基于改进蚁群算法的机器人路径规划问题研究

针对基本蚁群算法前期搜索效率低下以及在寻优的过程中会穿过障碍物等问题,提出改进的蚁群算法,即采用动态调整启发因子、信息素初始化改进策略、可选节点的筛选机制方案进行改进工作。通过对基本蚁群算法和改进蚁群算法的仿真结果分析可知,改进后算法的最优路径长度虽然有所增加,但减少了蚂蚁前期到达最优路径的迭代次数,得到一条无碰撞、没有穿过障碍物的路径,且耗时与基本蚁群算法相持平,保证了机器人路径的安全性,提高了算法的前期搜索效率。     

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。     

一种面向室内 AGV 路径规划的改进蚁群算法

针对传统蚁群算法在大规模和复杂环境中,全局搜索效率差,收敛速度慢,路径转弯次数过多且不够平滑等问题,本文提出一种改进蚁群算法。该方法通过动态更新不同等级蚂蚁路径上的信息素,加快算法的收敛速度;通过引入距离函数和方向函数作为启发因子,改善路径搜索质量;采用一种改进自适应伪随机转移策略,减小陷入局部最优解的概率;在最优路径的基础上引入三次均匀B样条曲线进行优化,提高路径的平滑性。通过在2种不同规模环境下的路径规划实验表明,本文算法相比传统算法在分别减少55.6%和59.4%转弯次数的基础上,提升87.5%和100%的收敛速度,验证了本文算法的优越性。最后,以QBot2e为平台,将本算法应用到室内自动导引车(AGV)路径规划中,进一步验证了算法的实用性。     

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。     

动态环境下蚁群算法的路径规划研究

针对传统蚁群算法在搜索寻优过程中易于陷入局部最优、搜索前期蚂蚁容易陷入死锁,以及收敛速度较慢的缺陷,利用扩展树随机优化原则,创建虚拟路径和蚁群更新域信息更新原则,提出改进信息素的更新方式;采用局部子起点再规划策略解决蚂蚁死锁问题,加快算法收敛速度.随后,针对传统蚁群算法对动态环境下路径规划适应度低的问题,基于预测控制理...     

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。     

人工势场引导蚁群算法的机器人导航路径规划

蚁群算法应用于路径规划时,算法前期信息素分布均匀,只依赖启发信息搜索最优路径,因此存在盲目搜索和收敛慢的问题;蚁群算法后期由于信息素的正反馈作用,使蚁群算法陷入局部最优时无法跳出.为了解决这些问题,提出了改进人工势场法引导蚁群算法的路径规划方法.介绍了栅格环境建模法;以人工势场法为基础,给出了路径中间点选择方法,取消了障碍物斥力而只保留目标点引力,在目标引力下实现路径规划;以改进人工势场法规划路径启发蚁群算法,减少前期路径规划盲目性,实现加快收敛的目的;改进信息素更新方法,使信息素遗留因子随路径优劣自适应变化.由仿真结果可以看出,相比于蚁群算法和文献[10]势场蚁群算法,这里算法规划路径最短、平均迭代次数最少、算法平均耗时最少.     

多因素改进蚁群算法的路径规划EI北大核心

针对目前服务于移动机器人的全局路径规划算法求解目标单一无法应对复杂且多变的实际环境等问题,提出一种多因素改进蚁群算法。首先,提出了RGB-2D栅格法模拟移动机器人的真实地面路况环境,并针对对角障碍情形,运用邻域矩阵探索法实现障碍检测,有效提高了路径的安全性;其次,为克服传统路径规划以距离为单一指标的局限性,构建综合考虑路径安全性、颠簸性、平滑性以及路程最短性的多因子启发式函数;考虑到传统蚁群算法早期搜索的盲目性,提出了初始信息素阶梯分配原则;然后,将信息素进行分类,按优化目标叠加每条路径上的信息素,运用最大最小蚂蚁策略和信息素挥发因子自调整策略避免局部最优;最后,运用动态切点调整法平滑路径,进一步提高路线质量。仿真实验表明,改进算法在复杂环境中具有良好的适应能力,且路径综合性能指标优于对比文献算法,可为实际环境中的多因素路径规划提供有效参考。     

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。     

并行排序蚁群算法规划仓库AGV路径研究

针对智能仓库中的AGV路径规划问题,提出了一种基于并行排序蚁群算法的路径规划方法,该方法通过多个子蚁群之间较优蚂蚁释放的信息素交互,提高蚁群整体的搜索能力.建立以路径最短和AGV转弯次数最少为优化目标的多目标函数模型,用并行排序蚁群算法求解,再对生成的初始路径通过减少中间节点的方式进行平滑处理.在MATLAB上进行多次仿真,对比实验结果表明,该算法在进行仓库AGV路径规划时收敛速度更快,稳定性更好,且平滑处理后的路径更优.