基于K-Means与SVM结合的栅格分区路径规划方法

智能清洁机器人全局路径规划中,利用栅格法对清洁机器人的工作环境进行建模。分别介绍了K-Means聚类算法和支持向量机(SVM)算法,使用K-Means聚类算法与支持向量机(SVM)相结合的方法,以不同的约束条件进行聚类,在含有复杂障碍物的栅格地图时能有效减少分区,利用蚁群算法对分区后的栅格地图路径规划仿真,有效地提高了蚁群算法在栅格地图路径规划中的整体效率。     

对AGV路径规划A星算法的改进与验证

为了减少AGV（Automate Guide Vehicle,自动导引车）的运输路径长度和转折次数,提出了改进的A星算法,采用几何方法对传统A星算法规划出的路径进行进一步优化。首先遍历路径上的所有节点,剔除路径中冗余节点和不必要拐点,获取仅包含起点、必要拐点、终点的路径。最后计算AGV在拐点处的旋转角度及旋转方向,使AGV在拐点处能够调整自身姿态。并分别对传统A星算法、蚁群算法和改进A星算法进行了对比实验。实验结果表明该方法不仅保留了A星算法运算速度快的优点,还能够有效地规划出距离短且平滑的路径。提高了AGV的运行效率,降低了AGV的耗能。     

基于惯性蚁群算法的机器人路径规划

栅格环境下蚁群算法规划出的移动机器人路径存在运行慢、路径弯多、转折次数多、局部最优等问题。为获得较优路径,提出了惯性蚁群算法。在传统蚁群算法规划的路径上,采用惯性优化原理,对每一个节点进行遍历,当两个节点间的优化路径上无障碍物时,将中间节点删除,换成优化路径。根据优化信息,动态调整信息素挥发系数,提高了算法环境适应能力。仿真结果表明,相比传统蚁群算法,惯性蚁群算法能更快地找到较优路径,能有效优化路径质量。     

基于改进蚁群算法的智慧物流调度规划

随着物流业的大力发展,通过发展智慧仓储物流,可以极大降低物流成本,加快产业的发展.本文提出了一种在智慧仓储中的AGV车辆系统避碰路径规划,首先利用带时间窗的栅格方法模拟了AGV的制造车间工作环境,提出一种改进蚁群算法,通过改进概率转换公式和信息素更新规则,最后仿真结果验证了该算法可以解决多个AGV的避障路径规划问题,进而实现智慧仓储物流.     

面向机器人全局路径规划的改进蚁群算法研究

针对基本蚁群算法在机器人路径规划过程中路径转弯角度过大、易陷入局部极小值、收敛速度慢等问题,对其进行改进。在分析机器人路径规划环境建模方法基础上,将转角启发函数引入至节点选择概率公式,以增强路径选择指向性,提高算法搜索速度;通过引入当前节点与下一节点之间的距离和下一节点与目标节点距离之和的二次方对启发函数进行改进,使得算法搜索过程更有针对性,并降低陷入局部极小值概率;提出信息素挥发因子自适应更新策略,扩大算法搜索范围,提高收敛速度;利用遗传算法的交叉操作对移动路径进行二次优化,以增强算法的寻优能力,进而以Floyd算法为基础引入路径平滑操作,减少移动路径节点。在MATLAB中与其他算法通过求解多个单模测试函数与多模测试函数进行对比,并在栅格法环境建模中进行机器人全局路径规划仿真对比实验,以验证改进算法在路径寻优速度和质量上更具优越性。仿真结果表明,改进后的蚁群算法具有一定的可行性和有效性。     

改进蚁群自适应多级栅格路径优化策略

栅格中节点调度路径规划问题是信息栅格中亟需解决的问题。通过改进基本蚁群算法,提出多级路径优化的路径规划策略。该策略既克服基本蚁群算法在信息栅格中路径优化容易陷入单路径死锁的弱点,又加强蚁群算法搜索的正反馈、高效收敛的优势,避免算法过早或过晚结束而影响划分算法的整体性能,使得信息栅格节点调度能依据任务量和路径性能进行有效分配。     

煤炭勘探及救援机器人最优路径规划研究

为了解决三维环境中的煤炭勘探及救援机器人路径规划问题,提出了一种基于改进蚁群算法的煤炭勘探及救援机器人最优路径规划方法。利用栅格法创建了三维空间环境模型,建立了煤炭勘探及救援机器人的路径规划目标函数;通过引入新的启发函数因子、节点随机选择机制、局部更新和全局更新相结合的策略分别对算法的节点转移概率设计、节点选择策略和信息素更新策略进行了优化改进。Matlab仿真结果表明,在三维空间环境模型中,传统蚁群算法和改进蚁群算法均能为煤炭勘探及救援机器人搜索出一条最优路径;在不同任务要求下,改进蚁群算法能有效缩短搜索路径长度和降低路径搜索时间,且具有较强的决策能力和较好的收敛性能。     

A~*算法的改进及其在AGV路径规划中的应用

A~*算法是一种启发式搜索算法,被广泛应用于路径规划中。其中,启发函数的设计尤其重要。针对物流工厂中自主移动机器人AGV运行路径的特点,提出一种A~*算法中启发函数的设计方法,以提高路径搜索效率。首先,进行环境地图建模,使用拓扑建模法,将AGV运行地图转化为图论中的有向图,并以邻接表的形式存储有向图中节点信息和边信息;然后,研究不同启发函数的选择对A~*算法执行效率的影响;最后,对A~*算法进行改进,结合实际工厂中AGV路径特点,研究加权曼哈顿距离中权值的选择对算法执行效率的影响,并选取经验值进行试验。试验结果表明,与采用曼哈顿距离作为启发函数的A~*算法相比,采用改进的A~*算法平均路径规划效率提高了11.6%。改进A~*算法在AGV路径规划中可以有效提高路径搜索的效率,作为一种适用于工厂环境的AGV的路径规划算法,对A~*算法启发函数的设计有一定的参考价值。     

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.     

基于改进蚁群算法的线缆路径规划技术研究

线缆布线是复杂机电产品设计中的普遍性难题。针对线缆布局设计中存在的效率低、可靠性差等问题,提出了一种基于改进蚁群算法的线缆路径规划方法。采用分段式空间划分方法对待布线空间进行环境建模,同时对布线空间进行栅格化处理,以获取三维布线路径的规划空间。为解决基本蚁群算法在进行路径搜索时路径点容易发散的问题,引入了基于重力规则的蚁群算法路径搜索策略,提高了路径规划的真实度。在仿真实验中,将所提出的方法与基本蚁群算法进行了对比分析,验证了该算法的可行性和有效性。     

改进蚁群算法在AGV路径规划中的应用

针对传统蚁群算法在路径规划时,易陷入局部最优、前期路径有效性差等问题,对传统蚁群算法进行改进并应用到AGV（Automated Guided Vehicle）路径规划上。采用栅格地图建立小车工作空间模型,利用改进的头尾搜索机制,提高并加快了算法的全局搜索能力和前期收敛速度;引入奖惩因子与信息素最大最小阈值,对每代最优路径上的信息素进行奖励,最差路径上的进行惩罚,提高全局搜索能力;引入遗传算法变异因子,使算法跳出局部最优能力加强;采用遗传算法对改进的蚁群算法进行参数优化,减少参数对算法的影响。在VS2017和MATLAB软件平台上进行算法仿真。结果表明了该算法在避免局部最优和加快收敛速度方面有很大改进。     

融合粒子群与改进蚁群算法的AUV路径规划算法

针对传统蚁群算法在处理自主式水下机器人AUV（Autonomous Underwater Vehicle）三维路径规划问题时存在初期寻径能力弱、算法收敛速度慢等问题,提出一种融合粒子群与改进蚁群算法的AUV路径规划算法PSO-ACO（Particle Swarm Optimization-improved Ant Colony Optimization）。基于空间分层思想建立三维栅格模型实现水下环境建模;综合考虑路径长度、崎岖性、危险性等因素建立路径评价模型;先使用粒子群算法预搜索路径来优化蚁群算法的初始信息素;再对蚁群算法改进状态转移规则、信息素更新方式并加入奖惩机制实现全局路径规划。实验表明,算法能有效提高初期寻径能力和全局搜索能力,减少收敛迭代次数并缩短搜索使用时间。     

基于改进蚁群算法的机器人全局路径规划研究

针对蚁群算法在机器人路径规划过程中出现的收敛速度慢的缺陷,提出了基于改进蚁群算法规划机器人全局路径,在栅格地图中划定优选区域,并建立新的初始信息素浓度设置模型,对各点初始信息素浓度进行差异化设置,避免寻优的盲目性,提高了算法的收敛速度。实验结果表明,改进后的蚁群算法的收敛速度明显加快,优于传统算法,表明了该算法的有效性。     

基于改进蚁群算法的移动机器人平滑路径规划

针对移动机器人提出了基于改进蚁群算法的平滑路径规划方法。为了克服蚁群算 法解决路径规划问题时存在的收敛速度慢的缺点,对启发因子的矩阵初始值及更新方式进行了 改进,启发因子改进后的结果与之前相比,平均路径长度减少了 17.6%,平均收敛代数减少了 93.1%;对于栅格环境下存在障碍物时机器人累计转弯角度大的问题,提出了控制点转移策略, 在上一步改进的基础上,通过对控制路径走向的栅格中心点向栅格角顶点的转移,实现了路径 规划的平滑改进。路径规划仿真结果表明,与平滑改进前相比,平滑改进后机器人的平均路径 长度减少了 4.28%,累计转弯角度减少了 52.58%。     

基于信息素负反馈的超启发式蚁群优化算法

针对蚁群算法应用于自动导引小车路径规划收敛速度慢、极易陷入局部最优的缺点，提出一种基于信息素负反馈的超启发式蚁群优化（ACONhh）算法。该算法充分利用历史搜索信息和持续获得错误经验，较快引导蚁群探索最优路径；分层化选择可行节点，加快算法初期收敛速度；设置挥发因子呈类抛物线变化以及调整信息素更新机制，改善路径全局的随机搜索特性。通过严格的数学方式证明了ACONhh算法具有收敛性。仿真和实验结果表明，该算法的收敛速度以及全局搜索性能显著优于目前流行的ACO、ACOhh和ACOihh算法。     

改进蚁群算法在AUV三维路径规划中的研究

针对自主式水下机器人海底地形环境中的三维避障最优路径问题，提出了一种适用于全局路径规划的改进蚁群算法。结合实际情况提出了一种简单有效的三维海底环境建模方案。为了改善基本蚁群算法在实际应用中的不足，根据全局信息设计了启发函数，同时采用局部和全局结合的信息素更新方式，克服算法收敛速度慢、容易陷入局部最优的缺点，提高了算法的全局寻优能力。将路径的长度和路径的光滑度同时作为评价函数，减少路径的消耗，使算法更具备实际工程意义。在大尺度海底环境下仿真验证了该算法的有效性。     

基于自适应机制改进蚁群算法的移动机器人全局路径规划

针对基本蚁群算法在二维静态栅格地图下进行移动机器人路径规划时出现的搜索效率低下、收敛速度缓慢、局部最优解等问题,提出一种自适应机制改进蚁群算法,用于移动机器人在二维栅格地图下的路径规划.首先采用伪随机状态转移规则进行路径选择,定义一种动态选择因子以自适应更新选择比例,引入距离参数计算转移概率,提高算法的全局搜索能力以及搜索效率;然后基于最大最小蚂蚁模型和精英蚂蚁模型,提出一种奖励惩罚机制更新信息素增量,提高算法收敛速度;最后定义一种信息素自适应挥发因子,限制信息素浓度的上下限,提高算法全局性的同时提高算法的收敛速度.在不同规格的二维静态栅格地图下进行移动机器人全局路径规划对比实验,实验结果表明自适应机制改进蚁群算法具有较快的收敛速度,搜索效率明显提高且具有较好的全局搜索能力,验证了所提算法的实用性和优越性.     

基于拓扑栅格建模的AGV路径规划算法优化

为解决不规则布局的智能制造车间中自动导引车(automated guided vehicle,AGV)的路径规划问题,提出一种实现AGV路径规划的双层环境建模方法,在此基础上对其路径规划算法进行有效改进,改进算法附加考虑路径的平滑度,提出模拟退火的种群选择方法。通过仿真实验验证,改进后的算法规划出的路径更加平滑,有效避免了传统遗传算法易陷入局部最优的缺陷。仿真实验还验证了改进算法的有效性区间,当障碍物栅格占全环境比小于等于40%时,改进算法比传统遗传算法有效,在此范围内,障碍物占比越高,算法有效性越好。