改进萤火虫算法求解多机器人路径规划

为解决多机器人在静态环境中的路径规划问题,以路径长度为优化目标模型,并针对此模型设计了多机器人萤火虫算法(MR-FA)。首先,考虑到路径安全性对环境中的障碍物采取扩张操作,设计初始化规则以提高生成初始种群的效率;其次,根据算法的连续性原理及特点,设计个体等长策略将维度不一致的个体转变为等维度个体以便于萤火虫的移动更新,并对移动更新后的不可行解采取路径修正策略;然后对规划出的每个机器人的移动路径进行碰撞检测,同时针对机器人不同的碰撞情况设计相应的避碰策略,即暂停—回退策略(PFS)、局部路径重规划策略(LPRS);最后,为验证MR-FA的有效性,在三组环境中进行仿真实验并与其他三种算法进行对比,综合得出MR-FA在解决多机器人路径规划时更有优势。     

基于蚁群算法的机器人路径规划问题研究

该文将蚁群算法运用到机器人全局路径规划上,主要针对蚂蚁算法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,提出了改进策略,同时基于对机器人所处环境的表示方法及算法中对应问题的描述和定义的研究,对相关参数进行了改进探讨。通过对算法的改进,增强了机器人的蚁群算法在复杂环境路径规划下的适应能力。     

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.     

用于多机器人路径规划的一种改进蚁群算法

基于MATLAB平台,将改进的蚁群算法应用于多移动机器人的路径规划。为了避免多机器人协作时容易引起的"任务死锁",每当机器人选择到系统中所有机器人一起合作也无法完成的任务时,降低该任务的信息素浓度,使得机器人能够跳出该任务,从而得以顺利完成其他可完成的任务。仿真研究表明:该算法能明显改善多机器人路径规划性能,并且算法简单有效。     

机器人路径规划中算法计时的实现

在VC 5.0的环境下实现了机器人路径规划算法的计时。该方法具有通用性,几乎可以毫无更改地应用于其他算法的计时中。其具体实现步骤如下:     

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。     

基于最优探测的多机器人路径规划

目前,针对多机器人目标探测定位系统,机器人通常获取相对于目标的角度信息,然后进行融合实现定位目标。采用此种定位算法,机器人相对目标的距离越近、相邻机器人与目标之间的夹角越均匀,目标的定位精度越高。然而由于目标与机器人分布的随机性,在定位的过程中,通常无法同时保证机器人相对目标距离最近、夹角最优。那么如何实现多机器在探测目标过程中,每个时刻机器人对目标的定位精度最优?提出了多机器人最优探测路径规划算法。每个机器人在单位时间内按直线移动,那么机器人下一时刻的位置轨迹,即以当前位置为圆心的圆。根据机器人定位的精度模型标准,采用内点优化算法求解得到圆上的一点,使得精度模型标准取得最优值,即定位精度精度最高,这点即为下一时刻机器人的位置。由此不断求得机器人下一时刻的位置,即可获得机器人移动的路径。仿真结果表明,算法能够实现在多机器人探测定位目标过程中,协同路径规划保证每个时刻目标定位精度最优。     

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.     

农业机器人路径规划算法研究

针对移动机器人在农田作业以及路径规划处理过程中产生的各种各样问题,在深入了解实际工作的背景下,建立了农业鸟瞰图模型,并根据移动机器人在运动过程中的情况,对地图进行膨胀处理。通过与经典蚁群算法的对比仿真实例,验证了退火蚁群算法在解决农业机器人路径规划问题上的优越性和有效性,该研究可以为农业机器人在路径规划算法上的研究及改进提供有效的方法和参照。     

基于栅格模型机器人路径规划的改进蚁群算法

提出了一种静态环境下机器人路径规划的改进蚁群算法.该算法使用栅格法对机器人的工作空间进行建模,通过模拟蚂蚁的觅食行为,采用折返的迭代方式对目标进行搜索;在搜索过程中,以移动方向一定范围内最大信息素和目标引导函数作为启发式因子;此外,根据蚁群算法处理本问题时信息素散播的特点,重构了信息素的更新策略和散播方式.仿真试验结果表明,改进措施使最优路径的寻找快速而高效,即使在障碍物非常复杂的环境下,算法也能迅速地规划出一条最优路径.     

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。     

模糊优化算法及其在视觉机器人路径规划中的应用

提出了视机器人路径规划的模糊满意优化方法，该算法基于预测控制滚动优化机制，将系统优化目标和受限约束通过模糊隶属度来表示，形成多目标模糊优化问题，解决了在全局环境未知情况下的优化路径问题。仿真结果验证了该方法的有效性。     

多机器人协作搬运路径规划研究

针对多机器人协作系统,提出了一种新的混合定点转动和遗传算法的方法,解决其协作路径规划问题。该方法利用遗传算法并行计算、不易陷入局部最优的优点,具备概率上寻找全局最优解的能力,同时结合了定点转动法易实现、有效减少单机器人路径浪费的优点。仿真实验结果表明,该规划方法运算速度较快,在得到有效规划路径的同时,也易于实现对单机器人的控制。     

基于物流机器人的路径规划研究

本文描绘了物流机器人的路径规划问题。针对标准A*算法的路径规划时间长、计算节点多的问题,提出了在标准A*算法的基础山,使用改进的双向搜索的A*算法。通过使用MATLAB进行仿真和实验平台进行实验对标准A*算法和优化后的A*算法进行了对比,结果表明:改进的A*算法比标准的A*算法进行路径规划的时间更短,并且使用的节点更少。     

基于改进的混合蛙跳算法机器人路径规划的研究

对于采用混合蛙跳算法进行机器人路径规划容易产生局部最优、收敛速度慢等问题,把人工鱼群算法融合到混合蛙跳算法。人工鱼群算法的追尾行为有利于加快收敛速度,群聚行为提高了跳出局部最优解的能力。把机器人路径规划问题转化为最小化问题,使用改进的算法对其进行优化,最终得到全局最优路径。仿真结果表明,与改进前的算法相比,改进后算法具有较强的全局寻优能力和较快的收敛速度。     

多机器人路径规划研究方法

在查阅大量文献的基础上对多机器人路径规划的主要研究内容和研究现状进行了分析和总结,讨论了多机器人路径规划方法的评判标准,并阐述了研究遇到的瓶颈问题,展望了多机器人路径规划方法的发展趋势。     

基于蚁群算法的多AUV路径规划仿真研究

多AUV路径规划是一种典型的带约束组合优化问题,如果采用传统的方法求解效果并不理想.蚁群算法是对自然界中蚂蚁在寻找食物过程中所表现出来的智能行为的一种模拟,它非常善于处理带约束的大规模复杂组合优化问题.应用蚁群算法结合TSP问题来为一群AUV进行路径规划,寻找最短且安全的路径.算法分为两部分:1)路径优化:使所有AUV的总路程最小化;2)路径校核:检查是否存在潜在的静态或动态碰撞.最后以三个AUV的情形为例对算法加以了验证,仿真结果表明该方法耗时短、效率高,为求解多AUV路径规划问题提供了一个高效解决方案.