城市道路动态路网模型建模问题;其次,以江苏南京地市的道路情况为基础,提出了一种基于模糊神经网络推理系统的多路径规划算法,阐述了相关路径风险规避机制,并给出了算法的执行步骤;最后,结合电子地图技术以及VS2010软件开发平台进行基于算法本身的原型系统开发,并在江苏南京进行了实地测试。本文的主要工作如下:(1)研究了当前主流路径规划方案的可行性,并对实时动态路网建模进行了深入研究。针对传统城市路径规划方案进行了特点分析,阐述了其在当前实时路网下的不足与可改进之处;对动态实时路网建模进行了深入研究,包括路网连通性方法、存储结构的组成等。(2)提出了一种基于模糊神经网络推理系统的多路径规划算法并阐述了其相关路径风险规避机制。首先,根据江苏南京路况特点,定义了车辆驾驶操作损耗、道路管制损耗、噪声管控损耗叁类路径风险评估输入参数;其次,根据上文所述的叁类路径风险评估参数,设计出反馈式分层神经网络架构,并结合退火算法对模糊神经网络推理系统进行样本训练,给出了分层训练结果;最后,在通过模糊神经网络推理系统得到了路网中路径的风险函数输出值后,采用改进的Clark-Wright算法对指定路网下的车辆进行多路径规划,并分别给出了非风险规避与风险规避算法的多路径规划结果与相应的比对分析结论。(3)基于模糊神经网络的智能交通路径规划系统的设计与实现。以具有风险规避功能的多路径规划算法为基础,结合电子地图的MAPX空间以及VS2010相关软件开发架构,采用C++语言进行了算法实现,构造了基于模糊神经网络的智能交通路径规划系统;对该原型系统进行算法实地测试,并分析了该系统在采纳风险规避机制与不采纳风险规避机制下多路径规划的异同。(本文来源于《南京邮电大学》期刊2018-11-14）
神经网络路径规划论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在不稳定的环境中,最短或最优的路径规划对移动机器人的有效运行至关重要.文章扩展了一种用于移动机器人实时路径规划的神经网络方法.本文使用概率路线图(Probabilistic Roadmap, PRM)来解决移动机器人在不稳定环境中的实时无碰撞运动规划问题.神经网络拓扑中的每个神经元都具有局部连通性,并且分流方程是其神经动力学特征.因此,计算复杂度与神经网络的大小成线性关系.实时机器人的运动取决于神经网络的动态环境,其中不需要任何先前的动态环境知识甚至学习过程.仿真结果证明了该方法的有效性和高效性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
神经网络路径规划论文参考文献
[1].孙艺彬,杨慧珍.基于定向约束的脉冲耦合神经网络路径规划[J].计算机科学.2019
[2].陈艳,禹继国.基于概率路线图的动态环境下移动机器人路径规划的神经网络方法[J].曲阜师范大学学报(自然科学版).2019
[3].徐炜,周兰凤,章民融.叁维地形下基于Hopfield神经网络的路径规划算法[J].计算机应用与软件.2019
[4].王健,张平陆,赵忠英,程晓鹏.结合神经网络和Q(λ)-learning的路径规划方法[J].自动化与仪表.2019
[5].代亚兰,熊禾根,陶永,李公法.基于威胁评估与生物激励神经网络的机器人路径规划研究[J].高技术通讯.2019
[6].卫玉梁,靳伍银.基于神经网络Q-learning算法的智能车路径规划[J].火力与指挥控制.2019
[7].张菁,何友,彭应宁,李刚.基于神经网络和人工势场的协同博弈路径规划[J].航空学报.2019
[8].陆亮,许双伟.基于Hopfield神经网络的路径规划研究[J].电脑编程技巧与维护.2018
[9].胡磊.基于启发神经网络强化学习的AUV路径规划方法研究[D].哈尔滨工程大学.2018
[10].马思臣.基于模糊神经网络的智能交通路径规划系统的研究与实现[D].南京邮电大学.2018