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机器人路径规划存在的全局搜索能力差、初始化信息素少、收敛性差、寻优能力弱等问题,提出了一种多因素改进的蚁群算法。通过改变初始化信息素浓度分配、改变启发式函数、采取蚂蚁回退策略、引入蚂蚁优化排序等方法对蚁群算法进行优化。利用MATLAB软件对改进蚁群算法进行仿真和六足机器人实验,结果表明,改进后的算法在路径更优,迭代次数更少,提高了算法的鲁棒性和寻优能力。     

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.     

移动机器人复杂环境路径规划

针对移动机器人在复杂环境下路径规划问题,提出一种改进蚁群算法。该算法设计启发式状态转移函数,引入起点和终点对状态转移的引导作用;设计路径优化方法,从八个方向优化每次迭代生成的最优路径,避免规划路径陷入凹形区域,减小其长度;建立路径评估模型,考虑到环境的复杂性,通过加入惩罚因子,使路径评价标准从路径长度转为路径代价,将影响移动机器人通行的环境因素加入到路径规划过程,从而使生成路径得到更好的优化。最后,将改进蚁群算法与多种算法进行对比实验,结果表明,改进蚁群算法能有效避开危险区域,大幅度降低规划路径的代价,有效提高移动机器人通过规划路径的效率和安全性。     

基于蚁群算法的滑移预测路径规划研究

月球车是搭载探测任务的可移动多功能机器人.月球车在实际地形行驶中,从起点到目标点之间除了选择最优路径,还应该将地形、障碍物等影响因素考虑进去.地形的主要影响因素是陡坡方向和陡坡坡度,其他因素归类为滑移,这些在很大程度上增加了路径规划的长度和时间复杂度,更影响了其安全性.而传统蚁群算法只是单纯地寻求路径规划中的最优解,存在收敛速度慢、时间复杂度高、寻优能力不平衡等问题,且没有考虑滑移、地形等因素,应用在月球车预测路径规划问题中极易陷入局部最优解.提出了基于三维栅格地形环境下融合坡度、坡向的滑移预测改进蚁群算法路径规划;通过设置相同的信息素启发因子和信息素挥发系数,改变滑移预测地形参数,得到了基于滑移预测的综合代价函数,改进了传统蚁群算法;分析了基于滑移预测的综合代价函数对改进蚁群算法路径长度、收敛速度、时间复杂度和迭代次数的影响.最后利用实验仿真数据结果验证了本文改进后的蚁群算法在滑移预测路径规划问题中有更高的有效性.     

一种应用于火灾环境路径规划的蚂蚁群算法

在火灾环境中,针对蚁群算法容易陷入局部最优的问题,文章使用了一种改进的蚁群算法用于解决火灾环境中人群疏散的路径规划问题。对蚁群算法的改进分为两个方面:一是在蚁群算法的启发式函数中考虑人员密度因素;二是动态自适应调整信息素强度,采取局部和全局信息素更新相结合的策略更新路径上的信息素,并引入交叉操作,加快算法的逃逸能力。由于在火灾环境中个体情绪差异对路径选择的影响较大,在文章的规划方法中,为个体建立情绪数学模型,不同情绪的个体对路径的选择是不同的。仿真实验表明,文中提出的规划方法能够为不同情绪类型的个体规划出最优逃生路径,避免了局部最优且收敛速度较快。     

基于改进蚁群算法的应用与研究

针对传统蚁群算法在构造解的过程中收敛速度慢且容易陷入局部最优问题,提出了一种改进蚁群算法。在蚁群搜索路径过程中,通过建立信息素启发式因子α和期望启发式因子β的互锁关系,动态自适应调整α和β;结合车辆运输调度问题,对距离启发式因子ηij（t）进行重新定义,引入不同客户间的“偏好力”,提高算法的搜索效率及实用性。将改进蚁群算法分别应用到机器人路径规划及车辆调度问题并进行仿真,取得了较好实验效果,验证了该方法的可行性和有效性。     

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。     

基于改进的启发式蚂蚁算法求解最短路径

针对复杂环境中机器人路径规划问题,为了提高蚁群算法的寻优能力和收敛速度,基于A~*算法的距离评价函数,对算法中的启发式函数进行改进,提出一种启发式的蚂蚁算法,并对新算法进行仿真测试.结果表明:改进后的启发函数可以有效改善蚂蚁算法搜索的盲目性,解决了传统蚁群算法收敛速度慢、易陷入局部最优解的问题.与传统蚂蚁算法相比,启发式蚂蚁算法在20×20网格下的相关系数提高了0.4722,40×40网格下的相关系数提高了0.226 5,说明改进算法的规划能力和收敛效率均有所提高,整体上优于传统蚂蚁算法.     

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。     

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.     

基于改进ACS算法的移动机器人路径规划研究

针对蚁群系统(Ant Colony System,ACS)算法存在收敛速度慢、路径不平滑、易陷入局部最优等缺点,提出了一种基于万有引力搜索策略的ACS算法.为了解决算法初期由于地图信息匮乏,导致蚁群寻路盲目性较大的问题,提出了简化ACS算法对初始信息素浓度进行更新.引入万有引力算法搜索策略,提升了算法收敛速度,且有效解决了局部最优问题.对每次迭代获取到的最优路径进行优化,减少了路径的转折点数量、提升了路径平滑性.仿真试验表明,改进算法能够有效提升算法的收敛速度、路径平滑性.将改进算法应用到实际的移动机器人导航试验中,试验结果表明,改进算法能够有效解决移动机器人的路径规划问题,且有效提升移动机器人的导航效率.     

室内服务机器人路径导航系统设计及算法

随着各行业智能化的快速发展,室内服务机器人逐渐地走进了人们的日常生活中。针对日益复杂的室内环境以及对机器人路径规划技术要求的不断提高,本文采用激光雷达、底盘驱动、人机交互等功能模块相结合,设计了一种室内服务机器人路径导航系统。同时对传统蚁群算法进行改进,提出了自适应信息素浓度和动态信息素挥发因子,使改进后的蚁群算法具有较高的全局搜索能力,避免了传统蚁群算法前期易陷入局部最优的问题,最后将改进后的蚁群算法应用到移动机器人路径规划上。为了验证改进蚁群算法的有效性,用MATLAB软件进行仿真分析,仿真结果证明了改进蚁群算法在移动机器人路径规划时具有较强的全局寻优能力,同时提高了收敛速度。     

改进蚁群与遗传融合算法的路径规划

针对传统遗传与蚁群融合算法在路径规划中出现的收敛慢、能耗高的问题，提出一种改进融合算法。改进基于启发函数和自适应挥发因子的蚁群优化算法，结合A^*算法提出回溯策略优化死锁问题；优化遗传算法种群初始化模式，提出通信机制交叉，调整适应度函数及交叉变异因子；将蚁群算法得到的次优解放入遗传算法优化后的种群中，形成新种群进行路径规划，采用删除算子对输出路径进行优化。仿真结果表明，改进融合算法对比传统融合算法在简单地图中迭代与转弯次数上优化57%和75%;在复杂地图中迭代与转弯次数优化70%和18%,搜索效率有所提高，改进的融合算法有效。     

改进蚁群算法在全局路径规划中的应用

本文利用一种改进的蚁群算法来解决全局路径规划问题。采用栅格法对移动机器人的工作环境进行建模,通过改进蚁群算法完成全局路径规划的目的。这种改进蚁群算法主要是对蚁群算法中的参数进行改进。其针对信息强度因子和信息素挥发因子的不同作用进行相应的函数设计,来达到全局路径规划的目的。通过实验与基本蚁群算法的算法性能比较,得出该改进策略的优越性。     

改进蚁群算法在多目标下路径长度的研究

为解决蚁群算法规划时易陷入局部最优问题,提出一种适合多目标下全局路径规划的改进蚁群算法。将粒子群算法所得到的最优结果路径作为蚁群算法的初始信息素增强值,利用平均距离与当前距离比值和最优与最差路径正负反馈相结合来调节信息素更新策略,根据不同阶段中信息素挥发系数的影响将其动态划分来求解最优遍历顺序,得到最短路径长度。att48实例结果显示,相较于传统算法,改进算法在路径长度上缩短了6.76%,鲁棒性能提高了4.87%,证明了改进蚁群算法的有效性。     

基于混合蚁群算法的物流配送路径问题

蚁群算法在解决旅行商等著名问题时得到了卓有成效的应用,但解决大规模问题时,其收敛速度较慢且耗时较长;同样,郭涛算法在解决复杂优化问题时取得了良好效果,但会产生大量无为的冗余迭代,求解效率低;文章汲取蚁群算法和郭涛算法的优点,提出混合蚁群算法,建立混合蚁群算法数学模型,得到时间效率和求解效率都比较好的一种新的启发式算法.     

基于混合粒子群算法的船舶避碰决策

为解决船舶在开阔水域中的避碰决策问题，提出基于混合粒子群算法的船舶避碰决策方法。首先，针对粒子群算法在迭代后期容易陷入局部最优的局限性，引入高斯位置变异概念，扩大粒子的搜索广度，利用自适应策略对惯性权重进行改进，在保证粒子多样性的同时，提高粒子的局部搜索能力；其次，基于多目标优化方法构建目标函数，引入基于模糊综合评价策略构建的船舶碰撞危险度模型，统筹考虑《国际海上避碰规则》、海船船员通常做法、航行安全性与经济性，实现了多船会遇态势下的避碰路径规划；最后，通过Matlab仿真实验验证了该算法的有效性。相比标准粒子群算法，本文船舶避碰决策效果显著提高。     

车辆路径问题的蚁群算法研究

蚁群算法是受自然界中蚁群搜索食物行为启发而提出的一种智能优化算法,通过介绍蚁群觅食过程中基于信息素的最短路径的搜索策略,给出蚁群算法在车辆路径问题中的应用,针对蚁群算法存在的过早收敛问题,引入节省量以及车辆载重利用率两种启发式信息对蚁群算法加以改进,并加入2-opt方法对问题求解进行局部优化,计算机仿真结果表明,这种混合型蚁群算法对求解车辆路径问题有较好的改进效果.     

基于势场蚁群算法的机器人全局路径规划

研究了智能移动机器人的全局路径规划算法改进问题.结合蚁群算法的全局性与人工势场的确定性优势,提出一种势场蚁群算法.即在基本蚁群算法迭代初期,通过人工势场法影响蚂蚁的信息素量,从而提升寻找最优路径的效率.基于栅格模型,设计了算法的执行步骤.此外,分析了不同的信息素启发因子和信息素挥发系数对算法路径长度、迭代次数和收敛速度的影响.最后仿真验证了该算法优于基本蚁群算法,也得出了信息素启发因子参数选择的合理范围.     

基于改进蚁群算法的城市公交线网规划方法研究

城市公交线网规划是一个复杂的非线性组合优化问题,目前对于该问题的求解仍存在收敛性和计算速度问题。为解决此问题,提出了一种通过动态调整信息素挥发因子来控制其正反馈过程的改进蚁群算法,提高了网络规划过程中得到全局最优解的概率和收敛速度。算例结果表明：规划结果符合实际,并在相同参数下,改进蚁群算法的迭代次数减少约一半,充分验证了该方法的可行性和有效性。