基于神经网络的机器人路径规划算法

机器人路径规划技术是机器人研究的一个重要领域.针对未知的全局环境,使机器路径最优化,利用机器人传感器网络建立可视区域,将整体任务分解为环境信息已知的一系列子任务,利用神经网络高速并行计算的优点,建立神经网络罚函数,提出一种实时性较高的变参数方法离散化求取罚函数的负梯度方向,控制机器人快速高效地完成子任务,从而驱使机器人到达目标点并进行仿真.仿真结果证明了复杂环境静态和动态目标指引下方法的有效性和实用性,特别适用于实时性要求高的场合.     

基于蚁群算法的机器人路径规划

移动机器人路径规划是机器人学的一个重要研究领域,栅格法模型是其中一类实时性很强的路径规划模型。该文引入蚁群算法的思想,以点离目标点距离、该点的访问次数和移动方向信息素为启发式因子,建立了一种新型的优化算法。新算法不仅能够较好地对已有算例进行求解,而且对于随机设计的新例子求解效果良好。     

基于蚁群算法的机器人路径规划

针对移动机器人规避障碍和寻找最优路径问题,提出了在复杂环境下移动机器人的一种路径规划方法.采用了栅格法建立了机器人工作平面的坐标系,整个系统由全局路径规划和局部避碰规划两部分组成.在全局路径规划中,用改进蚁群算法规划出初步全局优化路径;局部避碰规划是在跟踪全局优化路径的过程中,通过基于滚动窗口的环境探测和碰撞预测,对动态障碍物实施有效的局部避碰策略,从而使机器人能够安全顺利的到达目标点.仿真实验的结果表明了所述方法能在较短时间内找到最佳路径并规避障碍.     

基于蚁群算法的机器人路径规划

用栅格模型表示工作环境,确定机器人运动起始结点和目标结点后,对工作环境进行分析,选取起始点与目标点之间连线附近的若干栅格,以被选取栅格为关键点,采用蚁群算法分别计算关键点与起始点和目标节点之间的最短路径,求取全局最短路径。仿真验证,该方法简单有效。     

基于改进蚁群算法的机器人路径规划算法

针对传统蚁群算法搜索时间长、容易陷入局部最优解等缺点,提出了一种基于组合优化和起始目标导引函数的改进型蚁群算法.为备选结点引入优先级,采用状态转移概率和优先级的组合优化方法平衡各路径信息,避免陷入局部最优.搜索过程引入起始目标导引函数.优先搜索距起点远而距目标点近的结点.仿真结果表明,所提出的改进蚁群算法能够在较短时间内找到全局最优路径,显著提高移动式机器人的路径规划性能.     

基于改进蚁群算法的机器人路径规划算法

针对机器人路径规划中,传统蚁群算法收敛速度慢、易陷入局部最优解等问题,提出了一种移动机器人路径规划的改进蚁群优化(ACO)算法。用栅格法建立环境模型,并基于人工势场建立启发信息素矩阵,降低了蚂蚁在初始阶段搜索的盲目性;引入激励函数,降低搜索过程中的死锁现象;改进信息素的更新机制,增强了优秀蚂蚁对全局路径规划的影响。仿真结果表明:改进后蚁群算法的机器人路径规划算法加快了收敛速度,具有较强的鲁棒性和全局寻优能力。     

基于惯性蚁群算法的机器人路径规划

栅格环境下蚁群算法规划出的移动机器人路径存在运行慢、路径弯多、转折次数多、局部最优等问题。为获得较优路径,提出了惯性蚁群算法。在传统蚁群算法规划的路径上,采用惯性优化原理,对每一个节点进行遍历,当两个节点间的优化路径上无障碍物时,将中间节点删除,换成优化路径。根据优化信息,动态调整信息素挥发系数,提高了算法环境适应能力。仿真结果表明,相比传统蚁群算法,惯性蚁群算法能更快地找到较优路径,能有效优化路径质量。     

基于改进蚁群算法的机器人路径规划

为了解决蚁群算法易陷入局部最优及收敛速度慢等问题,研究提出一种改进的蚁群算法,通过改变方向因子的计算方式来减少寻优所需时间;通过改变信息素的更新方式避免陷入局部最优解。在栅格地图中进行仿真模拟实验,综合结果表明,改进算法与传统蚁群算法及其他相关算法相比,具有得到路径更短、收敛速度更快且路径拐点更少等优点。     

基于改进蚁群算法的机器人路径规划

本文主要结合蚁群算法对机器人路径规划进行了系统的研究。针对蚂蚁在搜索路径过程中落入障碍物陷阱而造成算法停滞的现象,提出了蚂蚁系统回退策略。为了检验改进型算法的性能,基于MATLAB软件设计了仿真程序。仿真结果表明：对基本蚁群算法的改进,提高了算法的有效性和鲁棒性,增强了蚁群算法在机器人路径规划中的适应能力。     

基于改进蚁群算法的机器人路径规划

提出了一种复杂静态环境下的移动机器人避碰路径规划的改进蚁群算法,基于栅格法的工作空间模型,模拟蚂蚁的觅食行为;针对路径规划的需要,搜索过程采用了蚂蚁回退策略、目标吸引策略、参数自适应调整和路径优化策略;利用蚂蚁回退策略和惩罚函数使得蚂蚁能够顺利跳出陷阱,并且在下一次搜索中不再选择此路径,从而避免了遇到陷阱时形成的路径死锁情况,同时也提高了最优路径的搜索效率;仿真试验结果表明,该算法能迅速规划出最优路径。     

基于优化蚁群算法的机器人路径规划

研究机器人导航中的路径规划问题,运用栅格法和图论思想建立环境模型,在该模型中通过蚁群算法进行路径寻优,提出用遗传算法的思想改进已有蚁群算法,即GAA算法。仿真实验结果表明,该算法能有效地提高机器人的路径搜索速度及路径优化、路径平滑等方面的指标。     

基于DTC-MOPSO算法的焊接机器人路径规划

点焊机器人在汽车白车身焊接中的应用大大提高了企业的生产效率,本文从焊接路径长度和能量两方面进行焊接机器人多目标路径规划．为了很好地解决这个问题,本文对一种新型多目标粒子群算法（三态协调搜索多目标粒子群优化算法）进行改进,得到适合于求解离散多目标优化问题的离散化三态协调搜索多目标粒子群算法（DTC-MOPSO）．通过和两个经典的优化算法比较,DTC-MOPSO算法在分散性和收敛性方面都有很好的优化性能．最后运用Matlab机器人工具箱对机器人的运动学、逆运动学以及逆动力学进行分析以求解机器人的路径长度和能耗,并将改进的算法应用于焊接机器人路径规划中,结果显示规划后的路径明显优于另外两种算法.     

基于改进PRM算法的机器人路径规划

概率路线图(Probabilistic Roadmap, PRM)算法是移动机器人领域常用的路径规划算法。针对传统PRM算法存在采样点分布不均匀、路线图构建效率低以及路径冗余不平滑等问题,提出了一种改进PRM算法。使用二维Sobol序列优化采样策略,保证采样点全局均匀分布,优化采样点的覆盖面积,提高了采样点的质量;其次,对采样点进行邻域分类并施加连接约束,使相邻邻域采样点进行连接,减少路线图的大小,提高了路线图的构图和搜索效率;接着,使用节点平移优化算法优化节点位置,使优化路径符合实际空间中的最优路径;最后,使用贝塞尔曲线平滑路径拐点,使生成的路径更符合机器人的实际运动约束。大量仿真实验结果表明,改进PRM算法可以有效提升规划路径的质量且受采样点数量的影响较小。相比于传统PRM算法和其他改进PRM算法,提出的PRM算法在路径长度、运行时间和成功率上具有明显优势。     

基于体液免疫的机器人路径规划免疫算法

依据生物免疫中体液免疫原理,提出一种新的移动机器人路径规划免疫算法。针对机器人在已知环境下的运行特性,对其设计路径光滑性指标及依据神经网络设计碰撞行为评价指标,将路径规划问题转化为非约束优化,进而结合体液免疫应答机制,获得路径规划新方法。该算法的特点是具有并行及快速搜索的能力,对机器人初始路径无任何约束。对各种难易不同的初始和目标位置,均能保证获无碰最优路径。仿真事例获知此算法的有效性。     

基于混沌蚁群算法的机器人路径规划

研究了全局静态复杂环境的机器人导航问题;针对传统蚁群极易陷入局部最优解,引入混沌理论改善个体质量,利用混沌扰动避免在搜索过程中陷入局部极值;构建了一个新的机器人路径规划算法的数学模型,在组织变量的影响下,蚂蚁由最初的混沌行为逐渐过渡为群体智能行为,最终完成机器人全局最优路径的搜索;仿真结果表明,即使在障碍物非常复杂的环境中,该模型也能找出一条全局最优或近似最优的路径,且能安全避障,仿真效果理想。     

基于人工鱼群算法的机器人路径规划

首先采用链接图建立机器人工作空间模型,用Dijkstra算法求得链接图最短路径;然后使用人工鱼群算法对此路径进行优化,最终得到全局最优路径。以一个路径为例,进行了实际编程计算,结果表明,基于人工鱼群算法的机器人路径规划方法,具有较快的收敛性和较高的计算精度。     

基于改进蚁群算法的机器人路径规划

针对机器人路径规划问题,提出一种改进的蚁群算法.建立栅格地图模型,结合蚁群算法,设置禁忌表,同时针对死锁问题,提出丢弃陷入死锁的蚂蚁;当蚂蚁迭代次数大于60代后,通过减小信息素增强系数Q,达到提高算法收敛速度的目的.实验结果表明,改进后的算法能快速规划出最优路径,同时能避免陷入死锁和局部优化.     

基于改进蜂群算法的机器人路径规划

针对机器人的路径规划问题,本文提出了采用改进的具有群集智能的蜂群算法（Artificial Bee Colony,ABC）,结合三次贝塞尔曲线来描述路径,共同实现路径优化的方法.为了克服标准ABC容易陷入局部最优和后期收敛速度慢的缺点,对雇佣蜂阶段和守望蜂阶段进行改进,且与其他算法得到的优化曲线相比较,进而得出不同算法在路径优化方面的优劣性.实验结果表明：改进的蜂群算法在路径优化方面具有更好的寻优性能,能够得到更短路径.     

基于混合灰狼算法的机器人路径规划

针对传统灰狼算法GWO优化精度低、易陷入局部最优等不足,构建了混合灰狼算法HGWO,并将其应用于机器人路径规划RPP问题。HGWO算法采用反向学习方法构建初始灰狼种群,力求提升初始解的质量。同时,算法在个体位置更新方法中融入自身历史信息以指导种群进化,并借助精英反向学习策略探索当前种群优秀解的反向解空间,以增强算法的勘探能力。为确保路径规划的精度并降低求解难度,利用Spline样条插值法拟合路径曲线。最后,进行了函数优化和路径规划的对比实验,实验结果表明,HGWO算法具有良好的求解精度和稳健的鲁棒性。     

基于情景萤火虫算法的机器人路径规划

针对传统非结构环境下路径规划时机器人运动状态振荡和适应性差等问题,提出了一种基于情景萤火虫算法（SGSO）的机器人路径规划策略。该算法基于混沌系统的规律性、随机性和历遍性以实现初始化,并利用黄金比分割法进行后期优化,以提高种群的多样性,抑制算法的早熟和局部收敛;同时,引入关于萤火虫"天敌"的情景理解,改进萤火虫种群的选择机制,解决萤火虫在非结构环境下寻迹过程中的搁浅现象,增强了算法的适应性和鲁棒性。四个测试函数的仿真实验结果表明,所提算法的求解精度、收敛效率优于基本萤火虫种群优化（GSO）算法;将该算法应用于非结构环境下移动机器人的路径规划中,检测结果表明,基于SGSO的规划路径更短,且转角处更光滑,有效避免了机器人大角度转向对动力系统造成的额外负荷,验证了所提算法的可行性和有效性。