基于优化人工蜂群算法的多机器人协同规划

为了提高人工蜂群算法在多机器人路径规划中的性能,提出了优化人工蜂群算法。提出了一种新的环境建模方法,将障碍物边缘平滑化;分析了人工蜂群算法原理,改进了新食物源的生成方法,提出了自适应的搜索因子,兼顾了大范围搜索和算法收敛速度;改进了机器人路径点的表示方法,使用位置夹角表示机器人路径点,减少了位置参数;使用加权方式将路径长度、路径平滑度、路径安全性综合为目标函数。仿真实验结果表明,改进在多机器人路径规划中不仅耗时较少,而且路径也短,且随着机器人数量的增加,耗时和路径长度的差距越来越大。     

复合形引导蜂群寻优的无人机航迹多目标规划

为了提高无人机导航路径规划的精度和稳定性,提出了复合形引导蜂群寻优的无人机航迹多目标优化方法。使用坐标变换方法,将二维规划问题降为一维;建立了航迹规划的目标函数与约束条件;在传统人工蜂群基础上,改进了蜜源初始化方法,使前后航迹点相互关联,提高航迹可行率;为了提高收敛速度,改进了雇佣蜂和观察蜂的蜜源搜索方式,提出了随机搜索与最优蜜源引导相结合的位置更新方式;提出了Metropolis准则改进观察蜂蜜源选择策略,有利于算法跳出局部最优、保留潜在最优;使用复合形法引导蜂群整体向优质蜜源运动,提出了复合形引导蜂群寻优算法。经仿真验证,与传统算法和混沌扰动算法相比,复合形引导蜂群算法的收敛迭代次数分别减少了4倍和6倍,寻优时间降低了约一个数量级,且规划航迹更优、稳定性更好。     

多陷阱复杂环境下机器人导航路径蚁群规划方法

在多陷阱复杂环境下规划机器人导航路径,蚁群算法容易掉入陷阱而降低运算效率和路径质量,为了解决这一问题,提出了基于多种群蚁群算法的路径规划方法。使用栅格法建立了工作环境的(0～1)矩阵模型,使用路径长度和路径平滑度建立了路径评价函数。针对蚂蚁回退策略陷入陷阱时反复回退、标记、判断而降低算法运行效率,提出了陷阱深度标记策略,使蚂蚁能够跳跃出陷阱而提高效率;提出了多种群搜索策略,对不同的蚂蚁种群使用不同的启发信息,兼顾了算法随机性、目的性与收敛性。经仿真验证,在多障碍物复杂环境下,多种群蚁群算法规划的路径长度和平滑度明显优于基本蚁群算法;且多种群蚁群算法寻到最优路径的收敛次数也远少于基本蚁群算法。     

蜂巢栅格下机器人导航路径的动态分组蚁群规划

为了减少机器人导航路径的长度和算法运行时间,同时提高算法规划稳定性,提出了蜂巢栅格环境下的动态分组蚁群算法规划方法。分析了方形栅格四叉树和八叉树工作模式的弊端,提出了改进蜂巢栅格的环境建模方法,蜂巢栅格避障时的有效路径比、安全性、转弯角大小、对圆形障碍物覆盖的有效面积比等多个角度均优于传统栅格。参考猫群算法的分群思想将蚁群分为跟踪蚁和搜索蚁,提出了动态分组蚁群策略和信息素的自适应扩散策略,从而给出了动态分组蚁群算法的执行步骤。经过算法的多样性和规划性能仿真分析,动态分组蚁群算法的路径多样性在迭代过程中保持较高水平,在相同环境下动态分组蚁群算法规划的最优路径长度比ACS蚁群算法减少了9.99%,搜索到最优路径时的迭代次数远远小于ACS蚁群算法,且从最优路径长度和迭代次数标准差看,动态分组蚁群算法稳定性好于ACS蚁群算法。     

U型布局的拆卸线平衡问题及其求解算法研究

建立以精益生产为准则的多目标U型拆卸线平衡问题模型,并提出了一种改进的人工蜂群算法求解该问题。通过利用蜜蜂对蜜源进行标记完成自身学习过程,有效地改善了蜜蜂寻找蜜源的能力。为避免算法搜索过程中陷入局部最优,采取模仿其他蜜蜂的搜索行为打破僵局,并将改进人工蜂群算法应用于求解文献中的实例,通过对比表明改进人工蜂群算法可以寻找到更优的解,从而验证了算法的可行性。最后,将改进人工蜂群算法用于U型布局求解,将U型布局结果与直线型布局进行对比,体现了U型布局的优越性。     

两级定位—路径问题的路径重连变邻域搜索人工蜂群算法

为适应物流需求从少品种大批量到多品种少批量的转变,建立了两级定位—路径问题的数学模型,提出求解该问题的路径重连变邻域搜索人工蜂群算法,即在基本人工蜂群算法中嵌入近年来广泛应用于组合优化问题求解的两种启发式搜索策略——变邻域搜索和路径重连。采用Lingo求解小规模两级定位—路径问题;选取三组较大规模的两级定位—路径问题,分别采用基本人工蜂群算法、路径重连人工蜂群算法、变邻域搜索人工蜂群算法和路径重连变邻域搜索人工蜂群算法进行求解。结果表明,所建数学模型是正确的,所提算法不但能够取得更好的优化结果,而且具有更好的收敛性。     

无人机群对多目标执行多任务的协同规划方法

为了减少无人机群对多目标执行多项任务的航程,提高任务规划的稳定性,提出了基于保留潜力蜜源人工蜂群算法的协同任务规划方法( RPSABC 算法).建立了无人机群协同任务规划的约束条件和目标函数;分析了基本人工蜂群算法原理;提出了动态选择策略,观察蜂选择蜜源时兼顾优质蜜源和潜力蜜源,利于算法寻优;使用 Metropolis 准则改进蜜源选择策略,有利于算法跳出局部最优、保留潜在最优;基于以上改进,提出了保留潜力蜜源人工蜂群算法的无人机群协同任务规划方法.仿真验证结果表明:RPSABC算法收敛迭代次数比 ROABC 算法、 ABC 算法分别减少３１.９％ 、４０.４％ ;目标函数收敛均值分别下降了５.２％ 和１９.０％ ; RPSABC 算法的收敛值标准差最小,说明此算法稳定性最好.     

搜索空间自适应调整蜂群算法的起重机主梁优化

为了减轻起重机主梁自身重量、实现主梁轻量化,提出了搜索空间自适应调整蜂群算法的主梁优化设计方法.建立了起重机主梁轻量化设计数学模型;以传统人工蜂群算法为基础,提出了蜂群搜索空间随迭代次数自适应缩减方法,直至最终锁定最优值区域;充分利用混沌系统的遍历性和随机性,使用混沌搜索蜜源代替停滞蜜源,不仅跳出了局部极值,而且实现了蜜源进化,有效提高了算法收敛速度和寻优精度.使用搜索空间自适应调整的混沌蜂群算法和传统算法求解主梁优化数学模型,改进算法优化的主梁面积比企业主梁截面积减少了2.77％,而传统算法只减少了2.42％;对优化后主梁进行有限元分析可知,主梁优化后依然满足约束条件,符合设计使用要求.     

考虑环境复杂度的机器人路径双向蚁群规划

为了减少机器人的路径长度、提高路径平滑性，提出了基于配对双向新型蚁群算法的路径规划方法。介绍了栅格环境模型的建立方法；给出了基于改进K-means的环境复杂度聚类方法，实现了以复杂度为标准的环境分区；将环境复杂度作为新型启发信息引入到蚁群算法中，引导蚂蚁选择简单环境区域。借鉴蚂蚁的双向搜索思想，提出了配对双向搜索的新型蚁群算法，并将该算法应用于栅格环境的路径规划。经仿真验证可以看出，与传统蚁群算法、文献[12]算法比，配对双向新型蚁群算法的路径长度最短、拐点数量最少、收敛时迭代次数最少，验证了这里算法在路径规划中的优越性。     

Maklink环境下机器人导航路径的蛙跳多种群粒子群优化

为了减少机器人导航路径长度和优化时间,提出了基于蛙跳多种群粒子群算法的路径规划方法。建立了机器人工作环境的Maklink模型,首先使用MS算法搜索出若干最短路径,然后提出了蛙跳多种群粒子群算法进行路径二次优化。将蛙跳算法的深度搜索思想引入到粒子群算法中,提出了多种群粒子群算法的分群方法、更新策略和合作机制,进而给出了基于蛙跳多种群粒子群算法的机器人导航路径优化方法。经过仿真验证,蛙跳多种群粒子群算法具有最佳的优化效果,最短路径长度比MSCPSO算法减少了3.82%,比PSO算法减少了5.46%;另外,蛙跳多种群粒子群算法的运行时间比MSCPSO算法减少了25.53%,比PSO算法减少了18.79%。     

基于改进人工蜂群算法的产品拆卸序列规划

为了提高复杂产品拆卸序列规划效率,提出了一种改进的人工蜂群算法用于此类问题求解。通过拆卸混合图表达产品零部件之间的连接关系和优先约束关系,并推导出可行拆卸序列的约束表达式,建立拆卸序列规划数学模型和适应度计算公式。对初始种群进行了优先约束规划,提出一种可行度算法用于蜂群对蜜源的搜寻与选择。定义了自适应选择参数、动态平衡可行度与适应度算法的优先配比,以实现复杂产品拆卸序列规划的快速求解。最后以内啮合齿轮泵为实例,利用所提方法进行了拆卸序列规划求解,通过分析实验结果,并对比传统人工蜂群算法,证明了该方法的可行性和高效性。     

动态环境下移动机器人路径规划的改进蚁群算法

研究动态环境下移动机器人路径规划问题,采用栅格法对机器人工作空间进行建模,在使用蚁群算法进行全局路径搜索过程中引入人工势场的概念,使蚂蚁对最优路径更加敏感;机器人针对动态环境中可能出现的不同类型障碍物分别执行不同的避障策略;同时提出一种最优路径预测模型用于预测在避障过程中是否出现新的最优路径。算法结合人工势场法和蚁群算法的特点,将全局路径规划与局部路径规划相融合以提高路径搜索的效率。仿真结果验证了该算法的有效性。     

基于改进蚁群算法激光导航轮式机器人路径规划

针对激光导航轮式机器人在复杂环境中路径规划原始算法存在路径较长和收敛速度较慢的问题,提出了一种改进蚁群算法。在实际算法中,先利用MAKLINK图论建立AGV运行环境的空间模型,接着用Dijkstra算法搜索优化路径;然后,在Dijkstra算法的基础上采用蚁群算法搜索最优路径;紧接着,在改进蚁群算法中,优先选择搜索前后两节点同起点到终点夹角一致或相差不大的后一个搜索节点,获取新的信息素更新策略,并进行角度的初始化和信息素计算;最后,在Matlab上完成算法的编写并得到仿真结果。结果表明,改进蚁群算法路径优化性能更好,对实际环境中机器人的路径规划具有指导意义。     

基于人工蜂群-自适应遗传算法的仓储机器人路径规划

为了规划出一条更加节能的拣选路径,针对基本遗传算法的性能依赖于初始种群的质量、遗传算子的选择、交叉和变异操作,提出一种适用于仓储机器人路径规划的人工蜂群-自适应遗传算法。首先通过人工蜂群算法初始化种群以增强种群多样性;将路径长度、转弯次数和机器人运行能耗作为适应度函数的评价指标;然后基于三角函数设计自适应策略调整的交叉、变异算子以提高算法的收敛速度。仿真实验表明,在20×20大小的栅格地图中,本文提出的人工蜂群-自适应遗传算法规划的路径能耗比基本遗传算法减少5.22%;而在40×40大小的栅格地图中,本文提出的人工蜂群-自适应遗传算法规划的路径能耗比基本遗传算法减少9.08%。最后实验表明,采用本文提出的人工蜂群-自适应遗传算法规划的能耗减少7.64%,且规划的路径更平滑,更加适用于仓储机器人的路径规划。     

基于改进蚁群算法的多服务机器人路径规划

为解决多服务机器人全局路径规划的问题,将基本蚁群算法应用到多服务机器人全局路径规划上,并对基本的蚁群算法作了改进.对基于算法的多服务机器人系统的构成进行了描述,接着对多服务机器人系统环境的表示方法及算法中对应问题的描述和定义进行了研究.对应用到多服务机器人系统的基本蚁群算法提出了几种改进的策略,并对改进的蚁群算法应用到...     

移动机器人路径规划的现状与发展

机器人路径规划是移动机器人导航的核心技术之一.移动规划技术近年发展迅速,涌现出了许多规划方法,在环境描述方式和技术的基础上,总结了机器人发展史上具有典型意义的规划方法,探讨了几种路径规划方法,分析了栅格分解法、人工势场法、同步定位与地图构建法,并指出了其各自的性能.     

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。     

基于改进蚁群算法的巡检机器人避障路径规划方法设计

针对机器人进行避障路径规划时存在收敛速度差、规划路径长、迭代次数多以及规划时间长的问题,提出基于改进蚁群算法的巡检机器人避障路径规划方法。首先使用栅格法划分巡检机器人工作环境,通过对像素矩阵等指标的分析,构建栅格地图模型;基于人工势场法提出蚁群路径规划算法,使蚁群适应子空间的搜索;最后在模型中利用该算法,寻找该模型的最佳路径。实验结果表明,运用该方法进行路径规划时,收敛速度高、规划路径短、迭代次数少以及规划时间短。     

An effective artificial bee colony algorithm for the flexible job-shop scheduling problem

An effective artificial bee colony (ABC) algorithm is proposed in this paper for solving the flexible job-shop scheduling problem with the criterion to minimize the maximum completion time (makespan). The ABC algorithm stresses the balance between global exploration and local exploitation. First, multiple strategies are utilized in a combination to generate the initial solutions with certain quality and diversity as the food sources. Second, crossover and mutation operators are well designed for machine assignment and operation sequence to generate the new neighbor food sources for the employed bees. Third, a local search strategy based on critical path is proposed and embedded in the searching framework to enhance the local intensification capability for the onlooker bees. Meanwhile, an updating mechanism of population by generating the scout bees with the initialing strategy is proposed to enrich the searching behavior and avoid the premature convergence of the algorithm. In addition, a well-designed left-shift decoding scheme is employed to transform a solution to an active schedule. Numerical simulation results based on well-known benchmarks and comparisons with some existing algorithms demonstrate the effectiveness of the proposed ABC algorithm.