改进ACO在移动机器人路径规划中的研究

针对基本蚁群算法(ACO)易陷入局部最优和收敛速度慢的特点,提出了一种在复杂静态环境下移动机器人路径规划的蚁群优化改进算法。该算法通过限制信息素的范围,扩大了搜索范围,避免了算法的过早收敛,同时还提出了一种自适应调节信息素挥发系数的改进蚁群算法方略,旨在通过自适应的调整信息素挥发系数来提高算法的全局性和算法的收敛速度。算法还利用粒子群优化算法对蚁群算法中的关键参数进行优化,从而避免了参数选择的随机性和盲目性,提高了最优路径的搜索效果。仿真结果显示,改进蚁群算法在移动机器人路径规划中的有效性和普遍应用性,在任意随机给定的环境中,算法能够迅速找出最优路径。     

基于栅格地图环境的机器人路径规划算法

研究了基于栅格地图环境的移动机器人路径规划方法。针对基本蚁群算法在路径规划过程中出现的收敛速度慢、容易陷入局部最优解等缺陷,通过对栅格地图环境进行预处理,提取优势路径点,改进信息素浓度更新机制,限制信息素浓度强度的策略对蚁群算法进行了改进。通过仿真实验证明了该算法的可行性和有效性。     

移动机器人路径规划中的蚁群优化算法研究

针对将传统蚁群算法引入到移动机器人的路径规划当中会存在收敛速度慢、效率低下、容易陷入局部最优,甚至出现死锁等缺陷,提出一种改进的蚁群算法,以栅格法建立机器人工作环境,改进信息素的更新方式,设置信息素浓度的阀值,引入死锁处理策略,改进状态转移概率,增加解的多样性。在栅格环境下对移动机器人的路径规划进行仿真测试,仿真结果表明,改进的蚁群算法能缩小对最优路径的搜索范围,降低迭代次数,提高对最优解的搜索效率,能获得全局最优无碰撞的路径。     

基于改进蚁群算法的移动机器人路径规划研究

针对传统蚁群算法在移动机器人路径规划中存在收敛速度慢、易陷入局部最优和规划路径不平滑等问题,提出一种用于移动机器人路径规划的改进蚁群算法。首先在状态转移概率中引入平滑函数,使蚂蚁在进行路径节点选择时,考虑路径的平滑性。然后在对路径信息素更新时,引入多目标评价函数;同时提出一种基于熵权的分段信息素更新方式,每次迭代规划路径按多目标评价函数数值进行排序并分段,对不同的分段,引入不同的信息素强度放大系数,提升了算法的收敛速度。最后对规划路径进行二次优化,即先对路径节点进行优化,减少不必要的转弯节点,减小了路径转弯角度以及路径长度;再利用贝塞尔曲线对节点优化后路径的转弯拐点处进行平滑。在20×20的简单和复杂栅格环境中进行仿真实验,结果表明,改进蚁群算法规划出的路径长度更短、转弯角度更小和路径更加平滑,同时改进蚁群算法的迭代收敛速度更快,验证了改进蚁群算法在移动机器人路径规划中的优越性。     

轮式机器人路径规划的改进蚁群算法

针对轮式机器人在多窟障碍地形图中的路径规划问题,为了克服基本蚁群算法的局部最优问题,提高算法的收敛速度,以及节约找寻最优路径的时间,提出了一种基于多维信息素及模糊集的改进蚁群算法。在栅格化地图上,通过模糊集将某一点距离障碍物以及接受目标的信息程度表达出来,重新更新栅格化地图,从而减少地图中搜索空间,节约搜索时间。其次把传统蚁群算法中的一维信息素改进为多维信息素,得到满足多个约束条件下的路径。通过多组仿真实验的结果表明,验证了改进算法的可行性和有效性,提高了基本蚁群算法对最优路径问题的优化性能与收敛速度。与现有算法相比较,迭代次数节约了70%左右,缩小了20%的蚁群数量。     

轮式机器人路径规划的改进蚁群算法CSCD

针对轮式机器人在多窟障碍地形图中的路径规划问题,为了克服基本蚁群算法的局部最优问题,提高算法的收敛速度,以及节约找寻最优路径的时间,提出了一种基于多维信息素及模糊集的改进蚁群算法。在栅格化地图上,通过模糊集将某一点距离障碍物以及接受目标的信息程度表达出来,重新更新栅格化地图,从而减少地图中搜索空间,节约搜索时间。其次把传统蚁群算法中的一维信息素改进为多维信息素,得到满足多个约束条件下的路径。通过多组仿真实验的结果表明,验证了改进算法的可行性和有效性,提高了基本蚁群算法对最优路径问题的优化性能与收敛速度。与现有算法相比较,迭代次数节约了70%左右,缩小了20%的蚁群数量。     

基于 Ｋ- ｍｅａｎｓ信息挥发速率动态调整的 改进蚁群算法

针对蚁群算法在求解 ＴＳＰ问题时，存在容易陷入局部最优，收敛速度慢，且求解时间较长的问 题，提出了一种基于 Ｋ- ｍｅａｎｓ与信息挥发速率动态调整策略的改进蚁群算法，利用 Ｋ- ｍｅａｎｓ聚类算法将 大规模 ＴＳＰ问题分解为数个子问题。在城市选择上，加入轮盘赌规则，对信息素更新规则进行了改进，每轮 迭代时动态调整信息挥发速率。实验表明，相比蚁群算法，改进算法避免了求解陷入局部最优解，加快了算 法的收敛。     

贝塞尔曲线融合ACO的移动机器人路径规划

针对基本蚁群算法(ACO)收敛速度慢的特点,提出了一种移动机器人路径规划的蚁群优化改进算法。通过限制信息素的取值范围,扩大了搜索结果,从而避免了算法过早收敛,同时还提出了一种信息素挥发系数自适应调节的改进蚁群算法方略,意图通过自适应的调整信息素挥发系数来提高算法的全局性和算法的收敛速度。针对在栅格环境中蚁群算法规划出来的路径折线多,转角大的特点,提出了用贝塞尔曲线优化路径的方法。仿真结果显示,经过优化过后的平滑路径更加适合移动机器人的运行情况,在任意随机给定的环境中,算法能够迅速找出最优路径。     

基于改进蚁群算法的自动导引运输车全局路径规划方法研究

针对自动导引运输车(AGV)全局路径规划采用传统蚁群算法存在收敛速度慢、易陷入局部最优的问题,提出了基于改进蚁群算法的AGV全局路径规划方法。首先,运用MAKLINK图论法构建了具有障碍物的环境模型,作为路径规划的基础;其次,改进的蚁群算法中融合了动态权重目标导向原理,设计了一种新的启发式函数,提高了其选择距离目标点更近的可选节点的概率,减小了AGV对非最短路径的选择概率;然后,采用动态调整信息素挥发系数策略进行了信息素更新,提高了算法的搜索效率;最后,将改进蚁群算法与传统蚁群算法进行了仿真实验对比。研究结果表明:与传统蚁群算法相比较,改进措施可使收敛速度提升近一倍,路径规划效率显著提高。     

融合改进蚁群和DWA的移动机器人路径规划

针对传统蚁群算法搜索时间长、易陷入局部最优且动态规划能力弱等缺陷,提出一种融合改进蚁群和动态窗口算法（DWA,Dynamic Window Approach）的路径规划方法,解决移动机器人全局路径优化以及局部动态避障路径规划问题。在分析传统蚁群算法路径规划原理及优缺点的基础上,通过引入初始栅格转移规则、改变信息素更新方式、删除冗余节点、圆切障碍顶点等方法,提高蚁群算法的收敛速度、规划路径的平滑度以及安全可靠度;进一步在改进蚁群算法中引入DWA进行局部路径规划,实现机器人的动态避障。对比仿真结果表明,所提改进算法在路径长度、迭代次数、收敛时间以及路径平滑度、安全可靠度等性能指标上较传统算法均有所提高。     

基于改进蚁群算法的激光切割加工路径优化研究

针对激光切割加工全局路径优化采用传统蚁群系统算法时,存在收敛速度慢、易陷入局部最优的问题,对蚁群系统算法进行了改进研究。利用激光加工图元的起点和终点信息,建立了图元等价TSP问题的数学模型,提出了通过最邻近插入算法对蚁群系统算法路径规划结果进行了再优化的改进算法;详细阐述了改进蚁群系统算法的实现步骤,分析了传统蚁群系统算法和改进蚁群系统算法的迭代次数和优化效果。研究结果表明:该改进蚁群系统算法加快了收敛速度,迭代次数减少了约30%,缩短了激光加工所走路径的总长度,并成功应用到自主开发的高速激光切割加工系统中。     

引入变异算子的改进贪心和蚁群混合算法

为求解旅行商问题,对一种改进的2-opt和蚁群混合算法进行了改进,引入了贪心算法和变异算子,解决了算法求解过程中随着迭代次数增加,局部最优解路径上信息素浓度过高的问题,避免了算法运行后期信息素浓度与节点距离对状态转移概率计算影响度失衡的不足,增加了路径的多样性,为解决蚁群算法易收敛于局部最优解的不足提出了新的思路。最后采用差分进化算法对算法参数进行了优化。使用改进后的算法求解旅行商问题,验证了算法改进的可行性和有效性。     

基于改进蚁群算法的移动机器人全局路径规划方法研究

针对基本蚁群算法在移动机器人全局路径规划中收敛速度慢,易陷入局部最优解的问题,提出一种改进的蚁群算法。将A*算法的根据目标点自适应调整启发函数的思想应用于蚁群算法中,增加目标点对启发函数的影响;改进状态选择策略,增加解的多样性;混合使用多种信息素分配机制,提高算法的收敛速度。通过布置相同的路径搜索条件,在MATLAB语言环境下进行仿真分析,验证了改进的算法是可行有效的。     

基于改进蚁群算法的移动机器人路径规划研究

传统的蚁群算法在移动机器人路径规划过程中,在加速算法收敛时易陷入局部最优问题,针对此问题提出了一种新型蚁群算法的移动机器人路径规划方法。首先建立了机器人路径规划数学模型,在此基础上对传统的蚁群算法进行了改进,将环境中局部的机器人路径信息引入到蚁群信息素的初始化和路径选择概率中,提高了蚁群算法的收敛速度并防止算法早熟。通过引入交叉操作并对蚁群算法中参数进行调整,避免了算法陷入局部最优。仿真结果表明,所提方法能够明显提高最佳路径搜索能力,整体性能优于传统蚁群算法。     

基于改进蚁群算法的桥式起重机路径规划问题研究

通过研究桥式起重机路径规划问题,提出一种改进的蚁群路径规划算法。针对传统蚁群算法收敛速度慢,容易陷入局部最优的缺点,借鉴A*算法和狼群分配原则改进自适应启发函数、信息素更新机制。根据桥式起重机的运行特征,通过运动学动力学分析抽象出两个仿真因子:路径长度和节点数量,提出以路径长度、运行时间和稳定性等性能参数为代价的新的评价标准。栅格环境下的桥式起重机路径规划仿真结果表明,改进的蚁群算法提高算法的收敛速度,避免搜索陷入局部最优,可以得到较优的工程应用路径。     

基于改进蚁群算法的机器人路径规划问题研究

针对基本蚁群算法前期搜索效率低下以及在寻优的过程中会穿过障碍物等问题,提出改进的蚁群算法,即采用动态调整启发因子、信息素初始化改进策略、可选节点的筛选机制方案进行改进工作。通过对基本蚁群算法和改进蚁群算法的仿真结果分析可知,改进后算法的最优路径长度虽然有所增加,但减少了蚂蚁前期到达最优路径的迭代次数,得到一条无碰撞、没有穿过障碍物的路径,且耗时与基本蚁群算法相持平,保证了机器人路径的安全性,提高了算法的前期搜索效率。     

基于改进蚁群算法的机器人路径规划研究

针对基本蚁群算法在路径规划时出现收敛速度慢,易陷局部最优的问题,提出一种改进的蚁群算法。首先,为使算法在搜索时更具导向性引入方向夹角启发因子减少提高搜索速度;其次,融入A*算法的估价函数思想来改进启发函数,降低死锁可能性;最后,提出基于拉普拉斯概率分布的信息素挥发因子自适应策略,加快了算法收敛速度。多次仿真实验表明,所提出的改进算法能够快速,高效地寻找到最优路径,且路径质量优于基本蚁群算法规划出的路径。     

基于改进蚁群算法的移动机器人路径规划研究

针对蚁群算法在复杂环境下收敛速度慢且易陷入局部最优值的问题,提出一种改进的蚁群优化算法。该方法依据起始点和目标点位置信息选择全局有利区域增加初始信息素浓度,提高前期蚂蚁搜索效率;增加避障策略,避免蚂蚁盲目搜索产生大量交叉路径并有效减少蚂蚁死锁数量;采用动态参数控制的伪随机转移策略,提出优质蚂蚁信息素更新原则,自适应调整挥发系数,提高算法全局性;进行二次路径规划,优化路径并降低移动机器人能耗的损失。实验结果表明,该算法有较高的全局搜索能力,收敛速度明显加快,并且可以有效提高移动机器人工作效率,验证了该算法的有效性和优越性。     

人工势场引导蚁群算法的机器人导航路径规划

蚁群算法应用于路径规划时,算法前期信息素分布均匀,只依赖启发信息搜索最优路径,因此存在盲目搜索和收敛慢的问题;蚁群算法后期由于信息素的正反馈作用,使蚁群算法陷入局部最优时无法跳出.为了解决这些问题,提出了改进人工势场法引导蚁群算法的路径规划方法.介绍了栅格环境建模法;以人工势场法为基础,给出了路径中间点选择方法,取消了障碍物斥力而只保留目标点引力,在目标引力下实现路径规划;以改进人工势场法规划路径启发蚁群算法,减少前期路径规划盲目性,实现加快收敛的目的;改进信息素更新方法,使信息素遗留因子随路径优劣自适应变化.由仿真结果可以看出,相比于蚁群算法和文献[10]势场蚁群算法,这里算法规划路径最短、平均迭代次数最少、算法平均耗时最少.     

基于蚁群算法路径规划的收敛性分析

针对基本蚁群算法存在收敛速度慢,计算周期长,易死锁等问题,提出了蚂蚁回退、蚂蚁相遇、带交叉点的路径交叉的改进算法.通过随机数引入和状态转移概率的应用,平衡了各路径信息素,从而有效的避免陷入局部最优,使得算法在收敛速度和执行效率上得到有效提高.仿真结果表明:该算法在较短的时间内能够规划出较优的路径.