基于改进蚁群算法的移动机器人路径规划研究

传统的蚁群算法在移动机器人路径规划过程中,在加速算法收敛时易陷入局部最优问题,针对此问题提出了一种新型蚁群算法的移动机器人路径规划方法。首先建立了机器人路径规划数学模型,在此基础上对传统的蚁群算法进行了改进,将环境中局部的机器人路径信息引入到蚁群信息素的初始化和路径选择概率中,提高了蚁群算法的收敛速度并防止算法早熟。通过引入交叉操作并对蚁群算法中参数进行调整,避免了算法陷入局部最优。仿真结果表明,所提方法能够明显提高最佳路径搜索能力,整体性能优于传统蚁群算法。     

改进蚁群算法在焊接机器人路径规划中的应用

路径规划是机器人研究的核心内容之一。为了解决针对于白车身生产线焊接机器人路径规划效率低下的问题,提出了一种改进的焊接机器人路径规划的方法,分析了焊接机器人路径规划问题的构成。并针对基础蚁群算法在解决焊接机器人路径规划时,容易出现搜索时间过长、效率低、容易陷入局部最优等问题,引用了粒子群算法。利用粒子群算法对蚁群算法随机产生的若干组较优解进行交叉和变异操作,得到了更有效的解。最后在MATLAB中利用优化后的蚁群算法计算最佳焊接路径,并与基础蚁群算法的结果对比。对比情况表明:优化的蚁群算法在解决焊接机器人路径规划问题上能得到更优的焊接路径和稳定性。     

基于改进蚁群算法的移动机器人路径规划研究

为了提高机器人路径规划算法的收敛速度和收敛精度,提出了基于改进遗传算法的机器人路径规划方法。介绍了栅格建模方法,分析了传统蚁群算法原理。提出了蚂蚁相遇策略提高了算法搜索效率,提出了蚂蚁回退策略避免陷入U形陷阱,设置了信息素感应阈值扩大了算法前期的搜索范围,改进了信息素残留方法使蚁群能够记忆最优路径,提出了信息素自适应调整方法,兼顾了算法前期的大范围搜索和后期的快速收敛。经仿真实验验证,相比于传统蚁群算法,改进算法具有更快的收敛速度、更优的规划结果,且改进算法的蚁群轨迹更加集中至最优解附近。     

融合改进蚁群和DWA的移动机器人路径规划

针对传统蚁群算法搜索时间长、易陷入局部最优且动态规划能力弱等缺陷,提出一种融合改进蚁群和动态窗口算法（DWA,Dynamic Window Approach）的路径规划方法,解决移动机器人全局路径优化以及局部动态避障路径规划问题。在分析传统蚁群算法路径规划原理及优缺点的基础上,通过引入初始栅格转移规则、改变信息素更新方式、删除冗余节点、圆切障碍顶点等方法,提高蚁群算法的收敛速度、规划路径的平滑度以及安全可靠度;进一步在改进蚁群算法中引入DWA进行局部路径规划,实现机器人的动态避障。对比仿真结果表明,所提改进算法在路径长度、迭代次数、收敛时间以及路径平滑度、安全可靠度等性能指标上较传统算法均有所提高。     

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。     

基于参数优化蚁群算法的机器人路径规划研究

采用蚁群算法(Ant Colony Optimization,ACO)求解棉花搬运机器人全局路径规划时,会出现规划效率低、蚁群算法参数的改变对规划效果影响大等问题。提出了一种粒子群参数优化的改进蚁群算法,该算法能够根据地图情况的不同智能地调节参数组合,从而在各种地图中能够发挥蚁群算法的最佳性能。通过实验数据分析蚁群算法重要参数对规划效率的影响,进行参数优化;针对改进后算法耗时大的问题,提出粒子群算法的动态惯性权重调整策略和改进的蚁群算法信息素更新策略,保证求解质量的同时,提高了优化效率,在障碍物分布不同的地图中进行仿真实验,通过与蚁群算法路径规划结果的对比,证明了粒子群参数优化的改进蚁群算法能够发挥蚁群算法最佳性能,可提高移动机器人到达目标点的速度并降低机器人运动过程中的损耗。     

均匀粒子群蚁群融合算法的机器人路径规划

为了提高移动机器人点对点路径规划的性能,提出了均匀粒子群蚁群融合算法。首先分析了粒子群算法原理,找出了导致算法"早熟"的搜索机制缺陷,提出了均匀粒子群算法,此算法改进了粒子群算法的搜索机制,保证了在迭代过程中的粒子多样性,克服了算法"早熟"问题;介绍了蚂蚁系统和蚁群系统算法的区别,提出了均匀粒子群蚁群融合算法,首先使用均匀粒子群算法搜索次优路径,在此路径上撒播信息素,然后使用蚁群算法寻找最优路径。实验结果表明,融合算法规划出的路径最短,而且迭代效率高、容错能力强。     

使用改进蚁群算法的AGV路径规划研究

AGV路径规划问题是AGV研究领域的一个关键技术问题。针对传统的蚁群算法耗时长,搜索效率低,容易出现次优的缺点,改进了计算基本蚁群算法启发因子的方法;提出了优胜劣汰机制以及全局信息素调整方案,合理地更新了路径规划中的信息素;利用最大最小蚂蚁系统对路径上信息素进行了限制;研究了路径规划中死锁问题的解决方法。最后给出了基于改进蚁群算法的AGV路径规划步骤并进行了仿真实验。仿真实验结果表明,在该算法作用下,AGV路径规划的搜索效率优于传统蚁群算法,且规划路径更短,提高了搜索的准确性。     

蚁群遗传算法在移动机器人路径规划中的综合应用研究

针对基本蚁群算法在机器人路径规划搜索初期盲目性大、效率低以及其搜索后期容易陷入局部最优等缺陷,把遗传算法引入到蚁群算法中,提出了基于蚁群遗传算法的移动机器人路径规划方案,在栅格环境下对移动机器人路径规划方案进行仿真测试,仿真结果表明该方案能减少蚁群算法搜索初期的盲目性、缩小最优路径的查找范围,提高搜索最优路径的效率。     

基于三维时空状态图-并行排序蚁群算法的多机器人路径协同规划

为了得到多机器人系统在无碰撞前提下的较优路径,设计了分层协同规划系统.该系统包括3个子模块,分别为全局最优路径规划模块、碰撞检测模块和避撞模块.在全局路径规划方面,在蚁群算法中加入了多子群并行搜索策略和基于信息素的子群经验交流策略,提出了基于并行排序蚁群算法的路径规划方法.在碰撞检测方面,提出了三维时空状态图的概念,基于机器人路径栅格在三维时空状态图的分布给出了碰撞检测结果.在避撞方面,建立了避撞的博弈论模型,基于博弈论得到了集体代价最小的避撞策略.在30 m×30 m的复杂栅格环境中验证,并行排序蚁群算法规划路径的目标函数平均值比传统蚁群算法减小了5.25％,比改进蚁群算法减小了3.66％,验证了并行排序蚁群算法在全局路径规划中的优越性.在20 m×20 m栅格环境中利用4个机器人进行避撞策略检测,从结果可以看出,基于博弈论的避撞策略可以有效避免机器人间的碰撞,实现机器人的安全行驶.     

轮式机器人路径规划的改进蚁群算法

针对轮式机器人在多窟障碍地形图中的路径规划问题,为了克服基本蚁群算法的局部最优问题,提高算法的收敛速度,以及节约找寻最优路径的时间,提出了一种基于多维信息素及模糊集的改进蚁群算法。在栅格化地图上,通过模糊集将某一点距离障碍物以及接受目标的信息程度表达出来,重新更新栅格化地图,从而减少地图中搜索空间,节约搜索时间。其次把传统蚁群算法中的一维信息素改进为多维信息素,得到满足多个约束条件下的路径。通过多组仿真实验的结果表明,验证了改进算法的可行性和有效性,提高了基本蚁群算法对最优路径问题的优化性能与收敛速度。与现有算法相比较,迭代次数节约了70%左右,缩小了20%的蚁群数量。     

轮式机器人路径规划的改进蚁群算法CSCD

针对轮式机器人在多窟障碍地形图中的路径规划问题,为了克服基本蚁群算法的局部最优问题,提高算法的收敛速度,以及节约找寻最优路径的时间,提出了一种基于多维信息素及模糊集的改进蚁群算法。在栅格化地图上,通过模糊集将某一点距离障碍物以及接受目标的信息程度表达出来,重新更新栅格化地图,从而减少地图中搜索空间,节约搜索时间。其次把传统蚁群算法中的一维信息素改进为多维信息素,得到满足多个约束条件下的路径。通过多组仿真实验的结果表明,验证了改进算法的可行性和有效性,提高了基本蚁群算法对最优路径问题的优化性能与收敛速度。与现有算法相比较,迭代次数节约了70%左右,缩小了20%的蚁群数量。     

移动机器人路径规划中的蚁群优化算法研究

针对将传统蚁群算法引入到移动机器人的路径规划当中会存在收敛速度慢、效率低下、容易陷入局部最优,甚至出现死锁等缺陷,提出一种改进的蚁群算法,以栅格法建立机器人工作环境,改进信息素的更新方式,设置信息素浓度的阀值,引入死锁处理策略,改进状态转移概率,增加解的多样性。在栅格环境下对移动机器人的路径规划进行仿真测试,仿真结果表明,改进的蚁群算法能缩小对最优路径的搜索范围,降低迭代次数,提高对最优解的搜索效率,能获得全局最优无碰撞的路径。     

改进ACO在移动机器人路径规划中的研究

针对基本蚁群算法(ACO)易陷入局部最优和收敛速度慢的特点,提出了一种在复杂静态环境下移动机器人路径规划的蚁群优化改进算法。该算法通过限制信息素的范围,扩大了搜索范围,避免了算法的过早收敛,同时还提出了一种自适应调节信息素挥发系数的改进蚁群算法方略,旨在通过自适应的调整信息素挥发系数来提高算法的全局性和算法的收敛速度。算法还利用粒子群优化算法对蚁群算法中的关键参数进行优化,从而避免了参数选择的随机性和盲目性,提高了最优路径的搜索效果。仿真结果显示,改进蚁群算法在移动机器人路径规划中的有效性和普遍应用性,在任意随机给定的环境中,算法能够迅速找出最优路径。     

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。     

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。     

基于改进蚁群算法的AGV路径规划

针对复杂仓储环境中自动引导车AGV的路径规划问题,提出一种改进型蚁群路径规划算法。首先,通过栅格法建立AGV运行环境,在传统蚁群算法基础上引入方向系数,改进蚁群算法的启发函数,使算法初期在路径选择上具有指向性;其次,加入全局信息素更新机制,以提高算法搜索效率;最后在路径选择过程中引入安全距离判断策略,使AGV在安全距离范围内通过障碍物。仿真结果表明,改进蚁群算法能够快速搜索出最优路径,同时能实现自主避障和避免陷入死锁。     

自适应蚁群算法在轮式机器人三维路径规划中的应用

为了优化轮式机器人三维路径,进行了特殊三维空间有效路径设计,提出了自适应蚁群算法(AACS)。并将该算法应用于三维空间机器人路径规划中,将轮式机器人所处位置与目的点之间的空间划分成带有坡度角的立体网格,定义其有效路径,形成TSP模式。自适应蚁群按TSP模式搜索从原点到目的点之间的最短路径。实验表明:自适应蚁群优化方法克服了传统蚁群算法易陷于局部极值、搜索质量差和精度不高的缺点,提高了收敛速度和精度,输出稳定性好,可以解决轮式机器人在三维实际工作环境中的路径优化问题。     

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。     

基于改进蚁群算法的自动导引运输车全局路径规划方法研究

针对自动导引运输车(AGV)全局路径规划采用传统蚁群算法存在收敛速度慢、易陷入局部最优的问题,提出了基于改进蚁群算法的AGV全局路径规划方法。首先,运用MAKLINK图论法构建了具有障碍物的环境模型,作为路径规划的基础;其次,改进的蚁群算法中融合了动态权重目标导向原理,设计了一种新的启发式函数,提高了其选择距离目标点更近的可选节点的概率,减小了AGV对非最短路径的选择概率;然后,采用动态调整信息素挥发系数策略进行了信息素更新,提高了算法的搜索效率;最后,将改进蚁群算法与传统蚁群算法进行了仿真实验对比。研究结果表明:与传统蚁群算法相比较,改进措施可使收敛速度提升近一倍,路径规划效率显著提高。