基于改进蚁群算法的移动机器人动态路径规划方法

 本文提出了基于改进蚁群算法的移动机器人动态路径规划方法.首先针对蚁群算法收敛速度慢,容易陷入局部最优的缺点,提出了根据目标点自适应调整启发函数,提高算法的收敛速度;借鉴狼群分配原则对信息素进行更新,避免搜索陷入局部最优.其次为了优化改进蚁群算法的性能,提出用粒子群算法对改进蚁群算法的重要参数进行优化选择.最后实现了基于改进蚁群算法的移动机器人动态路径规划并完成了仿真实验,实验结果证明了该方法的可行性和有效性.     

基于栅格模型机器人路径规划的量子蚁群算法

针对复杂环境中移动机器人路径规划问题,提出了一种基于量子-蚁群算法(QACA)融合的路径规划算法。该算法的核心是在蚁群系统(ACS)中引入量子算法中的量子态矢量和量子旋转门来分别表示和更新信息素,增加位置的多样性,加快算法的收敛速度。通过仿真实验表明,该算法可增加算法的随机性,较传统的蚁群算法具有更好的种群多样性,更快的收敛速度和全局寻优能力,即使在障碍物较复杂的环境下,也能迅速规划出一条最优路径。     

融合人工势场蚁群算法的移动机器人路径规划

通过对人工势场法与蚁群算法进行融合,给出了一种融合人工势场蚁群算法的移动机器人路径规划算法。一方面,引入目标点距离影响因子,改善势场力对移动机器人路径搜索的影响,通过改进斥力场函数,避免移动机器人因受到较大的斥力而无法规划出最优路径;另一方面,构造势场力启发函数,同时考虑距离启发信息和势场启发信息,初始化信息素的差异化分配方式有利于提高算法的收敛速度。实验结果表明,融合人工势场蚁群算法相比于文献[15]算法,在最优路径长度、路径转折次数、收敛速度三方面分别提高了2.6%,25%和66.7%,表明了该算法在路径规划方面的优越性。     

基于遗传变异蚁群算法的机器人路径规划的改进

针对基本蚁群算法在机器人路径规划问题中容易陷入局部最优的问题,提出了一种改进的蚁群算法,利用遗传算法加入了变异因子使最优路径产生变异,从而降低了蚁群算法陷入局部极小的可能性。同时改善了基本蚁群算法不收敛或收敛速度比较慢的缺点,加快了收敛速度,增加了最优解的多样性。     

避障机器人路径规划算法的研究

结合移动机器人的实际应用场景,针对常规算法规划出的路径存在折点多、转弯角度过大、与障碍物距离较小、搜索的路径较长等问题,对在栅格地图下混合全局路径规划与局部路径规划算法进行了研究,采用人工势场算法与蚁群算法混合,为移动机器人规划出全局最优路径,同时实时躲避局部障碍物。经过仿真测试,移动机器人可以根据全局路径规划的路径得到最优的整体路径,通过局部路径规划算法避开局部区域的障碍物,使移动机器人能够从起点平稳无碰撞地行驶至目标点。     

改进蚁群算法的机器人路径规划研究

针对传统蚁群算法存在算法收敛速度慢、易陷入局部最优的问题,文中提出了一种改进的蚁群算法。在传统A ^*算法的基础上,改进其估价函数,并将其引入到蚁群算法中,提出了改进启发函数η,增加目标点对路径搜索的吸引力,提高了收敛速度。新方法还改进了信息素挥发因子ρ,使信息素挥发因子处于动态变化,提高了算法的全局搜索能力,避免陷入局部最优。仿真结果表明,改进的蚁群算法在收敛速度上比传统蚁群算法提高了近50%,在最短路径上明显优于传统的蚁群算法,证明了改进算法的有效性。     

改进势场蚁群法的机器人避障及路径规划

针对传统蚁群算法机器人在路径规划过程中出现收敛速度缓慢和陷入局部最优的问题,将蚁群算法与加入虚拟牵引力和快速函数的人工势场法相结合,引入势场合力作为蚂蚁搜索路径点的部分启发信息,使结合后的算法具有较高的全局搜索能力,避免了传统蚁群算法由于启发信息误导所致的局部最优问题,同时提高了收敛速度。为了验证此方法的有效性,用Matlab软件进行仿真实验,结果表明机器人运动轨迹平滑,接近最优路径。     

融合头脑风暴和注意力机制的改进蚁群路径规划算法研究

蚁群算法是一种智能优化算法,具有鲁棒性强、反馈信息精准、分布式计算能力强等优点,被广泛应用于移动机器人的路径规划。针对原算法存在收敛速度慢、易陷入局部最优等问题,提出了一种改进蚁群路径规划算法。首先,融合头脑风暴思想对解集进行更新变异,在加快收敛的同时保证算法的多样性。其次,利用局部路径注意力机制提取较好的路径段,提高寻优效率,且在信息素注意力机制中加入了自适应t分布,避免算法陷入局部最优。新的信息素更新方式可以促进算法的全局搜索,并且保障算法的收敛速度。最后,在Matlab软件中进行了静态环境下的仿真实验,验证了该算法的有效性和可行性。     

基于混合蛙跳算法的移动机器人路径规划

针对移动机器人路径规划中算法搜索能力不强且易陷入停滞的问题,文中提出了一种基于混合蛙跳算法的移动机器人路径规划方法。首先利用蚁群算法在栅格地图中生成一定数量的路径,然后引入混合蛙跳算法,子群内进行Memetic进化,最坏青蛙根据与子群最优青蛙或全局最优青蛙的路径交点栅格进行路径更新,并对最终生成的最优路径进行优化处理,以消除不必要的拐点,保证机器人路径运行的安全性。二维环境下的仿真实验表明,提出的混合蛙跳算法能在有效避开障碍物的同时快速地规划出一条通往目标点的优化路径,且效果令人满意。     

基于IAFSA和AGA混合算法的移动机器人路径规划

针对人工鱼群算法在移动机器人路径规划中存在易陷入局部最优、结果精度不高以及遗传算法存在易早熟、收敛速度慢等问题,提出一种改进人工鱼群算法(IAFSA)和自适应遗传算法(AGA)相融合的移动机器人路径规划方法。首先用栅格法建立移动机器人的环境模型,然后用IAFSA搜索移动机器人的初始可行路径,将搜索到的初始可行路径作为AGA的初始种群,最后采用AGA优化移动机器人的全局最优路径。仿真结果表明,混合算法在结果精度和稳定性方面优于标准人工鱼群算法,在跳出局部最优和收敛速度方面优于标准遗传算法。     

基于拥挤度因子的动态信息素更新策略蚁群算法

针对蚁群算法易陷入局部最优、收敛速度慢的问题,文中提出了一种基于拥挤度因子的动态信息素更新策略的蚁群算法(CFACS)。引入鱼群算法中拥挤度的思想,扩大种群中蚂蚁分布范围,使其探索更大的解空间,提高算法全局搜索能力;采用动态信息素更新策略,在每一次迭代中,自适应调整当前最优路径所释放的信息素浓度,保证蚁群前期的多样性,同时保证算法在后期的收敛性。求解TSP问题的仿真实验表明,改进算法求得解的质量和求解的收敛速度都明显优于传统蚁群算法,较好地平衡了种群多样性与收敛速度之间的矛盾。     

基于模糊算法的移动机器人路径规划

为了解决移动机器人最优路径规划问题,提出一种基于模糊算法的移动机器人路径规划策略.利用超声波传感器对环境进行探测,得到关于障碍物和目标的信息.运用模糊推理将障碍位置信息与目标位置信息模糊化,建立模糊规则并解模糊最终使机器人可以很好的避障,从而实现了移动机器人的路径规划.仿真实验结果表明了模糊算法优于势场法和A*算法,具...     

动态环境下基于多人工鱼群算法和避碰规则库的机器人路径规划

为了提高机器人路径规划的速度、环境适应能力和高效动态避碰问题,提出了一种基于多人工鱼群的机器人路径规划算法和基于避碰规则库的动态避障算法.该算法中,人工鱼以其与目标点的距离为食物浓度,两个邻近栅格的距离为步长,其觅食行作为默认行为,在一定条件下执行聚群或追尾动作,并采用两鱼群双向搜索机制在静态环境下规划出较优路径.在此基础上,机器人查询动态避障规则库获得避碰方法,从而实现与动态障碍的避碰.大量仿真实验结果表明,该方法具有较高的收敛速度和较强的搜索能力,能在非常复杂的动静态障碍环境中,迅速规划出一条安全避碰的优化路径.     

区域多任务安全隐患排除的机器人调度策略

针对灰狼优化算法易陷入局部最优且单一算法不易解决障碍物空间多机器人隐患搜排的调度问题,提出了一种分步引导式多机器人安全隐患协同排除调度策略。首先引入非线性收敛因子调整策略和静态加权平均权重策略改进灰狼优化算法以避免算法陷入局部最优;随后通过改进的灰狼优化算法先后两次求解遍历顺序,引导机器人规划搜索路径与排除隐患点路径;最后在领航者-跟随者模型的基础上多机器人编队与队形变换避障,逐一到达隐患点位置实现多机器人的调度策略。通过国际通用6个基准函数进行测试,改进的灰狼优化算法在收敛速度、搜索精度及稳定性上均有明显提高,验证了区域多任务安全隐患排除的分步引导式多机器人协同调度策略的有效性。     

Research on cultural algorithm for solving routing problem of mobile agent

The key idea behind cultural algorithm is to explicitly acquire problem-solving knowledge from the evolving population and in return apply that knowledge to guide the search. In this article, cultural algorithm-simulated annealing is proposed to solve the routing problem of mobile agent. The optimal individual is accepted to improve the belief space＇s evolution of cultural algorithms by simulated annealing. The step size in search is used as situational knowledge to guide the search of optimal solution in the population space. Because of this feature, the search time is reduced. Experimental results show that the algorithm proposed in this article can ensure the quality of optimal solutions, and also has better convergence speed. The operation efficiency of the system is considerably improved.     

优化蚁群算法在网络知识路由系统中的应用

研究网络知识路由问题,提高网络资源搜索质量。针对传统方法在网络资源搜索过程中,存在搜索时间长,得不到最优解,导致搜索速度慢,效率低的问题。为了提高网络资源搜索效率,提出一种基于改进蚁群的路径搜索算法,在混合信息素更新策略,自适应挥发因子等方面进行改进,并设置了先行蚂蚁和后行蚂蚁。该方法有效地避免了蚁群搜索陷入局部最优,加快了收敛,提高了搜索效率。仿真结果表明,改进方法缩短了搜索时间,网络资源搜索效率明显提高,证明是一种有效的优化方法,能够在最短时间找到资源搜索的最优解,是解决网络资源搜索优化问题的有效算法。     

改进蚁群算法的路径规划研究

针对蚁群算法在复杂环境下收敛速度慢且存在停滞问题,提出一种改进的蚁群算法。为了避免蚁群陷入死锁状态,采用回退策略,避免蚂蚁盲目搜索产生大量交叉路径并有效减少蚂蚁死亡数量,并且借鉴了狼群分配策略来更新信息素,提高算法全局性,在状态转移概率中引入一个启发因子并进行调整,避免算法陷入停滞。仿真实验结果表明,改进后的蚁群算法收敛速度明显加快,寻优最短路径达到29.73,迭代次数较少28。验证了该算法的有效性和可行性。