多自动导引车路径规划的诱导蚁群粒子群算法

为有效解决多自动导引车路径规划中的冲突问题,提出一种诱导蚁群粒子群算法。在自动导引车行驶时间计算的基础上,分析了路段冲突、节点冲突问题,建立了多自动导引车路径规划模型。在诱导蚁群粒子群算法的状态转移规则中,增加诱导因子来引导自动导引车规避冲突;将蚁群算法与粒子群算法相融合,对路径与等待时间进行同时优化。不同规模算例的仿真结果表明,该算法能有效避免路段冲突与节点冲突,提高多自动导引车系统运行的安全性与效率。     

基于改进蚁群算法的桥式起重机路径规划问题研究

通过研究桥式起重机路径规划问题,提出一种改进的蚁群路径规划算法。针对传统蚁群算法收敛速度慢,容易陷入局部最优的缺点,借鉴A*算法和狼群分配原则改进自适应启发函数、信息素更新机制。根据桥式起重机的运行特征,通过运动学动力学分析抽象出两个仿真因子:路径长度和节点数量,提出以路径长度、运行时间和稳定性等性能参数为代价的新的评价标准。栅格环境下的桥式起重机路径规划仿真结果表明,改进的蚁群算法提高算法的收敛速度,避免搜索陷入局部最优,可以得到较优的工程应用路径。     

基于改进蚁群算法的移动机器人路径规划研究

针对传统蚁群算法在移动机器人路径规划中存在收敛速度慢、易陷入局部最优和规划路径不平滑等问题,提出一种用于移动机器人路径规划的改进蚁群算法。首先在状态转移概率中引入平滑函数,使蚂蚁在进行路径节点选择时,考虑路径的平滑性。然后在对路径信息素更新时,引入多目标评价函数;同时提出一种基于熵权的分段信息素更新方式,每次迭代规划路径按多目标评价函数数值进行排序并分段,对不同的分段,引入不同的信息素强度放大系数,提升了算法的收敛速度。最后对规划路径进行二次优化,即先对路径节点进行优化,减少不必要的转弯节点,减小了路径转弯角度以及路径长度;再利用贝塞尔曲线对节点优化后路径的转弯拐点处进行平滑。在20×20的简单和复杂栅格环境中进行仿真实验,结果表明,改进蚁群算法规划出的路径长度更短、转弯角度更小和路径更加平滑,同时改进蚁群算法的迭代收敛速度更快,验证了改进蚁群算法在移动机器人路径规划中的优越性。     

机械臂工作路径的改进蚁群-顺序局部搜索规划

为了减少机械臂末端路径长度和关节转动角度之和，提出了改进蚁群-顺序局部搜索的路径规划策略。建立了机械臂路径规划问题模型，对机械臂关节空间节点进行了离散化。使用顺序局部搜索方法确定下一节点待选集合，依据蚁群算法原理确定优化意义下的下一路径节点。考虑到传统蚁群算法收敛慢、求解质量不高的问题，构造了局部信息素随蚂蚁聚集度自适应更新方法，进而提出了局部信息素自适应蚁群算法。经实验验证，在无障碍物环境下，与传统蚁群算法相比，自适应蚁群算法规划路径长度减少了15.27%，关节转角和减少了0.78%。在障碍物环境下，与传统蚁群算法相比，自适应蚁群算法规划路径长度减少了3.26%，关节转角和减少了2.21%。在实物机械臂上进行验证，实验结果与仿真结果一致，验证了这里提出的路径规划方法的有效性。     

基于改进蚁群算法的移动机器人最优路径规划

针对传统蚁群算法用于移动机器人路径规划时存在初期盲目性搜索、收敛速度慢及转弯次数多等问题,提出了一种改进蚁群算法。该算法将栅格法建立的环境模型划分为3种不同搜索区域,运用数学模型按距离比值方法对初始信息素差异化分配,避免蚂蚁前期盲目性搜索;基于可选孙节点个数的区域安全信息和转角启发信息选择下一子节点,并构造目标性启发函数,有效减少蚂蚁陷入死锁次数,提高路径平滑性和目标导向性。采用"狼群分配策略"更新信息素,加快路径的优化。在动态路径规划中,根据滚动窗口的信息检测与碰撞预测,对不同的碰撞类型实施有效的避障策略。仿真结果表明,改进蚁群算法规划出的路径长度更短、转弯次数更少,能够有效避开静态及动态障碍物,具有较好的全局优化性,验证了改进蚁群算法在静态及动态路径规划下的可行性和优越性。     

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。     

机器人导航路径的动态分级蚁群算法规划策略

为了提高机器人工作路径质量并减少算法运行时间,提出了蜂巢栅格模型与动态分级蚁群算法结合的路径规划方法。建立了工作环境的蜂巢栅格环境模型,在转向角、避障路径比、路径质量等方面均优于传统方形栅格模型;将蜂群算法的分级思想引入到蚁群算法中,根据适应度将蚁群分为寻优蚁和侦查蚁两级;寻优蚁更加注重信息素的引导作用,利于算法收敛,侦查蚁更加注重启发信息的牵引作用,不断探索新的路径而增加路径多样性;提出了兼顾全局信息素更新和局部信息素更新的动态加权信息素更新方法。经仿真验证,动态分级蚁群算法在迭代过程中的路径多样性优于蚁群算法;将动态分级蚁群算法应用于路径规划,路径长度比蚁群算法降低了22.12%,平均运行时间减少了32.33%,充分证明了动态分级蚁群算法在路径规划中的有效性。     

基于蚁群算法的物资运送小车路径规划研究

针对路径规划蚁群算法的盲目性、收敛速度慢、路径较长和路径折点多等问题,提出了一种改进蚁群路径规划算法。首先通过改进启发信息的数学模型,限制轮盘赌在8个方向的选择概率,降低迭代次数;然后建立自适应更新影响因子,通过实时监测目标点位置,进一步提高路径的选择方式和算法的鲁棒性;最后通过路径二次寻优,对改进蚁群路径规划算法形成的最优路径进一步消除冗余节点,在已知最优路径进一步寻优,从而提高路径平滑度、减少路径折点,以及缩短路径长度,提高物资运送小车的使用效率。通过栅格环境地图中障碍物不同占比的仿真试验,验证了所提出的改进蚁群算法的迭代速率更快、寻优能力更强、鲁棒性更好和路径更短。     

准三维机器人路径规划的改进蚁群算法

机器人在荒野物资运输和山地自由行走时,需要在山地表面规划出行走路线,为此提出改进的蚁群算法加以求解。根据坡度提出避障规则,在满足避障约束条件下,合理增加路径的多样性;根据当前节点到目标点和起点的距离,重新设计启发式函数,驱使机器人尽量沿着起点和目标点之间的最短路径行进;依据实时路径长度,动态调整挥发系数,以精炼搜索空间、提高收敛性能。将改进蚁群算法与原始算法进行比较,实验结果表明改进蚁群算法的有效性优于原始蚁群算法。     

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。     

汽车引擎盖焊接路径的自适应混沌蚁群规划方法

为了实现汽车引擎盖焊接路径最优规划,提出了自适应混沌蚁群算法的焊接路径规划方法.建立了焊接机械臂运动学模型和引擎盖焊点路径优化模型;分析了蚁群系统算法原理,对局部信息素更新和全局信息素更新方法进行了改进;在局部信息素更新方面,以蚂蚁聚集度为路径多样性度量依据,提出了局部信息素随蚂蚁聚度自适应更新方法;在全局信息素更新方面,鉴于混沌系统的随机性和遍历性,提出了全局信息素混沌扰动更新方法,用于增加信息素分布的多样性和随机性;基于以上两点改进,提出了自适应混沌蚁群算法.经验证,全局信息素更新方法和局部信息素更新方法均能够提高算法性能,两者叠加可以更大程度改善算法性能;将自适应混沌蚁群算法应用于引擎盖焊接路径规划,得到了最短焊接路径,长度为6.2m.     

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。     

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。     

蝴蝶优化算法的移动机器人全局路径规划研究

针对移动机器人路径规划问题提出了一种改进的蝴蝶优化算法。将蝴蝶优化算法与栅格法相结合,并对两种方法结合后的算法进行了具体说明;引入了禁忌表和回溯法,解决了算法在路径寻优中无后续扩展节点的问题;结合三次B样条曲线将路径规划中的最优节点作为控制点进行平滑输出,使移动机器人实际运动路径更加平滑。通过仿真实验,将改进算法与蚁群算法、遗传算法进行比较,证实了改进算法能够有效解决路径规划问题。将改进算法应用到实际的基于ROS的移动机器人上,实验结果证明了改进算法的有效性和可行性。     

基于蚁群算法的农机混流车间配送路径研究

为解决农机装备混流车间线边库存高、配送路径难规划的问题,以最小配送距离和线边库存为优化目标,考虑运载能力约束和线边生产需求,对配送路径进行研究,建立了基于配送路径和线边库存的优化模型。使用蚁群算法设计栅格环境地形,规定车间内配送小车的可行区域,在可行区域内进行工位间配送路径规划,确定工位间最短配送路径和距离,通过改进蚁群算法的状态转移概率,引导蚂蚁提高装载率,有助于蚂蚁寻找全局最优解。以某拖拉机总装车间为实例,验证了优化模型和改进蚁群算法的有效性。     

月面探测器路径规划优化算法研究

针对复杂环境下的月面探测器路径搜索困难的问题,建立多约束的栅格地图模型,研究了一种改进的蚁群算法用于全局路径规划方法.在蚁群算法中加入了参数自适应调整和双向搜索并行策略以提高蚂蚁搜索路径的成功性,并对路径进行了拐角处理,使规划的全局路径更加平滑、安全,使探测器有效地在大规模地图里避开障碍物.仿真试验结果表明,该方法结合全局规划的特点,使探测器可以沿着一条尽可能短而平滑的最优路径快速、安全地到达目标点.     

栅格环境下机器人导航路径的双种群蚁群规划

为了提高机器人在栅格环境下的路径规划质量和规划稳定性,提出了启发式信息素交流异构双种群蚁群算法的规划方法.对精英蚂蚁系统和蚁群系统两种算法进行了原理分析和优势分析;为了实现精英蚂蚁系统和蚁群系统的优势互补,以迭代过程中的路径偏离度为启发信息,使用启发式信息素交流的方式将精英蚂蚁系统和蚁群系统融合为异构双种群蚁群系统,将新算法命名为启发式信息素交流双种群蚁群算法(HEC-TPAC);使用标准TSP测试集对算法性能进行测试,HEC-TPAC算法规划的旅行商路径质量和稳定性优于蚁群系统和精英蚂蚁系统.将HEC-TPAC算法和蚁群系统同时应用于栅格环境下机器人路径规划,HEC-TPAC算法规划的路径明显短于蚁群系统,且路径长度方差明显小于蚁群系统,表明HEC-TPAC算法在栅格环境下的路径规划质量和规划稳定性优于蚁群系统.     

基于改进蚁群算法的无人矿车路径规划研究

针对地形复杂、坡度大的矿区中矿车的路径规划,提出一种改进的蚁群算法,引入了障碍探索的方法,将下一节点的附近一定区域的障碍状况作为影响因素,如果影响蚂蚁寻找最优路径,则会规避此节点。针对矿区坡度较大问题,将速度-坡度模型引入状态转移概率中,在路径较短的前提下选择坡度较小的节点。将每代蚂蚁中的优秀蚂蚁进行局部路径融合,提高寻优能力。实验结果表明,与传统蚁群算法相比,改进的蚁群算法的全局寻优能力更好,收敛速度更快,用时更短。     

改进型蚁群算法在路径规划中的研究

为了解决蚁群算法在路径规划中初始信息素匮乏、路径搜索规划速度慢、需要更多的迭代次数才能找出近似最优解、准确性在搜索空间很大的情况下会出现无法找到最优解的问题,提出一种适用于全局路径规划的改进型蚁群算法。在规划路径初始时利用A*算法先建立每个节点间最优路径代价函数,以减少蚁群算法在路径搜索中的盲目性;引入“虚拟终点”,以减小蚁群算法的搜索空间,降低迭代次数,提高蚁群算法的效率和路径规划准确性。通过多次实验,表明改进型蚁群算法在路径搜索效率和路径规划能力上都明显提高。     

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。