基于规划图的蚁群规划算法

图规划是智能规划领域近年来出现的一种重要规划方法,对智能规划的发展起到了很重要的推动作用,图规划算法首先扩展生成规划图,然后通过逐层组合不断回溯的穷举方式进行解提取,这种方式使解提取不仅耗时而且容易陷入局部搜索中.在规划图基础上定义了蚁群智能体,并定义了在规划图上的蚁群搜索方式,提出了蚁群规划算法,使搜索具有较好的全局性和并发性,并具备加速收敛的寻解能力.实验表明,蚁群规划算法在求解一些相对规模较大的规划问题时有更好的优越性.     

领域信息提取的缩规划图算法

传统的图规划技术在处理规模较大的智能规划问题时,由于计算量的递增爆炸,导致算法在规划问题上容易出现效率瓶颈。对图规划技术进行了一些改进：（1）加入领域信息的动态提取和使用;（2）提出了缩规划图的概念和算法,通过引入基于领域信息的启发式函数,对不同的扩展分支进行优选排序,剪除一些执行希望小甚至不合理的扩展分支,从而提高了系统执行效率。实验表明该策略是有效的。     

Markov决策过程的蚁群规划算法

在智能规划问题上,寻找规划解都是NP甚至NP完全问题,如果动作的执行效果带有不确定性,如在Markov决策过程的规划问题中,规划的求解将会更加困难,现有的Markov决策过程的规划算法往往用一个整体状态节点来描述某个动作的实际执行效果,试图回避状态内部的复杂性,而现实中的大量动作往往都会产生多个命题效果,对应多个命题节点。为了能够处理和解决这个问题,提出了映像动作,映像路节和映像规划图等概念,并在其基础上提出了Markov决策过程的蚁群规划算法,从而解决了这一问题。并且证明了算法得到的解,即使在不确定的执行环境下,也具有不低于一定概率的可靠性。     

基于优化蚁群算法的机器人路径规划

研究机器人导航中的路径规划问题,运用栅格法和图论思想建立环境模型,在该模型中通过蚁群算法进行路径寻优,提出用遗传算法的思想改进已有蚁群算法,即GAA算法。仿真实验结果表明,该算法能有效地提高机器人的路径搜索速度及路径优化、路径平滑等方面的指标。     

机器人路径规划问题的蚁群优化算法

研究了机器人在静态障碍物环境下的路径规则问题,根据问题模型的特性设计了一种蚁群优化求解算法。该算法利用前一轮选择的路径对可行解的信息素进行相应的调整,再按转移概率选择路径,经过多次迭代搜索得出最短路径．已达到对机器人的路径优化。     

基于改进蚁群算法的出租车路径规划算法

交通资源规划是一种比较典型的组合优化问题,新型的仿生算法--蚁群算法,由于具有正反馈性、鲁棒性、并行计算、协同性等特点,非常适合于解决交通资源规划问题.针对出租车路径规划问题的特点以及蚁群算法在这方面应用的一些不足,提出了一种改进的蚁群算法.根据同一蚁群的信息素相互激励,不同蚁群之间信息素相互抑制的原理,该算法实现了出租车资源的合理分布.     

蚁群算法及其在移动机器人路径规划中的应用

蚁群算法是优化领域中新出现并逐渐引起重视的一种仿生进化算法.首先介绍了蚁群算法基本原理和特点;然后回顾近年来国内外学者针对移动机器人路径规划的特点,对蚁群算法的进行改进,将其引入移动机器人中进行障碍规避和寻找最优路径,所提出的各种静态路径规划和动态路径规划方法的基本思想和特点.最后分析了蚁群算法在移动机器人路径规划应用中存在的问题,以及该学科未来研究方向.     

基于图知识迁移的蚁群算法参数选择

同时考虑蚁群算法的所有运行参数,提出一种基于图知识迁移的蚁群算法参数选择方法．首先,将包含知识（蚁群算法的运行参数）的源任务映射到一个高维的迁移空间,并通过迁移权值连接不同的源任务,构造一个模型迁移图;然后,扩展模型迁移图使其包含目标任务,并利用图论的知识学习迁移函数;最后,通过最小二乘法自主地给目标任务分配一个优化的运行参数组合．机器人路径规划问题的仿真结果验证了该方法的智能性、快速性与合理性．     

基于STRIPS的领域知识提取策略

提出了谓词之间的一种相似关系,并用该相似关系得到可实现某谓词的动作集.利用该动作集中所有动作的公共前提谓词和公共效果谓词,提取出隐含在动作描述中的领域知识,并给出了描述领域知识的一种形式化方法.最后,对具体的规划问题,可利用领域知识判断出初始状态或目标状态中存在的矛盾.该领域知识的提取策略已应用于智能规划器StepByStep之中,所获取的领域知识对选择待实现的谓词提供了必要的理论依据.     

改进蚁群算法的配电网网架优化规划方法

利用改进蚁群算法对配电网络进行规划,将该算法应用到辐射型配电网络中。在己知各配电变电站供电范围的基础上,利用蚁群算法特有的路径寻优功能进行配电网布局,并处理蚂蚁留下的信息素,以方便地求得配电网络规划问题的最优或近似最优解。通过具体的算例证明,改进的蚁群算法具有更优的全局搜索能力,提高了算法的收敛速度。     

一种蚂蚁粒子群融合的机器人路径规划新算法

研究了一种全新的蚂蚁粒子群融合的机器人路径规划算法。该方法首先用链接图建立机器人运动空间模型,在此基础上利用蚂蚁算法进行全局搜索得到全局导航路径,然后用粒子群算法局部调节全局导航路径上的路径点,得到更优路径。计算机仿真实验表明,即使在复杂的环境下,利用该算法也可以规划出一条全局优化路径,且能安全避障。     

一种障碍环境下机器人路径规划的蚁群粒子群算法

针对机器人在障碍环境下寻找最优路径问题, 提出了一种障碍环境下机器人路径规划的蚁群粒子群算法.该方法有效地结合了粒子群算法和蚁群算法的优点, 采用栅格法进行环境建模, 利用粒子群算法的快速简洁等特点得到蚁群算法初始信息素分布, 以减少迭代次数, 加快算法的收敛速度; 同时利用蚁群算法之间的可并行性, 采用分布式技术实现蚂蚁之间的并行搜索, 求解精度高等优点, 求精确解. 仿真实验结果证明了该方法的有效性, 是机器人路径规划的一种较好的方法.     

二进制粒子群算法在路径规划中的应用

全局路径规划是智能机器人的一个重要研究领域,将二进制粒子群算法应用于路径规划是一种新的尝试.提出一种机器人路径全局路径规划方法,介绍了利用改进的二进制粒子群算法进行路径规划的详细实现过程.机器人工作空间中的障碍物表示为多边形,对多边形顶点进行编号.利用二进制粒子群算法进行路径规划,粒子的长度定义为工作环境中障碍物顶点的个数,每一位为0或1表示路径是否经过该顶点.为了克服传统的二进制粒子群算法的早熟收敛问题,在改进的算法中采用了双重编码结构,并引入变异操作.最后给出仿真结果证明该方法的正确性和有效性.     

蚁群算法在最优路径规划中的应用

最优路径规划是道路交通导航系统中很重要的一个功能。将路径规划问题转化为以加权路径网的以路径长度与通行时间的线性组合为目标函数的优化问题,并提出一种改进的蚁群算法应用于该问题,使规划的路径更加符合各种要求。仿真结果表明,该算法能在较短时间内根据不同需求规划出较优的路径,是行之有效的方法。     

基于领域知识的多智能体分层协作规划方法

针对复杂动态RoboCup仿真环境下的多智能体协作问题,提出一种使用领域知识的多智能体分层协作规划方法。在根据系统提供的环境状态信息建立智能体初始行为规划的基础上,通过逐步填入智能体的状态和行为特征属性知识,分析行动实现的效果,对初始规划行动进行调整,为智能体制定协调一致的行为规划序列,并获得相应的协作策略信息,使其在实际对抗比赛中能针对当前环境快速做出决策,实现通信受限的情况下多智能体的协作。     

微粒群与蚂蚁融合的机器人路径规划新算法

针对栅格法建模的不足,研究了一类全新的微粒群与蚂蚁算法融合的机器人路径规划算法。该方法首先用栅格法建立机器人运动空间模型,在此基础上利用蚂蚁算法进行搜索得到全局导航路径,然后用微粒群算法局部调节导航路径上的路径点,得到更优路径。计算机仿真实验表明,即使在蚂蚁算法得到的导航路径不佳的情况下,利用本算法也可以规划出一条全局优化路径,且能安全避障。     

基于群集智能的蚁群优化算法研究

群集智能是近年来人工智能领域研究的一个新的热点课题。介绍了这一研究的思想方法和数学模型，以蚂蚁群体的智能行为研究对象，阐述了基于群集智能的蚁群优化算法，并介绍了该算法的工程应用。     

一种自适应的蚂蚁聚类算法

受蚂蚁分巢居住行为的启发,提出一种人工蚂蚁运动(ant movement,简称AM)模型和在此模型上的一个自适应的蚂蚁聚类算法(adaptive ant clustering,简称AAC).将人工蚂蚁看成一个行为简单的Agent,代表一个数据对象.在AM中,人工蚂蚁有睡眠和活跃两种状态.在AAC算法中,定义了一个适应度函数用来衡量蚂蚁与其邻居的相似程度.人工蚂蚁通过其适应度和激活概率函数来决定处于活跃态或者睡眠态.整个蚂蚁群体在移动中动态地、自适应地、自组织地形成多个独立的子群体,使不同类别的蚂蚁之间相互