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.     

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。     

基于改进势场蚁群算法的自动引导小车路径规划研究

自动引导小车(AGV)是自动化车间里必不可少的一种运载工具,为了实现AGV小车可以在自动化车间环境下能够进行自主导航、避障和路径最优功能,提出了一种通过建立栅格地图,在蚁群算法的基础上加入人工势场局部搜索寻找最优路径的算法。该算法通过利用人工势场法中AGV到目标点的距离构造启发函数,根据对动静态障碍物的识别来重构不同的势场函数,从而增加AGV在局部路径上的搜索和安全避障能力,同时利用蚁群算法的搜索方式来寻找到目标点的全局最优路径。通过仿真实验证明了所提出算法能有效解决自动化车间环境中的路径规划问题。     

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。     

超强启发异类蚁群算法的机器人导航路径规划

为了提高机器人在栅格环境下的路径规划质量,提出了基于超强启发式异类蚁群算法的路径规划方法.建立了机器人工作环境的栅格模型;在蚁群算法基础上,提出了由开创型蚂蚁、守旧型蚂蚁、传统型蚂蚁组成的异类蚁群算法,并通过仿真看出,开创型蚂蚁主导的异类蚁群算法具有最优性能;在信息素更新方面,按照"奖励先进、惩罚后进"的原则,提出了超强启发式信息素更新方法,引导传统型蚂蚁和守旧型蚂蚁快速向开创型蚂蚁搜索的较优路径靠近.经过仿真验证,异类蚁群算法在简单环境和复杂环境下规划的路径均优于传统蚁群算法,且异类蚁群算法寻优稳定性更好,寻优耗时更短.     

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。     

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。     

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。     

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。     

基于改进势场蚁群算法的移动机器人全局路径规划

针对势场蚁群算法路径转折点数量过多、收敛速度过快、容易陷入局部最优等问题,提出了基于势场跳点的蚁群算法.该算法融合了蚁群算法和跳点搜索算法的搜索策略,使规划出的路径更加平滑;引入了势场合力递减系数,减少了势场蚁群算法因势场而陷入的局部最优问题;引入了简化的跳点搜索算法对初始化信息素进行更新,提高了算法前期的搜索效率.为...