基于改进蚁群算法的移动机器人路径规划

针对大多数路径规划方法所忽视的路径尖峰,以及传统蚁群算法(ACA)易出现的早熟、陷入局部最优等问题,提出一种改进ACA以用于路径规划.首先,在ACA中融入遗传算子,利用交叉与变异操作来扩大解的搜索空间,提升解的全局性.然后,引入简化与平滑操作优化算子,对所寻路径做进一步处理,消除路径中不必要的尖峰,提高其平滑性.栅格环境下的机器人路径规划仿真结果表明,与A*以及传统ACA相比,所提算法能够得到更为平滑的最短路径.     

移动机器人路径规划蚁群算法及其收敛性分析

移动机器人的路径规划是按照某一性能指标搜索一条从起点到目标点的最优或次最优的无碰撞路径.将蚁群算法用于移动机器人的路径规划,阐述了移动机器人路径规划蚁群算法的基本原理,指出蚁群算法的迭代过程是马尔科夫过程,分析了蚁群算法的收敛性,提出了改善蚁群算法收敛性的途径.仿真结果表明:该算法能够在较短的时间内规划出较优的路径,且该算法有效可行.     

移动机器人路径规划定量研究

移动机器人工作环境的定量建模是移动机器人路径规划定量分析的基础，采用自由空间法，建立移动机器人工作环境的二维带权网络拓扑模型，模型中的长度矩阵描述工作环境的路径实际长度，宽度矩阵描述工作环境的路径实际宽度。在Dijkstra路径搜索算法中，引入路径宽度与机器人本体大小的比较以及规划后路径宽度的改变来解决移动机器人路径规划的定量问题，同时对Dijkstra搜索算法在效率上进行了改进。该算法的实验仿真表明，提出的路径规划方法是正确和有效的。     

动态环境下基于改进蚁群算法的机器人路径规划研究

针对动态复杂条件下的移动机器人路径规划问题,根据全局静态环境先验知识,提出一种改进蚁群算法。在经典蚁群算法的基础上通过调整转移概率,限定信息素强度的上下界,并引入相关策略解决死锁问题,可以避免初期规划的盲目性,增加解的多样性,提高算法的全局搜索能力,进一步减小算法早熟的可能性。在规划过程中,根据动态障碍物运行方向的变化与否,提出了相应的碰撞避免策略,并针对环境突发状况引入Follow_wall行为进行改进。仿真实验证明,该算法优于经典蚁群算法,可有效地指导移动机器人避免环境中的动态障碍物,获取无碰最优或次优路径,并能更好地适应环境的变化。     

基于GIS地图的移动机器人路径规划

针对移动机器人路径规划实现条件的限制,提出基于GIS（geographicinformationsystem）地图的移动机器人路径规划．该方法应用改进A’算法,较好地实现了移动机器人的最优路径规划．在任意给定的地图中,只要确定了机器人的起点和终点,就可以找到该机器人在实际工作环境中符合需求的路径规划轨迹．应用VC＋＋编程进行实验,证明了该方法的有效性．     

多机器人路径规划中的一种混合算法

针对动态环境中多移动机器人路径规划问题,将协同进化算法和改进人工势场法相结合,提出了一种全局路径规划和局部路径规划有效结合的新方法。仿真结果验证了该算法在多移动机器人路径规划中的可行性和有效性。     

基于混沌遗传算法的移动机器人路径规划方法

结合遗传算法优化的反演性和混沌优化方法的遍历性,基于混沌遗传算法的移动机器人路径规划方法能够有效改善遗传算法的局部搜索能力和搜索精度,避免单纯使用遗传算法规划机器人路径时容易出现的早熟收敛现象．仿真试验表明,提出的路径规划方法在稀疏环境和密集环境下均能收敛到全局最优路径,具有更强的鲁棒性．     

复杂环境下移动机器人路径规划与跟随

提出了一种基于改进A^*算法和PID控制算法的新型移动机器人路径规划与路径跟随控制方法,该方法适用于复杂的迷宫环境．在所提出的方法中,解决了A^*算法转折点过多的问题,并且通过拓展障碍物和四阶三次均匀B样条优化的方法使生成的预期路径安全且平滑;之后基于前视点的两轮差速机器人运动学模型设计了PID控制器．在专门设计的框架中测试了所提出方法的性能．作为验证,分别从路径规划与路径跟随两个方面做了详尽的实验,结果表明,规划路径转折点少且平滑,设计的PID控制器能够控制移动机器人实现较好的路径跟随效果．最后,在复杂的迷宫环境中验证了提出的方法,结果表明,所提出的方法能够使机器人无碰撞穿越迷宫．     

Dijkstra算法与旅游路径优化

基于旅游业快速发展的事实,为满足游客省时、省钱、走最短路程的线路需求,对Dijkstra算法加以改进,即先利用Dijkstra算法依次求出局部最优解,然后整合得到全局最优路径,从而使改进算法更适合线路设计。最终在综合考虑旅游花费、交通时间、游览路程3个因素的前提下,以西安市及周边景点为例,设计出3种自驾车旅游最优路径方案,验证了新算法的可行性。     

基于深度自动编码器与Q学习的移动机器人路径规划方法

针对移动机器人在静态未知环境中的路径规划问题,提出了一种将深度自动编码器( deep auto-encoder)与Q学习算法相结合的路径规划方法,即DAE-Q路径规划方法。利用深度自动编码器处理原始图像数据可得到移动机器人所处环境的特征信息;Q学习算法根据环境信息选择机器人要执行的动作,机器人移动到新的位置,改变其所处环境。机器人通过与环境的交互,实现自主学习。深度自动编码器与Q学习算法相结合,使系统可以处理原始图像数据并自主提取图像特征,提高了系统的自主性;同时,采用改进后的Q学习算法提高了系统收敛速度,缩短了学习时间。仿真实验验证了此方法的有效性。     

自适应蚁群算法在空间机器人路径规划中的应用

为了弥补传统路径规划方法缺乏足够鲁棒性的问题,采用自适应蚁群算法实现了空间机器人路径规划.针对传统蚁群算法在计算初期出现停滞的现象,修改了信息激素物质的更新方法.自适应蚁群算法根据学习次数和与最近障碍物的距离来调节信息激素物质.仿真结果表明,该算法在采用较少蚂蚁的情况下,与一般蚁群算法相比,能够快速找到理想路径.     

基于改进遗传算法的移动机械臂拣选路径优化

传统移动机械臂路径规划算法没有根据抓取点分布情况对工位点坐标进行优化,效率低,对此,提出了一种基于改进遗传算法的移动机械臂拣选路径优化方法.通过对拣选物品位置的分析,建立单个工位点上移动机械臂分拣路径模型和多工位点的旅行商（TSP）问题模型,运用改进的遗传算法,在工作空间内对各个工位点的位置坐标寻优,规划出移动机械臂抓取的最短路径和多工位点间移动的最短路径.实验结果表明,与传统遗传算法可能,运用改进的等级进化选择算子和最优近邻交叉算子,遗传算法的收敛速度提高了46.15%,路径缩短了45.99%,系统运行时间减少了25.80%,提高了系统效率.     

基于元胞自动机的移动机器人路径规划

为解决移动机器人全局最优路径规划存在的问题,提出了一种基于元胞自动机的路径规划算法。建立了移动机器人活动空间的环境模型,将移动机器人的起点、终点、障碍物及自由通路定义为一组离散的元胞,设计了元胞状态的演化规则,并且根据演化后的元胞状态确定了最优路径的搜索方法,并通过仿真实验验证了该算法在简单环境和复杂环境下都能够有效的进行路径规划,并且具有算法简单、速度快、效率高等特点。     

改进人工势场法的移动机器人路径规划

针对传统人工势场法应用于移动机器人路径规划存在的缺陷,建立了改进的人工势场模型:使用势场强度代替力矢量进行路径规划;在障碍物的斥力势场中添加系数项,解决障碍物与目标点过近导致的目标不可达问题;考虑移动障碍物速度与机器人速度的影响,将速度信息引入到势场函数中;引入"填平势场"引导机器人走出局部极小点.在改进人工势场模型基...     

基于可搜索24邻域的A*算法路径规划

针对A^*算法在移动机器人路径规划时求解得到的路径长度不是最优并且转折点较多的问题,提出了可搜索24邻域的A^*算法路径规划.该方法在传统A^*算法的基础上进一步改进其启发搜索策略,将传统A^*算法的可搜索邻域个数从离散的8个扩展到24个,进而增加更多的搜索方向.结果表明,改进的A^*算法实现了路径长度更短的目的,同时降低了转折点数,且移动机器人的运行路径也更加平滑.本文方法具有较强的实际意义和应用背景,通过实际运行过程验证了其设计方法具有一定的有效性.     

基于改进萤火虫算法的移动机器人路径规划

针对标准萤火虫算法寻优容易陷入局部最优的缺点,通过改变萤火虫算法的搜索策略,对萤火虫算法进行改进,提高萤火虫算法的寻优能力。在移动机器人路径规划问题上采用改进后的萤火虫算法,实现了移动机器人全局路径规划的最优路径,理论与实验结果证明了改进后的萤火虫算法的有效性,此方法能满足移动机器人路径规划的要求。     

基于Q学习算法和遗传算法的动态环境路径规划

针对Q学习算法在动态连续环境中应用时因状态连续、数量过多,导致Q值表出现存储空间不足和维数灾的问题,提出了一种新的Q值表设计方法,并设计了适用于连续环境的R值和动作.不同于以状态-动作为索引,将时间离散化为时刻,以时刻-动作为索引来建立Q值表.将在某状态应选择某一动作的问题转化为在某时刻应选择某一动作的问题,实现了Q学习算法在动态连续环境中的应用.采用了先利用遗传算法进行静态全局路径规划,然后利用Q学习算法进行动态避障.整个方法为一种先"离线"后"在线"的分层路径规划方法,成功实现了移动机器人的路径规划.仿真结果验证了所提出方法的有效性.     

基于定长实数路径编码机制的移动机器人路径规划

针对移动机器人路径规划问题,提出一种新的定长实数路径编码机制。首先进行环境地图建模,通过坐标变换在路径的起点和终点之间建立新地图,然后用定长的实数编码机制使得机器人在不断靠近目标点的趋势上,寻找一条最优的路径。为了进一步提高效率,根据障碍物的位置规划出机器人的“有效区域”,缩小搜索空间。采用免疫进化与模拟退火相结合的免疫模拟退火算法求解最优路径。仿真实验表明,该算法具有较强的全局和局部搜索能力,能够使得机器人快速地找到一条较优的路径。     

基于免疫遗传算法的多机器人环境探索

针对多机器人环境探索中的任务分配和路径规划问题,将环境中所有待探索的任务点根据短距离优先策略分配至个体机器人,利用改进的免疫遗传算法对机器人分配到的任务点进行优化探索,提出了带有初始任务点优化的路径规划方法,使机器人能够不重复并且高效地遍历工作环境中的所有探索点.通过建立多机器人仿真实验系统,随机产生环境中的任务点和机器人等数据信息,并在此条件下对本文方法进行实验验证.结果表明,本文方法能够有效地实现多机器人环境探索问题.     

一种基于APGA的移动机器人路径规划算法

提出了基于自适应并行遗传算法的移动机器人路径规划算法,其基本思想是结合多种群并行进化及自适应调整控制参数,提高了搜索的范围和效率,缓解了传统遗传算法早熟收敛问题,从而克服了使用单种群遗传算法进行路径规划的不足．实验结果表明了该算法在移动机器人路径规划中的可行性和有效性．