1、“.....使他们给予我不断进取的精神支柱和永远动力。最后感谢在百忙之中抽出宝贵时间评审本文的各位老师。，而需要决策部分的相应算法来实现控制小车首先绕到球的另面。遗传算法神经网络都属于人工智能方法。遗传算法是种全局算法，但是算法比较复杂，设计者需要花大量的精力来设计。另外该算法采用的是迭代方法，如果迭代次数太多，会影响到实时性。综上所述，可以看出没有种方法是完美的，每种方法都有自己的优点和不可避免的缺点。我们应该设法利用这些优点，用其他的方法来弥补其缺点。现在研究者们常用的方法就是将两个或者两个以上的方法相互结合，来解决这类问题。例如栅格法和人工势场法的结合，栅格法和遗传算法的结合，人工神经网络和进化算法的结合等等。第四章实现人工势场遗传算法的仿真环境建模实现路径规划的前提是对环境进行描述，即对环境进行建模。赛场为黑色不反光的木质长方形场地图......”。

2、“.....带有高，厚的围墙。围墙的侧面为白色，围墙顶部为黑色。在场地的四角固定四个的等腰三角形以避免球进入角落。木板表面的材质与乒乓球台相同。图实际环境中圈半径是，作为门区的部分的圆弧沿球门线长，垂直于球门线。主要直线圆弧中线门区边界线和中圈均为白色，宽。球门宽，没有横梁和网。门线是恰好位于球门前长的直线。门区包括位于球门前尺寸为的长方形区域以及附属的弧形区域，弧形区域平行于球门线长度为，垂直于球门线高度为。将球场的图像以文件格式存放于目录中注装到盘的情况下，如果是盘可适当改正。通过,两条语句调用到球场模型。如下图所示图场地环境运动方程的建立建立模型后，在笛卡尔坐标系下列写运动学方程，如图运动机器人的当前位置方向和运动速度，其中表示系统的运动时间。起始点，终止点，假设在时间内机器人的速度恒定，则方程如下其中为采样周期......”。

3、“.....首先要对个体进行编码。即把个问题的可行解从其解空间转换到遗传算法所能处理搜索空间的转换方法，称之为编码而由遗传算法解空间向问题空间的转换称为译码。在遗传算法中编码方案的好坏对染色体串长度查找空间大小系统运行速度都有很大的影响，因此本论文设计了种简单的编码方法。选择路径上的点为个集合，组成条染色体，即路径。假设起始点，和目标点,是已知的，在避障区域内,将线段进行等分，在每个等分点做的垂线得到,图初始种群设置再将每条垂线等分,每条垂线上就有个点,在避障区域内,就有个路径点,如图所示。其中,表示第条垂线上的第个点。将由起始点到终点的路径上所有经过的点组成个串，构成条染色体二维障碍物的检测采用面积法判断赛场的机器人是否为障碍物，原理为若机器人到区域端点的面积和矩形的面积相等时，则该机器人为障碍物。反之......”。

4、“.....如下图所示，图点为障碍物，图二点不是障碍物。图面积法判断障碍物用三角形面积之和与多边形面积进行比较，即平面上的任意三点,的面积为由此得算法代码是障碍，不是障碍定义搜索空间画出搜索空间区域判断,画出障碍物仿真图如下所示图初始参数设置运行遗传算法程序时，需要对些初始参数所含个体数交叉概率变异概率最大遗传代数染色体长度，代沟最大进化代数等进行设置。这些参数对遗传算法的性能产生较大的影响，影响到整个算法的收敛性。种群规模是遗传算法首先确定的参数。方面，种群规模选的过小，容易使算法陷入局部最优解，另方面，种群规模选的过大，增加了算法的计算量，从而减缓了算法的进化速度。般来说对种群的大小事针对个具体的问题而言的，种群的规模与以下影响因素有关问题的内在规律。如果再问题空间内目标函数的极点越多，所要求的种群规模越大如果问题空间内目标函数的变化越平滑，所要求的种群规模越小......”。

5、“.....问题空间的取值范围越大，要求的种群规模越小。交叉率变异率的选择。交叉率和变异率较大时，要求种群规模较小反之，较大。交叉率的选择决定了交叉操作的频率，较大的交叉概率可以使各代充分的交叉，可以很快的收敛到最优解区域，但群体中的优良模式遭到破坏的可能性增大，以致产生较大的代沟，从而使搜索走向随机交叉概率越低，产生的代沟就越小，这样保持了个连续的解空间，使找到全局最优解的可能性增加，但进化的速度变慢。因此般取。变异率的选取般受种群大小染色体长度等因素影响。若选择的过高，虽然可以增加样本模式的多样性，但有可能破坏掉很多好的模式，会引起不稳定，使得遗传算法的性能近似于随机搜索算法的性能若变异概率取值太小，则变异操作产生新个体和抑制早熟的能力就会较差。种群越大，染色体越长，变异率选取应该越小。通常选取的值为。群体规模的大小直接影响到遗传算法的收敛性和计算概率......”。

6、“.....会造成计算速度降低。般根据实际情况在之间。最大进化代数作为种模拟终止条件，般取代。适应度函数的选取遗传算法在进化搜索中基本不利用外部信息，仅以适应度函数为依据，利用种群中每个个体的适应度值来进行搜索。对生存环境适应程度高的物种获得更多的繁衍机会，而适应度低的物种，其繁衍下代的机会就相对减少，甚至不繁衍，保证种群的优势。由于遗传算法的每种操作都是根据适应值的信息对群体进行遗传操作和逐代更新的,因此适应值函数的选取将直接影响到遗传算法收敛速度的快慢和算法的成败。此外，适应值函数的选择还应该考虑到具体问题的特征。对于路径规划问题就是路径最短，能够避开障碍物，从这两点出发，用路径上选定的离散点到目标点和到障碍物的距离作为参数确定适应度函数。适应度函数部分是为了保证机器人到达目标点所走的路径较短......”。

7、“.....调整，如果其值增大，在适应度数中路径较短这条件占的比例随之增大，般∈,。部分是保证机器人到达目标点所走的路径是安全的，不会撞着障碍物，调整，选择安全的路径点。般∈,当路径点不在障碍物的圆内时，可忽略障碍物对适应值函数的影响，否则进行惩罚取负值，使适应值减小，从而降低该个体的适应度。图适应度函数值如图中各路径点构成路径，其坐标为,。每个障碍物的大小表示为圆心为半径为的圆，那么计算如下通过来评价路径在遗传过程中的适应值。越小路径的优化程度越高。由此得出适应度函数的代码判断距离是否在障碍影响范围内叠加斥力的分量主程序障碍和目标，起始位置都已知的路径规划,意图实现从起点可以规划出条避开障碍到达目标的路径。初始化车的参数起点位置计算引力需要的增益系数初始化计算斥力的增益系数，都是自己设定的。障碍影响距离......”。

8、“.....斥力为，即不受该障碍的影响。也是自己设定。障碍个数步长循环迭代次数如果不能实现预期目标，可能也与初始的增益系数，设置的不合适有关。给出障碍和目标信息这个向量是维，其中是目标位置，剩下的都是障碍的位置。循环初始，将车的起始坐标赋给初始化结束，开始主体循环循环开始,是保存车走过的每个点的坐标。刚开始先将起点放进该向量。,调用计算角度模块是计算出来的车和障碍，和目标之间的与轴之间的夹角，统规定角度为逆时针方向，用这个模块可以计算出来。调用计算引力模块是车和目标之间的角度，目标对车是引力。为了后续计算斥力在引力方向的分量赋值给计算出目标对车的引力在,方向的两个分量值。这段循环是为了将引力的两个分量值扩展成向量，和后面的斥力叠加时，可以维数相同。计算斥力用的角度，是个向量，因为有个障碍，就有个角度。调用计算斥力模块,计算出斥力在,方向的分量数组。计算合力和方向，这有问题......”。

9、“.....每个循环的时候合力的大小应该是个唯的数，不是数组。应该把斥力的所有分量相加，引力所有分量相加。方向的合力方向的合力合力与轴方向的夹角向量计算车的下步位置保存车的每个位置在向量中判断,是应该完全相等的时候算作到达，还是只是接近就可以现在按完全相等的时候编程。记录迭代到多少次，到达目标。记录此时的值如果不符合的条件，重新返回循环，继续执行。大循环结束把路径向量的最后个点赋值为目标画出障碍，起点，目标，路径点画出路径路径向量是二维数组分别是数组的,元素的集合，是两个维数组。障碍的坐标,把路径点，障碍，起点，目标分别用不同的标记画出。仿真结果图人工势场法仿真图通过遗传算法和人工势场的仿真可以刊看出，遗传算法的路径规划规划出的路径比人工势场法要优越，遗传算法在选取最大遗传代数的情况下所需的运行时间要比人工势场法选取迭代次数所需的时间短，体现了遗传算法的优越性......”。