基于优化蚁群算法的机器人路径规划

路径规划是移动机器人设计中的关键环节,蚁群算法能高效解决路径规划问题,但它也存在一些弊端,如收敛速度慢、容易陷入局部最优解等.针对这些问题,本研究提出一种改进蚁群算法,在传统蚁群算法的基础上,改进状态转移规则,增加周围障碍物数量影响因子,令蚂蚁尽量避开障碍物;增加角度影响因子,使得蚂蚁行走的路径更加平滑;同时运用精英蚁群策略,来改进蚁群算法易陷入局部最优解的问题.仿真实验结果表明,该算法在多种环境下,都能找到最优路径,且有较快的收敛速度,本研究提出的优化蚁群算法具有一定的可靠性和高效性.     

基于平滑A~*算法的移动机器人路径规划

栅格环境下A*算法规划出的移动机器人路径存在折线多、转折次数多、累计转折角度大等问题.为获得较优路径,提出平滑A*算法.在A*算法规划的路径基础上,遍历路径中的所有节点,当某一节点前后节点连线上无障碍物时,将延长线路的这一中间节点删除,建立平滑A*模型.仿真结果表明,平滑A*算法优于Ant(蚁群),Anyti me D*算法.平滑A*算法路径长度降低约5%,累计转折次数降低约50%,累计转折角度减少30%～60%.平滑A*算法能处理不同栅格规模下、障碍物随机分布的复杂环境下移动机器人路径规划问题.     

基于平滑蚁群算法的机器人路径规划

在栅格环境下利用蚁群算法规划出来的移动机器人路径存在转弯次数多,累计转折角大等问题。针对这些问题,提出了平滑蚁群算法。平滑蚁群算法是在蚁群算法规划出来的最优路径的基础上,将当前节点与其它不在同一条直线上的节点依次连线,如果新的连接线不穿越障碍物,则将当前连接线作为新路径代替原来路径,并删除中间节点,否则对当前路径不作任何修改。仿真结果表明,平滑蚁群算法能够在不同栅格规模和障碍物覆盖率不同的情况下,有效降低路径长度,减少转折次数和累计转折角度,并且路经规划结果优于免疫遗传算法和势场蚁群算法的路径规划结果。     

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。     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法应用于移动机器人路径规划时存在易于陷入局部最优解、收敛速度慢的问题,提出了一种适用于静态障碍环境下基于改进蚁群算法的移动机器人路径规划方法。该方法改进了节点间的状态转移规则,增加了得到最优路径的概率;自适应调整启发函数,提高了算法的搜索效率;基于狼群法则对信息素进行更新,有效避免了算法陷入局部最优解;动态调整了衰减系数,在后期增加了蚂蚁对最优路径的选择概率,加快了算法的收敛速度。仿真实验表明,与其他算法在相同环境下比较,该改进算法在路径规划结果相同的情况下具有较快的收敛速度;且改进算法在不同复杂程度环境中均得到了最优路径,也表明了该算法的有效性和可靠性。该算法具有良好的寻优能力,可以适用于不同复杂环境中的移动机器人路径规划。     

基于改进蚁群算法的多目标路径规划研究

传统蚁群算法因在复杂环境中容易产生死锁，导致部分蚂蚁失效，造成效率低下，迭代次数增多。为此，提出了一种利用环境信息引入环境因子来调整启发函数的方法从而降低死锁情况的发生，增加了有效蚂蚁的数量，从整体上提高了蚁群的搜索速度，扩大了搜索范围。同时，传统蚁群算法在路径规划中仅在理想地域内寻求最短路径，而多因素环境中最短路径往往并非最优解。为解决此问题通过在不同环境中对转移概率进行加权优化在追求路径最短的基础上提出多目标路径规划，丰富了蚁群算法的实用性和现实意义。最后经仿真实验对优化算法进行验证，证明了上述优化的可行性。     

优化的蚁群算法在无线传感器网络中的应用

蚁群算法是一种新型的用于求解组合优化或函数优化问题的启发式算法,其基本思想是借用生物界的蚂蚁群体觅食机理,将每个蚂蚁看作一个智能体,作为智能群体的蚁群,其觅食过程显现出高度的并行性、正反馈性和鲁棒性,以此为基础的蚁群算法也具有这样一些特点。蚁群算法在路径选择方面的优势正好应用于无线传感器网络中源节点到目标节点的最优路径的建立。     

关于蚁群算法的参数设置研究

本文重点讨论了蚁群算法,包括蚁群算法的基本原理及工作流程.为了模拟实际蚂蚁的觅食行为,设人工蚁出发点H为蚁穴位置,食物源则在最终目标点F,蚂蚁觅食过程就是从H出发,在AS范围寻找食物源的过程.经过蚂蚁群体的反复寻食,基于蚂蚁留下信息素的正反馈作用,最终绕开所有障碍物找到了一条最短路径.     

一种解多QoS约束组播问题的改进蚁群算法

多QoS约束的组播路由技术是当前实现分布式网络多媒体的关键技术，蚁群算法是解决多QoS约束组播路由问题的一种启发式算法，但存在收敛速度慢等缺陷. 基于这种情况提出了一种改进的蚁群算法，该算法采用基于组成员节点驱动的方式构造组播树，并在概率转移函数中添加了方向因子，使蚂蚁在寻找路径时摆脱了最初的盲目性，以更大的概率快速向源节点靠近. 仿真实验证明，改进蚁群算法的收敛速度明显提高.     

基于改进蚁群算法的双向物流路径优化

针对物流路径优化已有算法运算过程复杂、精度不高、过早收敛等问题,对蚁群算法进行了改进,以解决物流路径优化问题.为了消除蚁群算法的易停滞、收敛慢等问题,从蚂蚁转移策略、信息素更新方式以及遗传算法的融合等方面对算法进行了改进.针对双向物流的路径优化问题,通过增加启发函数、设计转移策略等方面来改进蚁群算法,使得算法能更好地考虑综合因素来进行搜索,能够更全面、更准确地找到合适的下一节点,从而得到更优的路线.     

图像边缘检测中的改进算法

针对传统的蚁群边缘检测算法存在耗时长和易受噪声影响的缺点,提出了一种改进的蚁群边缘检测算法.该算法对蚂蚁路径选择中的启发式信息值的计算方法进行改进,使其计算基于邻域中节点的梯度,能更好地引导蚂蚁向边缘节点进行移动.通过仿真实验表明:该算法与传统的蚁群算法相比,能够减少耗时、抑制噪声及准确快速地检测出图像边缘.     

一种带时间窗车辆路径问题的混合蚁群算法

针对带时间窗车辆路径问题求解时蚁群算法存在容易陷入局部最优,而遗传算法初始种群的优劣对算法有效性存在直接影响,提出一种混合蚁群优化算法。算法首先在蚁群算法的节点选择概率公式中引入时间窗因素,以得到初始种群,然后通过遗传算法的交叉算子和变异算子对初始种群中的较优路径进行交叉和变异操作,从而得到更优的路径。通过Matlab环境下对文中混合算法进行仿真实验,在车辆利用率和路径规划上效果明显,表明了算法的高效性,同时混合算法可以避免陷入局部最优。     

增强目标启发信息蚁群算法的移动机器人路径规划

针对传统蚁群算法在前期搜索盲目性大、拐点多等问题,对蚁群算法进行以下改进。首先,为了增强目标位置的启发信息,引入距离增益系数,将目标位置对下一个待选栅格节点的影响进行放大;然后引入带有权重的距离启发因子,在状态转移概率中加入距离启发转移概率,使蚂蚁大概率向目标栅格搜索;其次,采用正弦自适应动态调整信息素挥发因子,增强算法的全局搜索能力;最后通过修改路径减少路径冗余,进行路径安全性检查并重新调整路径,减少转弯的次数,从而提高路线质量。通过MATLAB仿真实验表明,改进蚁群算法转弯次数少,规划路径短且安全,搜索时间较快,提高了算法的收敛速度和寻优能力。     

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。     

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。     

对基本蚁群算法的改进及其在TSP中的应用

在基本蚁群算法的基础上对转移概率计算公式进行了修正,自行定义了间接期望启发式并将其引入转移概率计算方法之中,减少信息素对蚂蚁选择路径的影响,增加蚁群算法执行过程中的路径多样性,弥补蚁群算法易收敛于局部最优解的不足,并通过旅行商问题验证了改进算法的可行性.     

基于终距指数的机器人路径规划方法研究

传统蚁群算法在生成信息素浓度时，由于算法生成的路径可能存在冗余成分，信息素浓度可能无法正确反应路径各节点的优劣，蚂蚁无法根据信息素浓度来迅速找出最优路径，导致算法寻优缓慢.基于传统蚁群算法思想，提出了一种新改进蚁群算法，即通过引入终距指数这一概念，取代信息素浓度的标记功能，蚂蚁可以依赖该指数进行决策选择优良节点.以20×20的栅格环境地图对改进蚁群算法进行案例仿真，实验结果表明，传统蚁群算法及其他改进蚁群算法分别需要43代及34代才能收敛到最优值，而利用改进蚁群算法仅需要进化3代即可收敛到最优解；为了进一步验证改进蚁群算法的优越性，在对更为复杂的30×30栅格模型仿真，利用传统蚁群算法与其他改进蚁群算法的收敛代数分别为52代与28代，而利用新改进蚁群算法的收敛代数仅为4代；另外，为了进一步验证改进算法的稳定性，对30×30环境模型进行连续运行30次仿真，所需平均收敛代数仅为4.97代.     

自适应多启发蚁群算法的无人机路径规划

为了解决蚁群算法在无人机实现路径规划中容易陷入局部最优的问题,提出改进的蚁群算法。对信息素的挥发因子以及信息素进行上、下限设置,防止由于较短路径上的信息素过高以及较长路径上的信息素过低,使蚂蚁陷入局部最优,同时在多启发因素的影响下,将路径的整体长度作为决定状态转移概率的一个自适应启发函数因子,当路径长度很大时,自适应启发函数因子较小,使得蚁群选择该路径的概率减小。实验结果表明,改进的算法在路径长度上减少了6.4%,最优路径长度方差降低了85.78%,增加了对环境整体性的考虑,缩短了路径长度,降低了迭代次数,跳出局部最优。在环境复杂度加大的情况下,引入自适应启发函数因子之后的算法可以有效地选择较好的路径,为无人机路径规划提供了理论依据。     

基于蚁群算法的无线多媒体传感器网络路由研究

通过对蚁群算法(ACO)的研究,设计了一种适合无线多媒体传感器网络的路由协议.该算法模拟自然界蚂蚁群体在寻找路径的方式,在节点发送数据包时,以该路径之前发送数据包的频率以及通过该路径的代价为参数,计算选择该节点为下一跳的转发概率.仿真结果表明,采用该算法时,节点的平均寿命要比采用传统的定向投递算法时的节点寿命高20%,数据包成功发送速度也远远高于传统算法.