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。     

一种改进的蚁群算法求解TSP问题及实验结果分析

首先对蚁群算法的基本模型进行介绍,其次针对算法容易陷入局部最优解,在算法中加入扰动量,扩大搜索范围,从而有效控制算法陷入局部最优解。针对蚁群算法收敛速度慢,利用蚁群在最差路径上的信息,对蚁群算法信息素更新规则上进行改进。实验结果表明,提出的改进蚁群算法有效的避免程序过早的陷入局部最优解,同时提高蚁群算法的速度。     

基于改进蚁群算法的移动机器人路径规划

针对传统蚁群算法在移动机器人路径规划中存在易陷入局部最优解、收敛速度慢的问题,设计了一种改进蚁群算法。首先,通过分析父节点与子节点的位置关系,缩小可选孙节点范围,降低了蚂蚁搜索的盲目性,减小了计算代价;然后,通过设置启发函数,使蚁群算法适应不同复杂度的变化环境需要,并且为搜索方向提供一定的指导性,由此提高算法收敛速度;最后,依据算法迭代次数,建立相应的自适应信息素给予机制,避免算法后期信息素过度积累而限制最优解的多样性。仿真实验验证了在不同复杂度的环境中,所设计算法的有效性和适应性,该算法具有良好的收敛速度和路径全局优化能力。     

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。在此基础上结合高斯径向基核最小二乘支持向量机,采用提出的改进蚁群算法获得支持向量机的惩罚系数和核函数宽度,利用径向基核函数和决策函数在改进蚁群算法的路径转向位置处训练优化,得到平滑及安全的路径。仿真结果表明,提出的算法不但可以有效提高收敛速度和精度,而且使得路径光滑且安全。     

基于改进免疫遗传优化蚁群算法的移动机器人路径寻优研究

针对移动机器人路径规划中使用蚁群算法(ACO)易陷入局部最优和收敛速度慢的问题,提出了一种适用于机器人静态路径寻优的改进免疫遗传优化蚁群算法(IMGAC)。该算法可以根据实际情况自动调整变异概率和变异方式,以及自动调节个体免疫位的长度,将通过改进的变异算子和免疫算子嵌入蚁群算法来提高全局寻优能力与收敛速度。仿真及实验表明:相比于经典ACO算法以及最大最小蚂蚁系统,IMGAC算法收敛速度更快,全局寻优能力更强。利用该算法寻找移动机器人最优路径,提高了静态路径寻优的效果和效率。     

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。     

单线超市车辆配置与路径问题优化研究

为解决工位对物料需求紧迫程度不同,进而影响配送优先顺序的问题,提出考虑工位配送优先级的单线超市车辆配置及配送路径优化模型和求解算法。首先,建立以物料需求紧迫系数表示配送优先顺序,以单线超市车辆配置最少与路径最短为目标的数学模型;其次,提出加入控制搜索因子的改进蚁群算法对该问题进行求解,通过在迭代不同时期设置不同大小的控制搜索因子来改变节点选择概率,提高最优解搜索速度的同时避免算法陷入局部最优;最后,通过算例分析,验证了模型的正确性,同时也证明了改进蚁群算法能够实现对物料需求紧迫程度高的工位优先配送,较基本蚁群算法在计算结果及算法运行时间上具有优势。     

基于烟花混合蚁群的移动机器人路径规划研究

目的 以应用于包装车间的移动机器人的路径规划作为研究对象,解决蚁群算法收敛速度慢、寻找到的路径不优等缺陷。方法 引入改进烟花和蚁群融合的方法进行搜索,首先建立移动机器人的栅格地图,其次采用改进烟花算法进行路径粗搜索,将得到的路径作为信息素增量,再运用蚁群细搜索求解。结果 文中方法与传统方法相比,收敛速度得到提高,并寻找到了更优的路径。结论 通过采用融合算法,弥补了烟花寻优的不足,加快了蚁群的收敛,可以对2种算法互相取长补短。     

求解集装箱装载问题的混合蚁群模拟退火算法

目的 针对物流行业中存在的大规模、复杂、多规格货物的集装箱装载问题,提出一种基于塔装载启发式算法、二维装载点启发式算法、蚁群模拟退火算法的混合算法。方法 首先,采用塔装载启发式算法将三维待装箱装载成塔集,即将三维装箱问题降为二维装箱问题,有效降低集装箱的装载规模;其次,蚁群算法通过融入信息素选择更新策略,并利用自适应信息素挥发系数来提升算法整体的收敛速度,同时结合模拟退火算法对每代优秀路径集进行局部搜索,避免算法因收敛过快而陷入局部最优;最后,将蚁群模拟退火算法与二维装载点启发式算法相结合,优化每座塔的装载顺序和放置姿态,寻找最优的装载方案。结果 实验证明,在250组算例中,采用混合算法后,集装箱的平均空间利用率为90.92%,优于其他3种对比算法。结论 设计的混合蚁群模拟退火算法适用于解决大规模集装箱装载问题。     

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.     

量子蚁群模糊聚类算法在图像分割中的应用

针对模糊C-均值算法对初始值的依赖,容易陷入局部最优值的缺点,本文提出将量子蚁群算法与FCM聚类算法结合,首先利用量子蚁群算法的全局性和鲁棒性以及快速收敛的优点确定图像的初始聚类中心和聚类个数,再将所得结果作为FCM聚类算法的初始参数,然后用FCM聚类算法对医学图像进行分割。实验结果表明,该方法有效解决了FCM算法对初始参数的依赖,克服了FCM算法及蚁群算法容易陷入局部极值的的缺点,而且在分割速度和精度上得到了较大提高。     

基于蚁群算法优化BP神经网络的港口吞吐量预测

利用蚁群算法优化反向传播神经网络的初始权值、阈值,建立预测模型,对港口货物吞吐量进行预测。蚁群算法具有全局搜索能力,分布式计算和鲁棒性强等特点,有利于加快反向传播神经网络的收敛速度,避免易陷入局部极值的问题,提高建模精度。在港口吞吐量预测中的应用表明:蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%;同时,蚁群算法优化BP神经网络模型收敛速度最快。与传统BP神经网络、RBF网络及模糊神经网络相比,蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%。     

基于AHP-TOPSIS的可持续包装设计最优方案的筛选

目的 针对基本灰狼算法在函数优化过程中精度低、收敛速度慢、局部搜索能力差等问题,提出一种基于收敛因子和权重动态变化的自适应灰狼优化算法。方法 为了平衡算法的全局和局部搜索能力,引入聚焦距离变化率来动态调整收敛因子;使用自适应权重因子来改变算法的位置更新公式,以提高算法的收敛速度和精度。结果 仿真实验结果表明,改进后的算法在收敛精度和速度上都有了显著的提升,并且克服了灰狼算法在处理多峰函数时易陷入局部最优的缺点;对于纸浆浓度控制系统,控制效果更加理想。结论 通过改进的灰狼算法对PID控制器参数进行整定,可以显著提高系统的控制精度和其他性能指标,能更好地满足实际应用的要求。     

基于细菌觅食和蚁群算法的工艺路线优化

针对工艺路线规划中满足多重约束的最优方案选择问题,提出一种细菌觅食和蚁群优化（bacteria foraging ant colony optimization,BFACO）算法。首先,将工艺路线规划转化为对加工元顺序的优化问题,构造满足多种工艺准则的加工元拓扑优先顺序图,并构建了在缩短加工周期、提高加工质量和降低加工成本目标下的最低加工资源更换成本的目标函数;其次,设计加工元序列与加工资源两个搜索阶段的蚁群搜索,拓扑优先顺序图可弥补加工元序列搜索阶段信息素匮乏的缺点,而在加工资源搜索阶段引入细菌觅食优化算法的复制与趋向操作,可使加工元在多个可选加工资源的情况下获得加工资源更换成本最低的加工序列;最后,基于细菌觅食与蚁群算法的融合优化,完成多个加工元序列的信息素积累并输出最优解,解决蚁群算法局部收敛且计算速度慢的问题。将BFACO算法应用于实例并与其他优化算法的优化结果进行对比,结果显示BFACO算法在工艺路线优化方面较其他优化算法具有较高的计算效率,验证了BFACO算法的可行性与有效性。研究表明,BFACO算法可有效应用于同时考虑工艺约束与加工资源更换成本的工艺规划,为实际生产提供高效且灵活的工艺路线的优化选择。     

微小型移动机器人的路径规划及编队研究

针对微小型移动机器人的路径寻优及编队问题,提出了路径规划与轨迹跟踪相结合的方法来实现多机器人的编队任务.首先提出了基于传统蚁群算法的改进算法,仿真结果证明,改进算法通过改进参数及初始信息素矩阵,使其收敛速度提高了50％,全局寻优能力提高了30％.其次设计了基于李雅普诺夫算法的轨迹跟踪控制器,仿真结果证明,其误差最终趋于...