基于参数优化蚁群算法的机器人路径规划研究

采用蚁群算法(Ant Colony Optimization,ACO)求解棉花搬运机器人全局路径规划时,会出现规划效率低、蚁群算法参数的改变对规划效果影响大等问题。提出了一种粒子群参数优化的改进蚁群算法,该算法能够根据地图情况的不同智能地调节参数组合,从而在各种地图中能够发挥蚁群算法的最佳性能。通过实验数据分析蚁群算法重要参数对规划效率的影响,进行参数优化;针对改进后算法耗时大的问题,提出粒子群算法的动态惯性权重调整策略和改进的蚁群算法信息素更新策略,保证求解质量的同时,提高了优化效率,在障碍物分布不同的地图中进行仿真实验,通过与蚁群算法路径规划结果的对比,证明了粒子群参数优化的改进蚁群算法能够发挥蚁群算法最佳性能,可提高移动机器人到达目标点的速度并降低机器人运动过程中的损耗。     

启发点引导D*算法扩展的无人机航迹规划策略

为了实现无人机从特定方向接近和打击目标点,同时实现航迹最短、规划时间最少,提出了基于启发点引导D*算法扩展的航迹规划方法。分析了航迹规划的约束条件,建立了无人机各威胁因素的区域模型和概率模型,将威胁因素模型叠加至三维环境中,得到了无人机工作的等效三维环境模型;分析了D*算法在具有方向约束航迹规划中遍历搜索和回退扩展的缺陷,提出了启发点引导D*算法扩展方法;给出了启发点的产生方法、启发方案的选择方法、启发点的切换策略等。经过仿真验证,同时使用D*算法、蚁群算法、启发点D*算法进行航迹规划,启发点D*算法规划的航迹最短,算法耗时最少,证明了启发点D*算法在有方向约束航迹规划问题中的有效性。     

沿全局最优路径滚动避障的车间机器人导航研究

为了减少机器人在车间工作时的路径长度、提高行驶安全性,提出了全局规划和局部滚动避障相结合的机器人导航方法。对车间静态环境进行全局路径规划,在传统蚁群算法基础上,在转移概率中引入节点被访问次数作为新启发因子、同时引进随机选择策略和"回退-惩罚"策略,从而提出了基于改进蚁群算法的全局路径规划方法。对车间动态环境进行局部滚动预测避障,分确定和不确定运动提出了碰撞预测和碰撞避免策略,实现了沿全局最优路径滚动避障行驶。经仿真验证,改进蚁群算法规划出的路径比传统方法缩短了42.3%;在车间动态环境下,机器人使用滚动预测避障策略可以沿着最优路径安全到达目标点,实现了机器人在车间动态环境下安全导航。     

基于改进蚁群算法的移动机器人最优路径规划

针对传统蚁群算法用于移动机器人路径规划时存在初期盲目性搜索、收敛速度慢及转弯次数多等问题,提出了一种改进蚁群算法。该算法将栅格法建立的环境模型划分为3种不同搜索区域,运用数学模型按距离比值方法对初始信息素差异化分配,避免蚂蚁前期盲目性搜索;基于可选孙节点个数的区域安全信息和转角启发信息选择下一子节点,并构造目标性启发函数,有效减少蚂蚁陷入死锁次数,提高路径平滑性和目标导向性。采用"狼群分配策略"更新信息素,加快路径的优化。在动态路径规划中,根据滚动窗口的信息检测与碰撞预测,对不同的碰撞类型实施有效的避障策略。仿真结果表明,改进蚁群算法规划出的路径长度更短、转弯次数更少,能够有效避开静态及动态障碍物,具有较好的全局优化性,验证了改进蚁群算法在静态及动态路径规划下的可行性和优越性。     

均匀粒子群蚁群融合算法的机器人路径规划

为了提高移动机器人点对点路径规划的性能,提出了均匀粒子群蚁群融合算法。首先分析了粒子群算法原理,找出了导致算法"早熟"的搜索机制缺陷,提出了均匀粒子群算法,此算法改进了粒子群算法的搜索机制,保证了在迭代过程中的粒子多样性,克服了算法"早熟"问题;介绍了蚂蚁系统和蚁群系统算法的区别,提出了均匀粒子群蚁群融合算法,首先使用均匀粒子群算法搜索次优路径,在此路径上撒播信息素,然后使用蚁群算法寻找最优路径。实验结果表明,融合算法规划出的路径最短,而且迭代效率高、容错能力强。     

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。     

基于改进 A∗ 算法与动态窗口法融合的 机器人随机避障方法研究

针对机器人在存在随机障碍物环境中采用A~*算法规划路径会出现碰撞或路径规划失败的问题,提出了一种将改进A~*算法与动态窗口法相融合的机器人随机避障方法。在改进A~*算法中,首先优化了搜索点选取策略和评价函数,提高了A~*算法的搜索效率;然后提出冗余点删除策略,剔除路径中的冗余节点,并在每两个相邻节点间采用动态窗口法进行局部规划,确保在全局最优路径基础之上,实时随机避障,使机器人顺利到达目标点。实验结果表明,改进A~*算法较传统A~*算法平均可减少4.39%的路径长度和65.56%的计算时长,融合动态窗口法后,能在全局路径基础上修正局部路径,实现随机避障,验证了该算法的有效性。     

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。     

融合改进A^(∗)算法与动态窗口法的机器人避障研究北大核心CSCD

针对机器人在全局未知环境的路径规划中无法进行实时动态避障的问题,提出一种将改进的A^(*)算法与动态窗口法融合的机器人避障方法。首先将传统A^(*)算法3×3搜索领域扩展至5×5搜索领域,并将16个搜索方向进行取舍至9个,同时优化启发函数,通过优化时间复杂度来提升A^(*)算法搜索效率;然后进行冗余节点移除操作,剔除机器人路径中的多余拐点和共线的点;改进后的A^(*)算法较传统A^(*)算法平均减少了65.805%的路径规划时间和4.967%的路径长度。最后将改进的A^(*)算法与动态窗口算法进行结合,使得机器人具有动态避障能力,且保证机器人在局部避障的过程中得到全局路径规划的最优解。     

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.     

基于改进蚁群算法的移动机器人路径规划研究

针对蚁群算法在复杂环境下收敛速度慢且易陷入局部最优值的问题,提出一种改进的蚁群优化算法。该方法依据起始点和目标点位置信息选择全局有利区域增加初始信息素浓度,提高前期蚂蚁搜索效率;增加避障策略,避免蚂蚁盲目搜索产生大量交叉路径并有效减少蚂蚁死锁数量;采用动态参数控制的伪随机转移策略,提出优质蚂蚁信息素更新原则,自适应调整挥发系数,提高算法全局性;进行二次路径规划,优化路径并降低移动机器人能耗的损失。实验结果表明,该算法有较高的全局搜索能力,收敛速度明显加快,并且可以有效提高移动机器人工作效率,验证了该算法的有效性和优越性。     

基于A*

针对二维栅格地图下,移动机器人以最短路径遍历所有目标点的路径规划问题,提出一种基于启发信息扩展节点的 A*     

基于蚂蚁算法的混合离散变量机械优化设计方法

引入蚁群更新、沿途搜索等策略对蚂蚁算法进行了改进。为了求解混合离散变量优化设计问题，在搜索过程中对设计变量进行工程化处理，蚂蚁按处理后的变量进行离散搜索。采用MATLAB语言设计了蚂蚁算法程序，通过典型优化设计问题进行了验证，并给出了混合离散变量机械优化设计实例。实例表明，改进后的蚂蚁算法全局收敛能力强，程序运行可靠。     

面向云计算环境任务调度的改进蚁群算法

云计算环境下的任务调度问题是一个NP完全问题,其目的是在各个处理节点上合理分配任务,优化调度策略以保证有效完成任务。以总任务完成时间最短和计算成本最低为优化目标,针对蚁群优化算法易陷入局部最优的缺陷,提出了一种求解该问题的改进蚁群算法。该算法将遗传算法的二点交叉算子融入到蚁群优化算法中,以提高蚁群优化算法的局部搜索能力。通过在云仿真平台Cloud Sim上进行仿真实验,结果表明改进蚁群算法缩短了总任务完成时间,降低了计算成本,从而证明了该算法能有效地解决云计算环境下的任务调度问题,并且其优化能力和收敛速度优于蚁群优化算法和改进离散粒子群算法。     

量子蚁群算法在压力容器优化设计中的应用

建立压力容器的优化设计数学模型,利用一种新型的优化算法——量子蚁群算法对压力容器的主要参数进行优化设计。量子蚁群算法在蚁群算法的基础上引入量子理论,该方法能尽快搜索到较理想的下降方向,提高了算法的收敛速度。具体应用实例表明,基于量子蚁群算法的优化设计切实可行,显示量子蚁群算法在化工设备优化设计问题上的可用性。     

考虑气象因素的农业采摘机器人轨迹纠偏控制方法

为了减少气象因素对农业采摘机器人轨迹的影响,提出了考虑气象因素的农业采摘机器人轨迹纠偏控制方法,以解决机器人位姿精度较低和定位时间较长等问题。采用云储存技术对运动的目标果实进行检测与跟踪。利用改进的蚁群算法规划最优路径,通过 RBF 神经网络最佳逼近算法对动力学方程加以优化,加强其逼近能力,从而完成对采摘机器人轨迹纠偏的控制。实验结果表明,该方法可以有效地提高位姿精度、提高定位成功率、缩短定位时间并获得更为顺畅的采摘路径。     

基于 Ｋ- ｍｅａｎｓ信息挥发速率动态调整的 改进蚁群算法

针对蚁群算法在求解 ＴＳＰ问题时,存在容易陷入局部最优,收敛速度慢,且求解时间较长的问 题,提出了一种基于 Ｋ- ｍｅａｎｓ与信息挥发速率动态调整策略的改进蚁群算法,利用 Ｋ- ｍｅａｎｓ聚类算法将 大规模 ＴＳＰ问题分解为数个子问题。在城市选择上,加入轮盘赌规则,对信息素更新规则进行了改进,每轮 迭代时动态调整信息挥发速率。实验表明,相比蚁群算法,改进算法避免了求解陷入局部最优解,加快了算 法的收敛。     

基于自适应蚁群算法的动态作业车间调度问题的求解方法

针对目前大多数作业车间调度算法都是静态调度,而实际工业生产中调度任务都是动态变化的问题,提出了一种求解动态作业车间调度问题的自适应蚁群算法.算法采用事件驱动调度策略,当调度任务发生变化时根据上次调度结果重新调度,并且对每次调度采用自适应蚁群算法优化调度方案.最后,通过实例仿真验证了算法的有效性.仿真结果表明,该算法自适应性表现在算法针对"搜索结果是否陷入局部收敛"分别对各路径上的信息素进行了自适应调整,有助于算法快速跳出局部收敛,继续向全局最优解进行搜索.     

面向Job Shop调度的算法融合方法研究

提出一种算法融合方法,解决单一算法求解Job Shop调度问题存在的不足,提高这类问题的求解质量。在融合方法中,采用遗传算法和蚁群算法进行并行搜索;根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,并将基于这种邻域选择方法的禁忌搜索算法作为局部搜索算法,加强了遗传算法和蚁群算法的局部搜索能力。采用算法融合方法构造的优化算法对13个难解的benchmarks问题实例进行求解,在较短的时间内,得到的十次实验结果的makespan最优值和平均值优于并行遗传算法(PGA)和TS算法。采用算法融合方法构造的优化算法具有较强的搜索能力,说明提出的算法融合方法是有效的。     

基于改进变异蚁群算法神经网络的空间大型可展开天线动态响应辨识

针对空间大型可展开天线柔性大、展开过程中弹性变形与刚体运动相互耦合、机构运动参数时变的特点,提出了基于改进变异蚁群算法神经网络的辨识模型用于可展开天线动态响应辨识的方法。该方法采用改进变异蚁群算法优化神经网络权值,将变异机制引入蚁群算法,解决了蚁群算法收敛慢的缺点,对变异蚁群算法进行改进,提高了算法跳出局部最优的能力,进一步加快了收敛速度。仿真结果表明,该辨识模型兼具神经网络和蚁群算法的优点,不仅具有优异的非线性逼近能力,还具有高的运算效率。该辨识模型能够准确地辨识天线的动态响应,辨识的收敛速度快且精度高。