路径诱导系统中双向启发式A*算法研究

针对实际城市交通路网最优路径规划中存在的计算效率问题,研究了最优路径算法的快速实现技术,提出了一种双向启发式A*诱导算法。在分析经典Dijkstra算法和A*启发式搜索算法的基础上,利用双向A*算法分解搜索空间,采用完全二叉堆结构来实现计算过程中数据的存取,从而提高了算法的执行效率。实际路网仿真结果证明了该算法的优异性能。     

最优交通路线搜索算法研究

介绍在错综复杂的交通网中几类常用最短路径的搜索算法,重点介绍已知源点到其他目标点的最优交通路线的搜索算法,即单源最短路径问题的Dijkstra算法,从该算法的思想、应用、实现方法、算法分析和功能扩展等方面介绍此算法如何能获得最优的交通路线.     

一种实时多目标路径规划方法

提出一种利用实时搜索思想的多目标路径规划方法.首先设计并实现局部路径规划算法,在有限的局部空间内执行启发式搜索,求解所有局部非支配路径;在此基础上,提出实时多目标路径规划方法,设计并实现相应的启发式搜索算法,在线交替执行局部搜索过程、学习过程与移动过程,分别用于求解局部空间内的最优移动路径,完成状态的转移和更新状态的启发信息,最终到达目标状态.研究表明,实时多目标启发式搜索算法通过限制局部搜索空间,避免了大量不必要的计算,提高了搜索效率,能够高效地求解多目标路径规划问题.     

城市交通系统最优路径算法研究

针对目前交通拥挤现象提出了城市交通诱导系统,最短路径寻求是其主要问题之一。通过对最短路径实现算法的分析和研究,本文对传统的Dijk—stra算法和启发式搜索算法As算法进行了详细的探讨。基于GIS特性对最短路径算法进行优化,改进了Dijkstra算法。     

车载导航仪中路径规划算法及其实现

讨论了路径规划中迪杰斯特拉算法和启发式搜索算法的原理 ,用C语言实现了基于最小堆的启发式搜索算法 ,并成功地应用于车载导航仪中     

车载导航仪中路径规划算法及其实现

讨论了路径规划中迪杰斯特拉算法和启发式搜索算法的原理,用C语言实现了基于最小堆的启发式搜索算法,并成功地应用于车载导航仪中。     

GIS中最短路径的算法研究与仿真

最短路径是GIS应用中的主要问题之一。通过对GIS中最短路径理论和实现算法的分析和研究 ,该文对传统的Dijk stra算法和启发式搜索算法A 算法进行了详细的探讨 ,并说明了各自的特点及适用条件。在对一些最短路径算法测试结果总结的基础上 ,根据GIS中网络计算的实际情况 ,对搜索算法的数据结构和存储方式进行了优化。最后 ,利用MapObjects组件对国家基础地理信息系统 (NFGIS)中的公路数据文件进行了仿真分析 ,得出一些有益的结论。     

游戏地图最短路径搜索设计与实现

最短路径搜索是directx游戏的一项核心技术,文章分析了常用的搜索算法:宽度优先,深度优先和启发式搜索,最后剖析采用搜索树的A*算法来实现大地图与复杂地形的最短路径搜索。     

改进型A*算法在物流配送网络中的应用

A＊算法是目前路径搜索中应用最广泛的算法,最短路径搜索算法效率是研究人员普遍关注的重点,本文在分析A＊算法的基础上,重点介绍了一种改进型A＊启发式搜索算法,实验结果表明：提出的改进方法极大地减少算法搜索区域,提高了算法的效率,更加适合交通网络的路径导航。     

改进的启发式算法在NoC路径分配中的应用

提出了一种改进的启发式路径搜索算法,适用于当前最常见的2-D Mesh拓扑结构,根据各IP模块间的通讯状况,选择最优的通讯路径,以节约通信时间,降低系统功耗.模拟实验结果显示,提出的算法能够很好地完成NoC路由的路径分配任务,并在效率上较经典的最短路径算法(Dijkstra算法)有了较显著地提升,特别是在拓扑网络复杂的情况下效率提高会明显.     

大规模AGV的改进时间窗路径规划

在机器人路径规划中,A*算法搜索路径时存在大量冗余节点,随着任务量增加,其搜索效率也会急剧下降,因此无法适应大规模任务下的路径规划。为此提出一种改进时间窗的有界次优A*算法用于求解大规模自动导引车（automatic guided vehicle,AGV）路径规划问题。算法使用时间启发式,并在搜索过程中采用时空搜索,规划无冲突的最优或次优路径。算法主要进行了三处改进：采用时间启发式,缩短了路径时间;采用动态时间窗算法,避免多次路径规划;优化了聚焦搜索算子,降低负反馈。通过MATLAB实验结果证明改进后的算法在进行多机器人路径规划时,能快速有效地规划出无冲突的平滑次优路径,搜索效率高,稳定性强。     

基于分层路网的路径规划算法

为了提高路径规划的效率,提出了一种基于分层路网的二叉堆管理开启列表启发搜索算法。首先根据路网分级特点的存在,建立分层地图数据库,然后以启发式A*算法为主搜索方式,结合优先队列二叉堆来管理开启列表,完成路径规划。通过实验对比不同路径规划算法的平均耗时显示：启发式A*算法的效率是盲目式Dijkstra算法的4倍左右,同时在算法中引入二叉堆至少节省5%的规划时间。分层策略使快速路段所占比例达到90%以上,且将路径规划耗时控制在3s以内。实现结果表明,所提算法具有很高的运行效率,同时能满足驾驶者多走快速路段的行车心理。     

未知环境下移动机器人遍历路径规划

为提高未知环境下移动机器人遍历路径规划的效率,提出了一种可动态调节启发式规则的滚动路径规划算法.该算法以生物激励神经网络为环境模型,通过在线识别环境信息特征,动态调用静态搜索算法和环绕障碍搜索算法,有效减少了路径的转弯次数.引入虚拟障碍和直接填充算法,解决了u型障碍区域的连续遍历问题.最后通过仿真实验表明了该方法在未知复杂环境下的有效性.     

基于栅格空间的移动机器人快速路径规划方法

基于栅格空间的节点扩展方式,提出了一种移动机器人快速路径规划的新方法;在引人可视性概念的基础上,通过对传统八邻域法扩展节点进行改进,成功将节点间派生关系由物理相邻引申到逻辑相邻,从而完成任意方向的节点扩展;采用启发式搜索算法D*Lite进行搜索,将应用两种扩展方式的算法在VC环境下分别实现并进行了分析比较;仿真结果表明,新算法不仅极大缩短了路径长度而且显著降低了执行时间。文章提出的算法很好地解决了移动机器人快速路径规划问题。     

一种基于启发式搜索的跨域认证路径构建算法

针对跨域认证中存在域间与域内路径反复交替查找的特点,提出一种基于启发式搜索的AD*跨域认证路径构建算法。结合A*和D* 2种搜索方法,即在静态的域内查找认证路径时使用A*算法,在动态的域间使用D*算法。实验结果表明,该算法能在一定程度上避免路径查找的不确定性,有效提高跨域认证路径构造的速度。     

基于改进RRT*FN算法的机器人路径规划

针对固定节点数的渐近最优快速扩展随机数算法(RRT*FN)精度低、收敛到最优值速度慢等问题,提出一种改进的RRT*FN路径规划算法,并用于解决二维静态环境下的移动机器人全局路径规划问题.首先,改进算法使用与RRT*FN算法相同的均匀采样方法进行路径搜索,当搜索到一条初始路径时,在之后的路径规划中使用启发式采样方法.在之后的每次迭代中,改进算法在椭圆子集采样方法与路径点邻近区域采样方法中随机选择一种作为当前采样方法.然后,当树中的总节点数达到预设值时,对树中的叶子结点采用加权方法进行删除.通过给予采样区域内的叶子结点更高的权重,从而将采样区域外的叶子结点以更高概率删除,得以保留树中的高性能节点,以便提高算法性能.最后,通过仿真实验验证改进算法的有效性.     

基于改进A*算法的移动机器人路径规划研究

A*算法广泛应用于移动机器人路径规划中，而传统A*算法在寻路时，普遍存在搜索时间较长、效率低下等问题，因此，采用双向搜索的方式，对传统A*算法加以改进，该算法在路径规划过程中，可同时进行正反向路径搜索，同时采用正反向搜索交替机制，保证了最终目标节点搜索在连线中点区域内相遇，从而缩短了寻路计算时间。在MATLAB平台上，针对改进后的A*算法进行仿真实验，结果证明，双向A*算法减少了规划时间，且可生成最优路径。最后，将该算法应用到基于开源机器人操作系统的Turtlebot2移动平台上，进行现场实验，实验结果表明，双向A*算法减少了寻路计算时间，从而使得路径搜索效率得到显著提升，且规划路径合理，满足路径规划要求。     

基于分层搜索的移动机器人路径优化

分析比较了经典的全局路径规划算法,针对移动机器人运动路径规划的优化问题,将A*、人工势场、栅格等多种算法的优势加以综合考虑,提出一种基于栅格的分层搜索概念。该方法采用栅格法进行建模,以分层搜索为核心思想,外层采用A*算法将复杂的图元模糊化以简化环境,内层则采用人工势场算法将具体的栅格还原以解模糊,具有一定的理论意义与应用前景。其仿真实验表明,该方法能达到较好的路径规划效率和实时性。     

改进A*算法的水面舰艇静态航路规划

针对复杂海洋环境下水面舰艇航路规划时出现的大地图寻路速度慢、航路安全性差、航路不平滑等难题,结合电子海图提出了一种改进A*算法的航路规划方法。提出一种自适应的改进启发函数,在搜索节点时加入目标节点的方位信息,加快了A*算法搜索路径的速度;加入迫使航路远离障碍物的安全距离,解决了传统A*算法沿障碍物边缘寻路导致航路安全性差的问题;对原始航路进行二次优化,在对原始路径提取转折点后,通过判断任意两个转折节点的直线可达性,将转折节点之间的实际距离转化为距离矩阵,使用Dijkstra算法优选出航路长度更短的关键转折点,最终使用二阶贝塞尔曲线对航路转折处进行平滑处理,以满足航路平滑且易跟随的要求。仿真实验表明,相对于传统A*算法,改进算法规划的路径具有寻路速度更快、航路距离更短、航路安全性更高的特点。     

融合改进A*与DWA算法的机器人动态路径规划

传统A*算法是移动机器人全局路径规划的常用算法之一,但是算法搜索效率低、规划路径转折点多、面对复杂环境中随机出现的动态障碍物无法实现动态路径规划。针对这些问题,在考虑全局最优的基础上将改进A*与DWA算法融合,量化环境中的障碍物信息,根据此信息调节A*算法启发函数的权重,提高算法的效率和灵活性。基于Floyd算法思想设计路径节点优化算法,删除冗余节点,减少转折,提高路径平滑度。基于全局最优设计DWA算法的动态窗口评价函数,用于区分已知障碍物和未知动态、静态障碍物,提取改进A*算法规划路径的关键点作为DWA算法的临时目标点,在全局最优的基础上实现了改进A*与DWA算法融合。实验结果表明,在复杂环境中,融合算法规划路径既能保证全局最优,又能及时有效地躲避环境中出现的动静态障碍物,实现复杂环境中的动态路径规划。