基于Dijkstra算法的最优路径搜索方法

针对传统Dijkstra算法在应用中存在的不足,提出了一种基于Dijkstra算法的最优路径搜索方法.该方法设计了区域限定模型,以避免大量无用结点参与计算带来的时间和空间的浪费.在此限定区域内使用优化的存储结构实现了含有启发式信息的搜索策略.路网实验结果表明,应用启发式搜索策略使搜索的路径结点总数和计算时间明显减少,搜索过程能够快速地趋于目标结点.     

一种最短路径分析优化算法的实现

在对地理信息系统中最短路径分析的实现方案和现有各种最短路径分析算法进行分析、研究的基础上,提出了“优化Dijkstra算法”。该方法使Dijkstra算法的搜索方向明显趋向于目标结点,减少了算法中遍历的结点数,从而提高了搜索速度。总结出两个Dijkstra算法的优化途径：对搜索到的临时标记结点按照最短路径值排序;减小结点的搜索范围即减少永久标记结点的数量。     

采用能耗最优改进蚁群算法的自治水下机器人路径优化

针对传统路径优化算法中"距离最短能耗非最低"的问题,提出了一种基于能耗最优改进蚁群算法的自治水下机器人路径优化算法。该算法通过对水下机器人进行水动力学分析,建立了水下机器人移动过程中的受力模型;得到了机器人移动路径的能耗计算公式;提出了能耗最优的改进蚁群算法,采用路径能耗的倒数作为路径信息素值,实现了能耗指导蚁群进化的目的。实验结果表明:该算法规划的路径长433.51m,水下机器人能耗12 235.17J,算法寻优迭代次数22次;传统距离最优算法规划的路径长393.56m,水下机器春能耗12 864.99J,算法寻优迭代次数33次。该算法规划的路径距离虽比传统算法长10%,但是能耗却降低了5%,收敛速度明显比传统算法快,对降低水下机器人能耗、提高续航能力有一定的优势。     

Dijkstra算法在室内移动导航最短路径寻址的改进

在室内复杂停车场的路径规划问题上,许多方法使用了单源最短路径的典型算法Dijkstra算法对最短路径进行规划,但该算法需要花费大量时间和空间来计算和存储与最终路径无关节点.为了提高算法效率,通过把地图中所有的结点进行顶点归一、区域集合划分以及区域编号排序等策略,大大提高了算法运行效率.实验显示,在随机对某结点目标进行最短路径搜索时,搜索时间可以缩短80.8%到98.9%,大大减少了时间复杂度和空间复杂度.     

移动机器人混合式全遍历覆盖路径规划算法

针对移动机器人在未知环境下的全遍历覆盖任务,将滚动规划与已知环境下的搜索策略相结合,设计了一种混合式的全遍历覆盖路径规划算法.对声纳传感器探测到的环境信息进行滚动规划,把未知区域转化为已知区域.在已知区域,采用有限状态机方式来组织全遍历覆盖路径规划算法,状态之间的转换通过二叉树搜索策略、目标栅格选取策略和两点法搜索策略来实现,并对算法进行仿真.结果表明,移动机器人能全遍历覆盖整个工作区域,重复率低,能有效提高工作效率.     

基于自学习可见图的机器人路径规划

针对未知环境下的机器人路径规划问题 ,提出了一种基于自学习可见图与局部最优的路径规划算法 .在这种算法中 ,采用自学习可见图来表示环境 ,并在路径规划的过程中逐步建立自学习可见图 .在避障上设计一个局部最优算法并提出了一种局部路径规划算法 .实验表明 :该方法规划速度快 ,并且能规划出局部最优的路径 ,满足未知环境下机器人路径规划的要求 .     

变电站智能巡检机器人全局路径规划设计

针对国内变电站智能巡检机器人行走路线的特点,建立半结构化的道路模型。提出将改进的Dijkstra算法与模拟退火算法相结合,应用到变电站智能巡检机器人的全局路径规划中,在数据库技术的基础上采用VC++对上述算法进行软件设计与实现,构建具有全局路径规划功能的电子地图系统。该系统已在变电站的智能巡检机器人系统平台下进行实验并投入使用,现场运行结果证明该方法高效可行。     

多策略蚁群算法求解机器人路径规划

针对基本蚁群算法的缺点,提出用多策略的蚁群算法求解机器人路径规划问题.采用栅格法建立机器人全局路径规划工作空间模型,进行两次凸化改进处理.提出惩罚策略,并配合使用保健算子策略、治病算子策略,同时引入遗传算子策略、精英蚂蚁策略和最大最小蚂蚁策略.介绍在Matlab环境下编程实现的方法及步骤,求解100个栅格点的路径规划问题,得到最优距离为15.070.仿真结果表明,即使在复杂的地形环境中用本算法也可迅速规划出令人满意的最优路径.     

一种用于车辆最短路径规划的自适应遗传算法及其与Dijkstra和A*算法的比较

提出了一种自适应遗传算法,并成功应用于车辆最短路径规划算法中. 所采用的编码方式、交叉及变异算子等均针对最短路径规划问题而专门设计;同时,提出了一种新的交叉概率、变异概率在线自适应调整策略,以便提高遗传算法的搜索速度和搜索质量. 将该算法同Dijkstra算法、A*算法进行了仿真比较. 对五种不同情况的仿真研究结果表明:同Dijkstra算法相比,该自适应遗传算法可以减少搜索到最短路径的时间;同A*算法相比,该自适应遗传算法则可以搜索到更多的最短路径.     

好奇心驱动的深度强化学习机器人路径规划算法

针对采用深度强化学习算法实现机器人路径规划任务中,训练前期随机性高导致奖励难获取问题,提出内在好奇心驱动的深度确定性策略梯度算法对连续型动作输出的端到端机器人路径规划进行研究。将环境获取的感知信息作为输入状态,输出机器人动作(线速度、角速度)的连续型控制量,在Gazebo仿真平台进行训练并验证。实验结果表明,基于内在好奇心驱动的深度确定性策略梯度路径规划算法可以较好地实现端到端的机器人路径规划,并且有利于解决训练前期奖励难获取问题,与离散型动作输出的深度Q学习网络模型进行了对比分析,结果表明本文算法决策控制效果更优越。在真实环境中进行了验证,在静态障碍和动态障碍的场景下,所提出算法可成功到达目标点。