改进的优化算法用于移动机器人路径规划

针对当前机器人路径规划算法存在局部最优问题,提出了一种改进的移动机器人路径规划算法。该算法采用改进的人工势场算法产生初始化种群,改进的遗传算法引入了新的适应性函数和"翻转变异"算子、进行全局路径优化。适应性函数包括路径点的适应度和路径的适应度,提高了适应性函数的评价性能。"翻转变异"使障碍物路径变为自由路径,使移动机器人顺利绕过障碍物。克服了传统遗传算法的早熟收敛问题,提高了遗传算法的效率。实验结果表明该算法在移动机器人路径规划中的可行性和有效性。     

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。     

自适应遗传算法在移动机器人路径规划中的应用

将一种自适应遗传算法应用于移动机器人路径规划.提出了一种基于几何避障法的初始种群产生算法;设计了基于启发式知识的交叉、变异、求精和删除算子;采用一种新的模糊逻辑控制算法自适应地调节交叉概率和变异概率;对移动机器人离线和在线规划问题进行了仿真研究.仿真结果表明:自适应遗传算法具有较快的搜索速度、较高的搜索质量以及较强的自适应能力,为移动机器人最优路径规划问题的解决提供了一种新方法.     

基于改进蚁群算法的二维码移动机器人路径规划方法

针对在结构化栅格工作环境下,基于蚁群算法的路径规划存在停滞和收敛速度慢的问题,提出了一种基于改进蚁群算法的二维码移动机器人路径规划方法.通过限制蚂蚁的搜索方向,即将机器人置于结构化栅格工作环境下,使其只能在水平和垂直方向上移动,进而提高算法的搜索效率.引入自适应期望函数和启发因子,动态调整状态转移概率,避免算法陷入停滞状态,提高算法的收敛速度.针对机器人在转弯过程中耗费时间较长的问题,通过引入转弯影响因子得到扩展路径长度,进而根据扩展路径长度选取最优路径.实验结果表明,提出的方法可以为二维码移动机器人规划出最优路径.     

多约束条件下基于改进遗传算法的移动机器人路径规划

针对在多约束条件下移动机器人在路径规划中搜索效率低、收敛速度慢的缺点,提出多约束条件下基于改进遗传算法的移动机器人路径规划,充分考虑路径长度、平滑度以及困难度这3种因素的影响,通过分析多约束条件下遗传算法在初始化种群时计算方法的不足,提出利用SPS(surrounding point set)算法,通过在障碍物周围生成点来产生初始路径,以提高算法快速生成初始种群的能力;增加平滑算子和删除算子,删除相对最终路径而言不必要的点,同时使路径更加平滑;结合小生境法以保持种群多样性,避免出现算法早熟现象.仿真结果表明,改进后的算法在路径长度,路径平滑度以及路径困难度方面均有一定的优势,同时算法的收敛速度也略有提高.     

基于改进遗传算法和改进人工势场法的复杂环境下移动机器人路径规划

为了提高移动机器人在复杂环境下的路径规划能力,通过双层路径规划思想研究了移动机器人路径规划问题。用栅格法对机器人工作环境进行建模,首先采用改进的遗传算法进行全局路径规划,解决了由于交叉概率和变异概率选择不当导致最优个体丢失的问题;然后在规划好的全局路径的基础上利用改进的人工势场法进行局部动态避障,解决了局部极小点问题。结果表明:静态环境下,采用改进遗传算法规划出的最优路径,与传统遗传算法相比其长度缩短了1. 47 m,收敛速度加快;动态环境下,采用改进人工势场法进行路径规划,所用时间与基本人工势场法相比缩短了7. 24 s;复杂环境下,移动机器人采用双层路径规划思想能够规划出一条优化路径。可见改进后的算法是有效的。     

基于改进算法的移动机器人路径规划

机器人路径规划问题通常采用不同算法来对其进行规划，为发挥算法中改进遗传算法和鲸鱼优化法的优势，弥补遗传算法出现优化准确率和收敛度不高等问题，将改进遗传算法和鲸鱼优化法融合，增强移动机器人路径规划对动态环境的适应性能。对算法适应度函数进行优化，改善了基本遗传算法、提升了原算法对函数的求解效率。通过遗传算法、对遗传算法进行改进的算法、改进遗传算法与鲸鱼算法相融合的算法所运行的路径长度与运行时间进行比较，结果表明融合改进优化算法可以有效获取最优算子，减少运算时的迭代次数，同时提升算法的规划准确率。     

基于改进蚁群算法的移动机器人动态路径规划

针对动态环境下的移动机器人最优路径问题,利用栅格法建模,提出1种改进蚁群算法。通过调整信息素启发因子和期望启发因子,自适应改变挥发系数。在路径规划时,提出相应的动态路径规划避障策略,使机器人在避障的同时得到最优或次优路径。实验结果表明,当机器人陷入凹型障碍并且在复杂环境搜索效率低的情况下,该文算法经过25代收敛找到最短路径;改进算法比基本蚁群算法进化代数减少近50代,同时能有效避免移动机器人和动态障碍物碰撞,并且获得15.656的无碰路径。     

基于改进萤火虫算法与动态窗口法融合的移动机器人动态路径规划

针对传统萤火虫算法无法有效躲避未知障碍物、收敛速度慢、易陷入局部最优等问题,对其进行了改进,并将其与动态窗口法相结合,从而提出了一种移动机器人动态路径规划新算法。通过三种策略对萤火虫算法进行了改进：首先,采用Skew Tent混沌映射产生混沌序列对萤火虫种群进行初始化,提高萤火虫算法的全局收敛速度;其次,引入自适应步长平衡萤火虫算法全局和局部最优;最后采用差分进化算法通过变异、交叉和选择操作加强萤火虫算法的搜索能力。然后将改进萤火虫算法与动态窗口法相结合,使移动机器人在全局最优路径的基础上进行实时动态路径规划,在能保证全局最优路径的基础上有效躲避未知障碍物。本文基于MATLAB进行了仿真,仿真结果验证了所提算法的有效性。     

PSO-QGA在移动机器人复杂路径规划中的应用

量子遗传算法具有适应性强、收敛速度快、适合于全局搜索的特点,粒子群优化算法的优点是具有记忆能力,在智能搜索的实现上可以结合个体和全局的最佳位置实现位置定位,但粒子群优化算法在搜索速度和择优能力方面还有待提升.因此提出了一种改进的路径规划算法,即利用量子遗传算法结合粒子群优化算法的记忆功能和最佳定位能力,实现对移动机器人路径规划算法的改进.通过仿真实验已经证明,改进后的移动机器人路径规划算法在稳定性和路径优化选择上都优于单纯的粒子群优化算法和量子遗传算法,并且改进后的算法更适合于复杂路径中实现优化.     

基于改进蚁群算法的移动机器人路径规划

针对传统蚁群算法在移动机器人最短路径规划方面存在的不足，如算法前期盲目性搜索、收敛速度慢、消耗时间长及转弯次数多，提出了一种改进的蚁群算法。该算法根据正态分布模型，将栅格环境划分不同区域，进行信息素差异化处理，减少蚂蚁初期搜索时间；同时基于A^*搜索算法的估价函数思想改进启发函数，引入自适应启发信息因子，增强其目标导向性，提高算法收敛速度，平衡算法全局搜索能力。仿真结果表明，改进的蚁群算法能够规划出收敛速度较快、转弯次数较少以及平滑度更高的路径。     

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。     

基于改进遗传算法的机器人路径规划

路径规划是移动机器人领域中的重要问题之一。传统遗传算法在寻找最短路径时容易陷入局部最优,为了缩短机器人运动路径长度和提高避障性能,本文提出一种免疫克隆自适应遗传算法,该算法结合了免疫克隆算子、自适应算子从而提高解的质量,设计栅格模型,给出适应度函数用于计算机器人路径长度,并针对复杂的二维路径编码问题,设计一维路径编码方式。在仿真实验中针对不同障碍物数量对免疫克隆自适应遗传算法和粒子群算法、模拟退火算法进行对比,结果显示:当障碍物数量提高至20时,免疫克隆自适应遗传算法优化过的路径长度与粒子群算法与模拟退火算法相比分别降低了5.99%和11.04%。因此,本文提出的免疫克隆自适应遗传算法可减少路径寻优时间,有效提升机器人路径规划的效率。     

求解0/1背包问题的自适应遗传退火算法

针对标准遗传算法易早熟收敛以及收敛速度慢的问题,提出一种自适应遗传退火算法用于解决高维约束优化问题.该算法采用轮盘赌和最优保存策略相结合的选择机制,并结合自适应交叉、变异概率,继而引入模拟退火算法,加快迭代后期算法的收敛速度.最后,比较了标准遗传算法和自适应遗传算法的实验结果,证明了自适应遗传退火算法在0/1背包应用中的高效性和精确性.     

基于栅格地图的遗传算法路径规划

为提高移动机器人路径规划问题的求解质量和求解效率并克服遗传算法用于复杂环境下路径规划存在的常规缺陷,本文改进了运用于路径规划的遗传算法操作,提出了一种基于栅格地图的完善遗传算法路径规划方法,通过引入路径修复机制来提高遗传算法的收敛速度。仿真结果表明这种方法能够很好的解决移动机器人点对点的路径规划问题。     

改进的DDPG算法在机器人路径规划中的应用

深度强化学习(DRL)在连续控制问题中具有优异的性能,被广泛用于路径规划等领域.为了实现移动机器人在未知环境中的智能路径规划,提出了一个路径规划的模型,基于深度确定性策略梯度算法(Deep Deterministic Policy Gradient,DDPG)的自主路径规划模型.针对DDPG算法前期对环境没有先验知识,收敛速度慢和移动时会出现局部最优情况,提出了一种改进的DDPG算法.通过在DDPG算法中添加人工势场的引力场和斥力场,以加快收敛速度和移动机器人到达目标点的时间.对奖赏函数进行改进,增加直走奖励,以提高规划路径的稳定性.     

基于改进狼群算法的移动机器人路径规划

为了获取机器人全局最优路径,文章提出一种基于改进的狼群算法移动机器人路径规划。首先运用栅格法对机器人环境进行建模;然后提出一种改进的狼群算法,该算法提出并行游走机制,进一步提高探狼的局部搜索能力;构建智能奔袭行为,提高猛狼自适应调节能力;提出向心围攻策略,使得算法收敛到全局最优。6类测试函数的仿真结果表明,改进的算法在局部搜索能力和自适应调节能力更强、收敛精度更高、收敛速度更快。移动机器人路径规划的仿真实验所涉及到的参数较多,文章利用Taguchi方法的三因素三水平正交试验法选取了最佳的参数组合。最后将改进的狼群算法和狼群算法都进行路径规划的仿真实验,结果表明,改进的算法在解决机器人路径规划问题上更有效。     

移动机器人路径规划的混合差分进化算法

针对移动机器人无碰撞最短路径规划问题,提出人工势场-差分进化混合算法。建立移动机器人全局环境信息已知的无碰撞路径模型,采用差分进化算法规划机器人最优路径。针对差分进化算法变异因子,采用适应性调节策略;针对差分进化算法在交叉操作过程中的不可行解,提出人工势场法不可行路径修正策略,提高算法寻求最短路径的有效性。实验结果表明,所提混合算法的收敛速度和求解质量均优于基本差分进化算法,实现了移动机器人的无碰撞路径问题的有效求解。     

栅格编码新方法在机器人路径规划中的应用

基于遗传算法的移动机器人路径规划技术,提出了一种新的定长十进制路径编码机制.在对移动机器人的环境进行有效栅格剖分后,将障碍物表示为以栅格为基础的多边形,每个障碍物多边形的顶点对应于栅格线交点的惟一编号;随后将移动机器人的路径编码成以栅格地图上所有多边形有效顶点数之和为定长的十进制编码串,串中非零位上的十进制值对应着规划路径中途经障碍物多边形的顶点,各顶点在串中的顺序对应着其在规划路径中的顺序.所提出的编码方式拥有定长十进制编码机制通用性好的优点,并且基于此编码的遗传算法很容易克服路径规划算法中的障碍陷阱,使得路径规划算法更加简单有效,加快了遗传算法的收敛速度.     

基于改进双向RRT算法的机器人路径规划

针对双向快速搜索随机树（BI-RRT）算法在路径规划中存在目标导向性差、收敛速度慢、路径拐点多的问题,提出了一种改进BI-RRT算法。通过目标导向引导随机树更快朝向目标点生长,提高收敛速度。引入贪婪路径优化策略,有效减少路径拐点,提高了路径规划算法的效率。同时提出了一种圆盘碰撞检测的算法,并在多个场景中用Matlab平台进行了圆盘移动机器人的路径规划仿真实验,实验结果验证了所提出算法的可行性和有效性。