面向机器人路径规划的改进粒子群算法

针对复杂地图环境下的机器人路径规划问题提出一种聚类融合交叉粒子群算法,以避免传统粒子群算法(Parti-cle Swarm Optimization,PSO)容易陷入早熟且搜索精度差的问题.首先,根据粒子的适应度值对粒子进行k均值聚类,使较多的良性群体极值位置得到保存,从而增强粒子的探索能力;其次,用交叉、变异算子增加粒子多样性,避免在迭代前期粒子陷入早熟导致算法停滞;然后,采用自适应粒子群参数设置,减少粒子走入局部最优概率.最后,对比不同复杂度的地图算例结果发现,改进后的算法最终在安全避开障碍物的同时,具有搜索精度高、稳定性好且路径更优的效果,在路径规划上具有一定的实用价值.     

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。     

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。     

无人机3D航迹规划及动态避障算法研究

规划一条高时效且低代价的三维(3D)航行轨迹,成为目前无人机广泛应用亟须解决的问题。针对蚁群算法在航迹规划中出现的航迹长度和平滑性不足问题,通过改进蚁群系统中的节点移动规则、构造多重启发信息并结合粒子群优化算法的全局搜索能力,提出了蚁群粒子群融合算法。同时,就飞行航迹中出现的动态避障问题和目标点变化问题,提出了改进生物启发神经动力学模型算法,该算法针对3D静态最优航迹中出现的障碍物和目标点变化,实现了局部在线航迹调整。实验仿真结果表明,蚁群粒子群融合算法能在3D静态环境中规划出一条期望航迹。同时,改进生物启发神经动力学模型算法不仅能对突发障碍动态避障,还能对动态目标点变化实时跟踪。     

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.     

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。     

Maklink环境下机器人导航路径的蛙跳多种群粒子群优化

为了减少机器人导航路径长度和优化时间,提出了基于蛙跳多种群粒子群算法的路径规划方法。建立了机器人工作环境的Maklink模型,首先使用MS算法搜索出若干最短路径,然后提出了蛙跳多种群粒子群算法进行路径二次优化。将蛙跳算法的深度搜索思想引入到粒子群算法中,提出了多种群粒子群算法的分群方法、更新策略和合作机制,进而给出了基于蛙跳多种群粒子群算法的机器人导航路径优化方法。经过仿真验证,蛙跳多种群粒子群算法具有最佳的优化效果,最短路径长度比MSCPSO算法减少了3.82%,比PSO算法减少了5.46%;另外,蛙跳多种群粒子群算法的运行时间比MSCPSO算法减少了25.53%,比PSO算法减少了18.79%。     

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。