基于状态转移规则改进蚁群算法的机器人路径规划

针对传统蚁群算法在全局路径规划中存在的收敛速度慢、局部最优解、算法优化能力低、种群多样性与收敛速度相互矛盾4种主要问题进行改进，提出了基于动态更新状态转移规则的蚁群算法。通过人工势场法改进启发函数，提高算法的优化能力；利用伪随机状态策略改进状态转移规则，提高了算法的收敛速度；引入动态信息素更新方式，解决局部最优问题，协调种群多样性与收敛速度的矛盾。利用剪枝法对改进后的路径规划算法进行优化。通过分步仿真、对比仿真的方法证明算法改进过程的合理性，提高了蚁群算法在路径规划中的性能。仿真结果表明，改进后算法的路径长度缩短44.08%,运算时间缩短45.13%,在解决4种问题的同时，有效提升了机器人全局路径的平滑性和安全性。     

粒子群-蚁群融合算法的机器人路径规划

为了提升移动机器人在全局静态环境下搜寻到达指定目标点的最优路径的能力,提出一种粒子群算法和蚁群算法改进求解路径规划问题的融合算法。改进算法针对粒子群算法易陷入局部极值,利用蚁群算法获得全局最优路径;设置标识栅格,提升路径安全度;同时引入活跃因子增加粒子速度的多样性,根据粒子群算法最优解调整路径上信息素分布,解决蚁群算法中初始信息素缺乏的问题。融入简化算子,对路径做进一步处理,优化路径长度。仿真结果表明,融合算法具有较强的安全性以及改善了算法寻找最优解的能力。     

基于蚁群算法的点焊机器人工作站路径规划

为合理规划汽车后侧围板点焊机器人工作站焊接路径,以点焊机器人各焊点间运动距离之和最短为目标,建立三维TSP数学模型,并运用蚁群算法求解。针对蚁群算法容易因参数设置不当陷入局部最优解的缺点,提出运用正交试验和回归分析法优化蚁群算法参数,通过正交试验获得最优参数组合,并得到参数主次排序,通过回归分析明确关键参数与最优解之间的关系,经假设检验验证符合二次函数,最终得到最优或近似最优解。结果表明,采用改进的蚁群算法能够得到汽车后侧围板点焊机器人工作站的最优或近似最优路径。     

基于混合参数蚁群算法的移动机器人路径规划北大核心

针对传统蚁群算法因初期信息素分布不均导致算法初期路径选择概率随机性大、搜索速度慢等缺陷,设计一种使用混合参数的蚁群改进算法。在算法开始阶段引入遗传算法,对遗传算法的适应度函数进行改进;设置一个评价点使遗传算法在合适的时机进入蚁群算法,并对算法的信息素挥发因子p采用一种自适应调整方式;对遗传算法的交叉率和变异率以及蚁群算法的信息因子和期望因子采用变异的混合参数,发挥4个参数因子在算法中的优点;在蚁群算法后面设置一个路径进化率的评价点判定是否再次进行遗传变异操作,目的是使蚁群算法跳出局部最优;算法最后引入B样条曲线光滑机制。实验结果表明:改进算法在简单和复杂的环境里找到的路径长度和路径拐点数明显减少,有比其他3种算法更快更准的寻找全局最优能力。     

基于改进野马优化算法的AGV路径规划北大核心

针对求解自动导引运输车(automated guided vehicle,AGV)路径规划问题,提出一种基于改进野马优化算法的AGV路径规划。首先,利用非线性自适应因子有效平衡了算法全局探索和局部挖掘能力;其次,引入偏移进化策略增加子代个体的多样性;然后,引入黄金正弦分割系数指引个体逐渐向全局最优位置方向移动,提高算法的收敛精度和收敛速度;最后,引入B样条曲线平滑策略,进一步优化最优解,获得更短更平滑的路径规划。通过仿真实验验证了改进野马优化算法总体能够减少5.84%的AGV路径规划长度。     

基于改进蚁群算法的机器人焊接路径规划

针对基本蚁群算法在机器人焊接路径规划时，在搜索的过程中容易出现搜索时间过长、效率低、容易陷入局部最优等问题，文中针对基本蚁群算法，引入了Adadelta算法，通过基本蚁群算法和Adadelta算法结合，来改变蚂蚁搜索过程中选择下一焊点的概率，增加了随机性. 通过Adadelta算法参数的更新，改善了蚂蚁信息素的更新，并改进了信息素挥发系数ρ，采用自适应的方式来更新信息素. 对改进算法运用MATLAB进行仿真，结果分析得知，文中的改进蚁群算法比基本蚁群算法搜索能力更强，算法效率更高，比基本蚁群算法提前20代左右收敛，有效解决基本蚁群算法的局部最优、收敛速度慢等问题，使搜索结果更优.     

基于改进蚁群算法的打磨机器人路径规划北大核心

针对打磨机器人在复杂空间中路径规划时存在收敛速度慢、容易陷入局部最优等问题,提出一种基于改进蚁群算法的打磨机器人路径规划方法。建立打磨机器人D-H连杆模型,进行正逆运动学分析以及计算验证;提出一种改进的信息素更新方法,将新的自适应计算方法应用于状态转移规则,并通过引入阻尼系数ξ改进启发式信息函数;在MATLAB中进行模拟仿真实验,得到改进蚁群算法最佳参数组合。结果表明:相对于基本蚁群算法,所提出的改进蚁群算法从起点到终点的最短路径长度平均减少14.3%,迭代次数平均减少55.3%;结合打磨机器人刀具位置等特点,可以获得路径长度最短且平滑的运动曲线。所提方法可有效解决打磨机器人三维路径规划问题。     

基于烟花灰狼算法的冗余机械臂运动学逆解

针对常规方法无法有效求解冗余机械臂逆运动学解问题，提出改进灰狼算法的机械臂逆运动学求解方法，采用一般反向学习初始化与烟花算法爆炸机制相结合，使得算法具有较强的抗干扰与全局求解性，有效避免早熟、局部最优问题。采用10种经典测试函数对改进灰狼算法进行性能测试，测试结果证明改进灰狼具有收敛精度高、抗干扰能力强等特点。以凿岩机器人的七自由度机械臂逆运动学求解为例，采用MDH法建立运动学模型，运用改进灰狼算法求解并与粒子群、模拟退火、传统灰狼算法进行对比，仿真结果表明：该算法性能优于其他算法，能对冗余机械臂逆运动学进行有效求解。     

基于改进灰狼算法的机械臂运动学高精度逆解北大核心

为提高串联机械臂逆运动学的求解精度、简化求解难度及增强求解通用性,提出一种适用于各类串联机械臂逆运动学求解的改进群智能算法;根据改进D-H参数法建立机械臂运动学模型,以最小化位姿误差为优化指标建立目标函数,将逆运动学求解问题转化为优化控制问题。通过多种群混沌协同搜索策略、最优学习策略、多重变异扰动策略和跳出局部最优策略4种改进策略提出一种多策略协调改进的灰狼优化(multi strategy coordination improved grey wolf optimization,MSCIGWO)算法,并应用于求解各类串联机械臂逆运动学。仿真试验结果表明,改进后的灰狼优化算法求解性能得到极大提高,相比于直接采用灰狼优化算法求解机械臂逆运动学,MSCIGWO算法的收敛速度、收敛稳定性更强且可高精度收敛至精确小数点后12位数值精度的理想位姿,验证了该算法求解的有效性与通用性。     

基于混合蚁群算法的AGV路径规划

针对传统蚁群算法在求解自动导引运输车(Automated Guided Vehicle,AGV)路径规划时存在搜索效率低且易陷入局部最优的问题,提出了一种运用于AGV路径规划的混合蚁群算法。首先,利用可视图法建立研究问题的环境模型,在此基础上利用A~*算法规划出一条较优路径作为初始路径;其次,对蚁群算法信息素更新方式以及节点转移概率公式中的启发函数加以改进来提高算法的求解精度,在初始路径的基础上运用改进后的蚁群算法求出最优路径;最后,将混合蚁群算法应用于实际案例,通过与传统蚁群算法的搜索结果加以对比,验证了混合蚁群算法的有效性。     

基于层次地图模型的改进蚁群路径规划北大核心

针对大规模环境中蚁群算法存在搜索空间大、易陷入局部最优等问题,设计了一种基于层次地图模型的改进蚁群算法。首先,基于K-means聚类算法进行地图预处理并构造了由底层与高层地图构成的层次地图模型,依据当前区域精细搜索、远处区域粗略搜索的策略获取非完整路径,使高层路径为路径搜索方向提供指引;其次,将层次地图中的路径搜索策略引入蚁群算法的状态转移过程中,由此减小蚁群算法的搜索空间,同时改进了所设计蚁群算法的启发函数,提升路径平滑度;最后,仿真结果表明改进后的蚁群算法避免了传统蚁群算法易陷入局部最优的问题,在大规模环境中有较好可行性与有效性。     

基于改进蚁群算法的农用喷药机器人路径规划

研究农用喷药机器人路径规划问题,提出一种基于改进蚁群算法的路径寻优方法。首先,获取实际工作环境信息,抽象化处理工作环境,采用栅格法建立喷药机器人工作环境模型;其次,为使算法搜索更具目的性,引入目标点诱导机制,设计新的距离启发函数,并在此基础上对状态转移概率进行改进;为避免算法搜索出现停滞和提高路径搜索效率,通过引入信息素阈值限定、信息素局部和全局更新相结合的策略对信息素更新方式进行优化;最后,通过仿真实验测试两种算法解决喷药机器人路径规划问题的实际效果。结果表明:两种算法均能有效解决喷药机器人路径规划问题,且相比传统蚁群算法,改进蚁群算法不仅可以有效改善自身收敛性能,而且可以增强自身全局寻优能力。     

改进麻雀搜索算法下机械臂轨迹规划

针对数控加工机器人的工作抖动问题,考虑机床工作精密度、时间、能耗指标,提出一种时间寻优的改进麻雀搜索优化算法。使用D-H参数构建机械臂数学模型,在MATLAB环境下对已建立模型进行仿真分析,利用3-5-3多项式插值法对机械臂空间轨迹路线分析,并提出麻雀搜索算法优化方案,对比传统算法及改进后机械臂关节速度及加速度曲线,明确优化后算法高效性,对比其他优化算法,确定机械臂时间最优解。研究结果表明,改进麻雀搜索算法粒子收敛速度提升43%,最优解收敛精度提升8%,机械臂轨迹规划用时明显缩短,轨迹规划达到预期,有效提高算法收敛效率及求解精度。     

基于改进D?Lite遗传算法路径规划研究

针对遗传算法在移动机器人路径规划中易产生早熟现象和收敛速度慢的问题,提出了改进的D~* Lite遗传算法。该算法将D~* Lite算法和遗传算法相结合,通过引入碰撞系数和可视检测技术以提高路径安全性,寻找最短路径。在遗传算法设计中加入动态调整交叉与变异概率,以解决算法在路径规划中因陷入局部最优值而不能到达目标点的问题。最后,通过实验仿真可知:与蚁群算法和免疫遗传算法相比,改进的D~* Lite遗传算法执行效率高,可以快速规划出全局最优路径。     

改进人工势场法的机械臂轨迹规划

针对传统人工势场法(APF)在机械臂避障路径规划过程中出现目标不可达和局部最小值问题，提出一种改进人工势场法算法。首先，使用人工势场法控制机械臂时陷入危险区域时，引入跳点搜索算法，寻找最优跳点作为下一迭代点，同时设强迫邻居为虚拟目标点，指引机械臂摆脱危险区域；其次，再使用人工势场法搜索；最后，引入3次均匀B样条曲线进一步优化最优解，进而生成一条平滑、无碰撞的路径。通过二维地图和机械臂避障实验，验证了改进算法的有效性和可行性。     

基于改进蚁群算法的移动机器人路径规划

针对动态未知环境下机器人路径规划中存在的不足,提出一种全局规划和局部规划相结合的混合型规划方法。全局规划中,针对基本蚁群算法易陷入局部最优以及易陷入U型或V型障碍物的缺陷,提出采用夭折策略对基本蚁群算法进行改进,并采用改进的蚁群算法离线规划出一条粗略的全局优化路径,将该"粗"路径分解为局部规划各个阶段的子目标。局部规划中,机器人实时探测局部环境信息,应用滚动优化原理,不断修正运动路线,使机器人在每一时刻的滚动窗口内都避开障碍物向子目标点运动,把整体的寻优分解为各个滚动窗口内的局部寻优,克服了全局规划不能追踪动态信息的缺点。仿真结果表明,该方法可行且具有良好的稳定性。     

基于改进蚁群算法的机械加工零件物流配送路径研究

针对机械加工过程中,蜗轮减速器零件的工艺路线问题,考虑车辆负载、配送路径长度与时间惩罚等约束,为了规划出最优配送方案,构造以运输成本最小为优化目标的调度模型,采用改进蚁群算法进行模型求解。将时间窗、节约矩阵作为先验信息引入状态转移策略以及对信息素更新的优化,采用蚁群算法对蜗轮减速器零件的配送路线问题进行求解,寻求最优配送方案以及对VRP问题的基准算例仿真,与其他算法对比,表明了该文算法的有效性。     

分区自适应蚁群算法的多面体数控钻床加工路径优化

针对多面体数控钻床运行过程中加工路径距离最短问题,使用传统二维平面路径优化很难得出全局最优解。为解决上述问题,首先,通过采用相邻面几何避障方法以寻找过渡点确保钻头与工件内部无几何干涉;其次,通过对比分析标准蚁群算法和自适应蚁群算法的收敛速度和求解精度,发现加入动态变化信息素挥发参数的自适应蚁群算法拥有更好的综合性能,为验证该算法的优越性和可行性,将其与标准蚁群算法进行仿真结果对比分析。仿真结果表明,分区自适应蚁群算法较标准蚁群算法具有更好的全局搜索能力,其收敛迭代次数及最短路径距离都有明显减少。     

改进引导因子的精英蚁群算法航迹规划研究

针对基本蚁群算法在无人机自主航迹规划过程中容易陷入局部最优解的不足,采用对引导因子进行改进的精英蚁群算法来研究二维空间环境下无人机的全局航迹规划问题。首先选择栅格法对空间进行划分,建立静态障碍物地图并构建启发因子;其次,通过加入改进引导因子的精英蚁群算法寻找到达目标点距离最短的航迹;最后通过仿真实验对比改进引导因子的精英蚁群算法与基本蚁群算法和最大最小蚁群算法搜索的航迹优劣。     

改进的蚁群算法在智能车辆路径规划中的运用

针对智能车辆路径规划问题,提出一种改进蚁群智能路径规划方法。首先,分析了传统蚁群算法的基本原理及存在的缺陷;其次,通过引入障碍物位置信息、改变启发式因子以及信息素更新方式,提出一种改进蚁群算法;最后,充分考虑智能车辆动力学约束,进一步对规划路径进行平滑和优化处理。采用栅格地图,建立智能车、车道以及动态障碍仿真场景进行车辆避障仿真实验,在存在静态和动态障碍物的不同道路环境下,均成功规划出一条路径更短且更为平滑的全局安全路径。实验结果表明所提方法能够较好地克服传统蚁群算法存在的缺陷,在提高算法效率的同时优化车辆行驶路径。