基于双向同步A*算法的AGV路径规划仿真研究

目的解决A*算法在搜寻过程中查询的节点非常多、耗时较多等问题。方法通过对传统A*算法进行改进,得到改进双向同步A*算法,使算法从起点和终点同时搜索路径,并且对启发函数进行改进。为验证改进算法效果,以仓储AGV为例进行二维与三维仿真。结果改进双向同步A*算法在不同的地图下,耗时分别减少了39.1%,34.3%,34.6%,搜索节点最多减少了140,路径长度基本一致。结论改进双向同步A*算法较传统A*算法能够更加高效地规划出最优路径,兼顾路径最优和出行复杂度低,提高了检索效率,能够有效解决查询节点多、耗时多等问题。     

基于改进A算法的无人机三维航迹规划

针对传统的A*算法在无人机航迹规划问题中的局限性,提出一种改进的A*算法,并结合无人机的性能约束直接对三维空间进行航迹搜索。算法有效的减少搜索空间,缩短搜索时间。仿真结果证明改进算法的有效性。     

基于地图预处理及改进A~*算法的路径规划

针对移动机器人路径规划中栅格地图建模及A~*算法搜索效率问题,设计了一种基于地图分区预处理及改进A~*算法的路径规划。首先,基于K-Means聚类算法对栅格地图进行分区并量化各局部区域的复杂度;然后,改进A~*算法的评价函数和子节点选择方式并依据地图区域的复杂度生成有效的搜索空间;最后,改进Floyd算法对路径进行双向平滑度优化处理,并通过添加防碰撞安全距离系数,使路径与障碍物保持安全距离。实验仿真结果表明,本文所设计的算法可提高A~*算法的搜索效率和灵活性,增加路径的平滑度和安全性。     

局部放电检测机器人巡检的重复路径问题研究

针对变电站局部放电故障检测(PDFD)的路径规划中存在的重复路径过多、巡检效率低等问题,本文在传统A*算法与蚁群(AC)算法融合解决旅行商问题(TSP)的基础上,提出了改进的A*算法与蚁群算法融合的算法。改进的融合算法通过蚁群算法计算巡检序列指导A*算法进行两两巡检点间的路径规划,增加了重复路径列表来提高已寻路径节点的步长代价,再次通过蚁群算法计算巡检序列,迭代计算直到连续两次得到一致的结果。为了验证改进算法的有效性,随机选取10个巡检点在二维栅格地图上进行了对比仿真。仿真结果表明,本文提出的改进算法与传统方法相比,在一定的巡检代价下,有效地增大了巡检路径的路径覆盖比,提高了局部放电故障巡检的效率和质量,对变电站局部放电故障巡检问题的研究具有重要意义。     

A*水算法在游戏寻径中的应用

图搜索技术能够从图中寻找一条从起点到目标点的路径.围绕游戏寻径问题,介绍了如何确定启发式函数进行启发式搜索,将A*算法进行分析,列举实例解决游戏中的寻径问题,并且对A*算法进行改进.     

直线优化A~*算法在最短路径问题中的改进与实现

最短路径算法的效率是汽车实时导航、动态路径规划等应用领域普遍关注和迫切需要解决的问题.在深入分析经典Dijkstra最短路径算法的基础上,从数据结构和搜索策略两方面对算法进行了改进,采用存储桶排序方式,提出了带启发因子的直线优化A~*算法.实验结果表明改进的算法具有较高的稳定性和效率.     

动态环境下基于自适应步长Informed-RRT*和人工势场法的机器人混合路径规划

为解决移动机器人在动态环境下的路径规划问题,将Informed-RRT*和人工势场法相融合,提出全局与局部规划算法相融合的路径规划方法。首先,针对Informed-RRT*算法采样效率低,以及得到路径不满足机器人运动学约束的问题,采用目标偏置法与自适应步长法,减少冗余搜索与不必要树的生长;同时,引入走廊优化与时间重分配法,优化路径节点,使路径更加平滑。其次,针对人工势场法易陷入局部极小值和目标点附近不可达的问题,采用平滑窗格策略,增设全局路径子目标点,使机器人能够逃离局部极小值,完成规划任务。仿真结果表明,静态环境中自适应步长Informed-RRT*算法相比于Informed-RRT*算法求解时间缩短了71.98%;动态环境中,混合算法相比于人工势场法,搜索时间缩短了15.4%,路径长度缩短了11.1%。     

基于改进A*算法的仓储物流移动机器人 任务调度和路径优化研究

为解决仓储物流中移动机器人执行订单任务过程中,调度系统难以快速准确地进行任务分配,且搬运路线并非最短最优路线的问题,根据移动机器人的运动方式和订单任务要求,构建具有可重构性的仓库空间模型和栅格地图模型,通过建立数学模型求解订单任务最短完工时间分配问题,改进传统A^*算法中3种常用距离算法的不足,并提出复杂对角线距离算法进行路径规划仿真。仿真结果表明,上述方法实现总任务完工时间最短的任务分配,使路径规划搜索节点数减少30%,路径长度缩短20%。     

基于线性时序逻辑理论的仓储机器人路径规划

首先根据仓储物流环境的特点构建了可灵活扩展的仓储环境模型,并制定了适合仓储物流需求的机器人运动规则,使该模型能够适用于动态的仓储物流环境;其次采用线性时序逻辑任务公式描述具体的任务需求,使其可以适用于实际应用中更加复杂的任务;继而将任务需求与环境信息相融合,构建任务可行网络拓扑,避免分段任务搜索;然后采用Dijkstra算法在任务可行网络拓扑上搜索出最优路径,确保规划所得路径的最优性;最后将任务可行网络拓扑上的最优路径映射回加权切换系统,获得环境中满足任务需求的最优路径。与目前广泛使用的A~*算法相比,上述方法不仅能够满足复杂的任务需求,而且能够保证路径规划的最优性,而不是次优解。     

基于TSA*算法的双机械臂协同避障规划方法

提出了一种基于时序A*(TSA*)算法的双机械臂路径规划方法.针对A*算法在高维环境下计算时间急剧增加的问题,引入期望步数Fs避开无效节点,减少计算工作量;在高维空间搜索时,因open表急剧变大导致维持open表最小二叉堆结构的时间大幅增加,通过对open表进行拆分,进而降低维持open表结构的时间消耗.主臂在静态环境...     

基于改进A*算法的移动机器人全局最优路径规划

在栅格地图环境下,传统A*算法搜索路径时选取的路径点受限于栅格中心,并且路径的转折角度固定为特定的离散值,因此存在长度非最优以及冗余转折较多的问题.为此,提出一种新启发搜索策略下的改进A*算法.在探索当前节点的每个邻域节点时,将邻域点父节点的选取范围扩大到从当前点至起始点的整个支路,采用邻域点与支路上的点直接相连的方式...     

竹林皆伐机路径规划系统设计及计算机仿真

目的设计一种中幼竹林皆伐机路径智能规划系统,实现伐竹机伐竹的路径规划功能,使伐竹机可以遍历需要伐竹的全部节点并避开障碍。方法针对中幼竹林皆伐的特点,探讨一种迪杰斯特拉及A*混合算法,用于解决伐竹机路径规划中的路径优化问题。通过C语言编程,来建立一种基于改进的迪杰斯特拉及A*混合算法的中幼竹林皆伐机路径智能规划系统仿模型,并使用C++编程,实现系统模型的仿真,并调用Windows GDI实现仿真结果的显示。结果仿真结果显示,采用文中建立的中幼竹林皆伐机路径规划系统进行伐竹机的路径规划,实现了伐竹路径规划的目标,且相较直接采伐的路径,伐竹机伐竹总里程降低了47.6%,节省了伐竹机伐竹总里程,大大提升了伐竹效率。结论文中所讨论的改进的迪杰斯特拉及A*混合算法可以实现伐竹路径规划的功能,路径规划系统可以求得最优伐竹路径的一个近似解。     

基于A＊算法的实时航迹规划方法研究

根据巡航导弹实时航迹规划时效性强、弹载计算设备的运算速度和内存容量有限等特点，将巡航导弹的机动性能约束与规划空间的划分结合起来，构造了一个较小的搜索空间，然后在此缩小了的搜索空间内利用A＊算法具有的启发式特点，可在有效时间内搜索到满足要求的可行航迹．最后，通过一个例子对A＊算法进行了验证．     

基于支持向量机和改进蚁群算法的移动机器人路径规划

针对传统蚁群算法(ACO)收敛速度慢、全局搜索能力不佳、易陷入局部最优、路径不光滑及不安全等缺点,本文提出一种将改进的蚁群算法和非线性支持向量机(SVM)结合的移动机器人路径规划算法.对传统蚁群算法引入两个角度信息,增加算法的朝向性,克服局部最优问题;信息素挥发因子随迭代次数自适应调整,加快全局搜索能力和收敛速度.在此...     

基于Dijkstra-蚁群算法的泊车系统路径规划研究

针对智能停车库中自动导引运输车(automated guided vehicle,AGV)存取车路径规划问题,提出了一种基于Dijkstra-蚁群算法(Dijkstra-ACO)的泊车系统路径规划方法.首先利用链接可视图法建立环境模型,并在此环境模型下,采用Dijkstra算法规划出AGV的初始路径;其次,通过引入节点随机选择机制、调整信息素更新方式和限定信息素阈值策略等对基本蚁群算法进行优化改进;最后,选用改进的蚁群算法对初始路径进行优化.结果显示:Dijkstra算法和混合算法均能使AGV有效避开障碍物,然后搜索到一条从起点到终点的无碰优化路径;与Dijkstra算法相比,混合算法能有效提高路径搜索效率,缩短搜索路径长度,改善搜索路径质量,表明该算法正确、可行及有效,且具有较强的全局搜索能力和较好的收敛性能,能够满足AGV存取车路径规划的要求.     

基于跳点搜索-遗传算法的自主移动机器人路径规划

为了解决采用遗传算法解析最优路径中存在的转折点较多、易陷入局部最优解、迭代次数较多以及寻优时间过长等问题，引入自适应交叉算子和变异算子，将改进后的跳点搜索（jump point search）算法与改进遗传算法融合，得到跳点搜索-遗传（jump point search-genetic,JPSG）算法。JPSG算法利用JPS算法的高效局部搜索能力来提高整体搜索能力，加速算法整体收敛趋势；利用改进遗传算法的全局搜索能力改变JPS算法不能在复杂障碍物状况下解析最优路径的状态，提高算法对动态环境的适应性。在栅格矩阵中的路径规划仿真表明，相比于改进遗传算法、传统遗传算法，JPSG算法可以有效缩短寻优执行时间，提高寻优准确率，减少运算执行次数，在稳定性、准确性、快速性上具有明显的优势。     

基于遗传算法的码垛机器人路径规划应用

目的为了改进传统遗传算法在码垛机器人路径规划中可能出现的局部陷阱和过早收敛问题,以及机器人的能耗和路线平滑性问题,提出一种改进的遗传算法机器人路径规划方法。方法针对传统遗传算法存在的问题,分别对种群初始化、适应度函数、选择算子、交叉算子、变异算子的算法和方式进行调整和改进,对优秀算法进行融合。针对基本遗传算法主要着重于路径最短,从而忽视了机器人的能耗及路径平滑性等问题,设计一种综合考虑距离和转弯次数控制的适应度函数,最后将改进的算法应用于码垛机器人的路径规划中。结果仿真结果表明,相较于基本遗传算法,提出的算法搜索到的路径质量更高,不仅距离更短,同时转弯次数远远小于其他算法,路径更为平滑,验证了该算法的有效性。结论基于该算法的码垛机器人路径在兼顾距离最优的同时,路线更加平滑。由于减少了转向次数,机器人的能耗更低,同时仿真结果表明,该算法的实时性也较好。     

基于改进自适应遗传粒子群混合算法的多AGV路径规划研究

针对仓库中AGV的路径规划问题,该文提出了一种改进自适应遗传粒子群混合算法。首先,根据算法搜索进度修改权重和学习因子,采用一种新的非线性权重系数,两者根据迭代而动态变化。其次,动态调整交叉和变异概率参数。最后,为了避免多AGV出现路径冲突,在适应度函数中引入拥堵系数对拥堵路段进行惩罚。结果表明,与已有的改进遗传算法和改进粒子群算法相比,该文采用的改进自适应遗传粒子群混合算法搜索最优路径的长度更短、搜索范围更广。     

一种新型包装码垛机器人路径规划方法

目的为了提高码垛机器人的工作效率,减小能量损耗,优化机器人末端抓手的工作轨迹。方法建立机器人路径规划的数学模型,在此基础上对传统的蚁群算法进行改进,将环境中局部的机器人路径信息引入蚁群信息素的初始化和路径选择概率中,提高蚁群算法的收敛速度,并防止算法早熟,避免算法陷入局部最优。结果仿真结果表明,改进后的蚁群算法收敛速度更快,能够在较短时间内规划出最佳路径。结论所提方法能够明显提高码垛机器人最佳路径搜索能力,对于提升机器人运行效率具有重要指导意义。     

用于约束多目标优化问题的改进蚁群遗传算法

针对多目标蚁群遗传算法(MOAGA)解集边界分布不均的问题,提出改进算法,解决连续空间中带约束条件多目标优化问题.改进算法在基本MOAGA算法的基础上,在选择中引入一定比例的边界决策、单目标最优决策,并提高边界决策的交叉率.实验证明,改进算法解决了基本算法解集分布边界疏中间密的问题,并且能更快的获得散布性较好的Pareto最优解集.