基于势场导向的对数蚁群算法的移动机器人路径规划

针对蚁群算法存在收敛速度慢,易陷入局部最优的问题,提出了一种将人工势场和对数蚁群算法相融合的新算法.该算法是在蚁群算法的基础上,将势场的影响因素引入到蚁群算法的状态转移概率函数和启发函数中,并通过对数函数模型对蚁群算法的信息素更新策略进行改进,使得路径算法搜索不再具有盲目性,并加快算法的收敛速度.为了验证改进算法的有效性,分别在不同环境的2维栅格地图中进行仿真.仿真结果表明,相比改进前的蚁群算法,改进后的蚁群算法在路径规划中收敛速度更快,规划效率更高.将基于势场导向的对数蚁群算法应用于Hokuyo激光建图的实际机器人上进行路径规划实验.实验结果表明,改进后的蚁群算法路径搜索效率较改进前提高了约52％.     

基于改进蚁群算法的柑橘采摘最优路径

为了提高柑橘采摘效率,对柑橘采摘的最优路径进行研究.将柑橘采摘的路径规划抽象为旅行商问题的解集,建立柑橘果实点3维模型.在蚁群算法的基础上,引入随时间改变的自适应信息素浓度更新机制,提出改进的蚁群算法.仿真实验结果表明:改进蚁群算法的路径长度比蚁群算法的路径长度短;改进算法采用蚁周模型进行路径规划时有较高的效率.     

智慧校园电力机器人路径规划研究

机器人路径规划是机器人的关键技术,采用蚁群算法对智慧校园电力机器人路径规划问题进行了研究.在对传统蚁群算法分析的基础上指出挥发系数和转移概率对算法的收敛速度和全局搜索能力具有比较大的影响,通过构造一个和迭代次数相关的动态挥发系数和在转移概率中引入节点安全度来对传统的蚁群算法进行改进.采用传统蚁群算法和改进的蚁群算法对电力机器人在简单栅格地图和复杂栅格地图下的路径进行规划仿真分析,结果表明改进的蚁群算法收敛速度快,具有更强的全局搜索能力,为智慧校园电力机器人的路径规划提供了 一定的参考.     

改进蚁群算法用于移动机器人路径规划时的研究

针对蚁群算法(ACO)用于移动机器人路径规划时存在收敛速度慢、对路径的优化能力不强等缺点,提出了一种改进蚁群算法。算法先利用鸟群算法(BSA)对地图进行快速预搜索,生成蚁群算法所需的原始信息素分布,再利用蚁群算法进行全面的路径规划;同时引入自适应期望函数,增加相邻节点被选择概率的差距,进一步提高了算法有效性。该算法融合了鸟群算法简单、收敛速度快和蚁群算法全局搜索能力强的优点。仿真结果表明,在障碍物数量较多且排布较密集的情况下,与基本蚁群算法、鸟群算法、粒子群算法及粒子群-蚁群融合算法相比,本文算法求出的路径更短更平滑,转弯次数更少,并且在迂回道路和存在大型凹陷障碍物的极端问题中具备更强的搜索能力。     

A*算法与蚁群算法相结合的无人艇巡逻路径规划

针对无人艇海上巡逻路径规划问题,提出了一种A~*算法与蚁群算法相结合进行最短巡逻路径优化的方法.在传统A~*算法的八角度搜索基础上,设计了一种多角度A~*算法以获得更短的两点之间可行路径,并以A~*算法搜索结果构建任意两个巡逻点之间的最短路径网络.结合最短路径网络建立多点巡逻路径规划问题的目标函数,利用蚁群算法进行求解以获得全局最优的巡逻路径.针对巡逻路径转折角较大的问题,提出了一种平滑算法以获得更符合实际航行需求的平滑路径.仿真结果表明:该方法有效地去除了冗余节点,缩短了路径长度,提高了路径平滑度,规划出了一条更优的无人艇巡逻路径.     

动态环境下机器人路径规划的混合蚁群算法

为了实现动态环境下移动机器人的路径规划,将蚁群算法(作为一种全局路径规划算法)与人工势场算法(作为一种局部路径规划算法)相结合,并对蚁群算法做了一些改变,使之适应栅格环境。仿真结果表明,该混合蚁群算法路径性能较好,并能够满足实时要求。     

基于四叉树和改进蚁群算法的全局路径规划

为解决机器人在大范围二维平面区域内的路径规划问题,提出一种四叉树和改进蚁群算法相结合的路径规划方法.基于四叉树分解法,对路径规划的二维区域进行环境建模,在环境建模的基础上,采用改进蚁群算法进行高效的路径规划.四叉树在完整地记录环境信息的同时对环境信息进行了高效地压缩,改进蚁群算法可以规划出与障碍物保持一定安全距离的路径,提高了规划出的路径的实用性.仿真实验表明,提出的路径规划方法在执行效率和路径的实用性上取得了良好的平衡,可以高效地对大区域进行路径规划.     

PRM蚁群融合算法的AGV路径规划研究

针对AGV运货时需一次性取多件货物的路径规划问题,提出一种PRM算法与蚁群算法相结合的融合算法,将问题拆分为路径的选择与TSP问题分布解决,即先利用PRM算法进行AGV路径规划,再利用蚁群算法决策出取货顺序,生成总的路径。最后采用matlab进行仿真实验,并与A*算法进行对比,结果证明了PRM蚁群融合算法比A*算法得出的路径更短、效率更高。     

多因素改进势场蚁群算法的路径规划

针对路径规划算法中蚁群算法对目标点盲目性较大且无法应对多路况等问题,提出了一种多因素改进势场蚁群算法.首先,算法引入人工势场法重新构造路径长度启发函数并加入势场力递减系数,从而解决蚁群算法迭代时间长且易陷入局部最优解的问题;然后,综合考虑了势场路径长度因子,路径平缓性因子以及平滑性因子,构建新的多因子启发式函数,以适应复杂多变的路面环境;最后,运用动态切点法对路径进行平滑处理,提高路径整体质量.仿真实验表明,该算法在复杂颠簸路面情况下具有较好的适应力,能够有效解决机器人路径规划问题.     

基于改进势场蚁群算法的AGV路径规划

针对传统蚁群算法用于路径规划问题时易出现初期搜索盲目性以及易陷入局部最优的问题,本文提出一种改进的势场蚁群算法.首先将人工势场算法融合到蚁群算法中,通过障碍物和目标点产生的势场合力作为部分启发信息,减小路径搜索初期的盲目性,从而加快算法的收敛性;然后对算法中的路径选择策略进行了分析和优化,通过设置临时禁忌表排除部分栅格、提高算法速度;最后通过仿真验证了该算法性能优于基本蚁群算法.     

基于蚁群算法的移动机器人路径规划研究与应用

文章对传统蚁群算法收敛较慢的问题进行了改进,参考人工势场法的思想,构建并加入了权重可调的引力概率函数作为启发因子,使新的算法在较快的收敛速度下仍能得到全局较优解;在新算法的基础上构建了移动机器人动态路径规划模型,通过计算机仿真和智能试验车的实际行走表明,即使在障碍物非常复杂的场地环境,用该算法也能迅速规划出较优的全局路径。     

基于多蚁群遗传算法的分布式数据库查询优化

针对单一普通算法在查询优化方面的不足,提出了一种结合遗传算法与蚁群算法优点的多蚁群遗传算法,克服了蚁群算法前期搜索的盲目性,并引入多蚁群概念,更好地防止了算法陷入局部最优的情况,以获取更优的查询路径.类比实验表明,该算法较传统蚁群算法,在查询方面,能获得更好的查询路径.     

移动机器人路径规划的一种改进蚁群算法

提出了一种复杂静态环境下的移动机器人避碰路径规划的改进蚁群算法。基于栅格法的工作空间模型,模拟蚂蚁觅食行为,并针对移动机器人的路径规划的需要,将一些特殊功能赋予常规的蚁群算法。为了避免移动机器人的路径死锁,在路径搜索过程中,当蚂蚁探索到一个死角时,建立了相应的死角表,同时用惩罚函数来更新轨迹强度。仿真研究表明:该算法能明显改善路径规划性能,并且算法简单有效。     

基于互信息的混合蚁群算法及其在旅行商问题上的应用

为了提高蚁群算法的求解性能,从医学图像配准算法的思想出发,提出了一种基于互信息相似度的混合蚁群算法.为了表示最优路径和待配准路径之间的互信息熵,在蚁群算法的概率算子中增加了一个新的相似度影响因子,从而可以增加原算法的全局搜索能力,同时可以加速算法在解空间的搜索速度.将该算法应用在旅行商问题上,根据旅行商问题的特定环境,...     

基于粒子群-蚁群融合算法的移动机器人路径优化规划

基于TSP问题,提出了一种基于粒子群-蚁群算法相互融合的综合优化算法对移动机器人路径规划问题进行研究。通过粒子群算法对全局路径实施粗略搜索,获得部分次优解,在获得次优解的路径上进行信息素分布,再采用蚁群算法进行精确搜索,得到路径规划的最优解。实验结果表明:粒子群-蚁群融合优化算法在路径寻优上优于蚁群算法及粒子群算法。     

基于聚类蚁群算法的物流最优路径

在物流网络系统中,物品的配送是重要的一环,一个科学的物流配送路径,不仅能在一定程度上降低物品的配送时间,而且能有效的降低运输资源的占用,这极大的降低了物流企业的运营成本。针对物流配送路径的最优解问题,有大量的学者进行了相关研究,主要有遗传算法、蚁群算法、生物地理学算法等,其中以蚁群算法应用最为广泛;但这些算法都只是在物流运输的路径上进行优化,并没有考虑空载率以及客户对送货时间的要求。为了克服此缺点,本文在蚁群算法的基础上加入空载率和时间窗的要素,对传统的蚁群算法进行优化。实验结果表明,与传统的蚁群算法相比,该算法可以有效的节约物流运输资源。     

基于改进蚁群算法与Morphin算法的机器人路径规划方法

 针对动态复杂环境下的机器人路径规划问题,建立栅格地图模型,研究一种改进蚁群算法与Morphin 算法相结合的动态路径规划方法。改进蚁群算法引入拐点参数评价路径优劣,并对路径进行拐角处理以及变更拐角处信息素更新机制,使规划的全局路径更加平滑;Morphin 算法则在机器人行走时,根据全局路径的局部环境实时规划局部路径,使机器人有效地躲避障碍物。仿真试验结果表明,该方法结合全局规划与局部规划的特点,能够使机器人沿着一条短而平滑的最优路径快速、安全地到达目标点。     

基于改进的烟花-蚁群算法和B样条曲线的农业机器人路径规划

根据蚁群算法收敛速度较慢,易陷入局部最优等问题,提出了一种改进烟花-蚁群(improved fireworks-ant colony algo-rithm,IFWA-ACO)混合算法,解决静态环境下农业机器人的路径规划问题,首先针对基本烟花的交互机制和选择策略做出改进,提出爆炸与迁移相结合的策略以及密度峰值火花、探测火花概念,提升烟花算法寻找最优解的能力,然后把改进烟花算法得到的最短路径作换算成蚁群算法中的信息素加强值,从而避免蚁群盲目搜索,最后采用B样条插值方法进行曲线化拟合,生成平滑路径,有利于机器人平稳行进.试验仿真结果表明,IFWA-ACO算法能快速的规划出机器人的最优路径,降低农业机器人能耗,提高工作效率.