栅格环境下机器人导航路径的双种群蚁群规划

为了提高机器人在栅格环境下的路径规划质量和规划稳定性,提出了启发式信息素交流异构双种群蚁群算法的规划方法.对精英蚂蚁系统和蚁群系统两种算法进行了原理分析和优势分析;为了实现精英蚂蚁系统和蚁群系统的优势互补,以迭代过程中的路径偏离度为启发信息,使用启发式信息素交流的方式将精英蚂蚁系统和蚁群系统融合为异构双种群蚁群系统,将新算法命名为启发式信息素交流双种群蚁群算法(HEC-TPAC);使用标准TSP测试集对算法性能进行测试,HEC-TPAC算法规划的旅行商路径质量和稳定性优于蚁群系统和精英蚂蚁系统.将HEC-TPAC算法和蚁群系统同时应用于栅格环境下机器人路径规划,HEC-TPAC算法规划的路径明显短于蚁群系统,且路径长度方差明显小于蚁群系统,表明HEC-TPAC算法在栅格环境下的路径规划质量和规划稳定性优于蚁群系统.     

机器人导航路径的动态分级蚁群算法规划策略

为了提高机器人工作路径质量并减少算法运行时间,提出了蜂巢栅格模型与动态分级蚁群算法结合的路径规划方法。建立了工作环境的蜂巢栅格环境模型,在转向角、避障路径比、路径质量等方面均优于传统方形栅格模型;将蜂群算法的分级思想引入到蚁群算法中,根据适应度将蚁群分为寻优蚁和侦查蚁两级;寻优蚁更加注重信息素的引导作用,利于算法收敛,侦查蚁更加注重启发信息的牵引作用,不断探索新的路径而增加路径多样性;提出了兼顾全局信息素更新和局部信息素更新的动态加权信息素更新方法。经仿真验证,动态分级蚁群算法在迭代过程中的路径多样性优于蚁群算法;将动态分级蚁群算法应用于路径规划,路径长度比蚁群算法降低了22.12%,平均运行时间减少了32.33%,充分证明了动态分级蚁群算法在路径规划中的有效性。     

基于改进蚁群算法的移动机器人路径规划研究

为了提高机器人路径规划算法的收敛速度和收敛精度,提出了基于改进遗传算法的机器人路径规划方法。介绍了栅格建模方法,分析了传统蚁群算法原理。提出了蚂蚁相遇策略提高了算法搜索效率,提出了蚂蚁回退策略避免陷入U形陷阱,设置了信息素感应阈值扩大了算法前期的搜索范围,改进了信息素残留方法使蚁群能够记忆最优路径,提出了信息素自适应调整方法,兼顾了算法前期的大范围搜索和后期的快速收敛。经仿真实验验证,相比于传统蚁群算法,改进算法具有更快的收敛速度、更优的规划结果,且改进算法的蚁群轨迹更加集中至最优解附近。     

人工势场引导信息素扩散的机器人导航规划

为了保证机器人自动导航过程中沿着最优路径前进,提出了基于势场引导信息素扩散的导航规划方法。建立了工作环境的栅格模型;在分析传统蚁群算法缺陷基础上,提出使用人工势场引导信息素扩散,制定了栅格环境下信息素扩散方向查询表,建立了信息素扩散量的圆锥模型;在人工势场引导下,信息素扩散到隐含最优路径附近区域,将蚂蚁搜索范围限制在一个隐含最优路径的局部区域内,减小了蚁群搜索空间。经仿真验证,与传统蚁群算法相比,人工势场引导算法的信息素能够快速聚集在最优路径上;与另一改进蚁群算法相比,势场引导算法规划出导航路径的迭代次数减少了一半,消耗时间降低了约一个数量级,保证了导航规划的快速性和实时性。     

考虑环境复杂度的机器人路径双向蚁群规划

为了减少机器人的路径长度、提高路径平滑性，提出了基于配对双向新型蚁群算法的路径规划方法。介绍了栅格环境模型的建立方法；给出了基于改进K-means的环境复杂度聚类方法，实现了以复杂度为标准的环境分区；将环境复杂度作为新型启发信息引入到蚁群算法中，引导蚂蚁选择简单环境区域。借鉴蚂蚁的双向搜索思想，提出了配对双向搜索的新型蚁群算法，并将该算法应用于栅格环境的路径规划。经仿真验证可以看出，与传统蚁群算法、文献[12]算法比，配对双向新型蚁群算法的路径长度最短、拐点数量最少、收敛时迭代次数最少，验证了这里算法在路径规划中的优越性。     

多机协作吊装机器人动力学分析与路径规划

随着工程任务日趋复杂艰巨,施工环境愈发恶劣,单台起重机已很难承担复杂的吊装任务,而多台起重机联合作业具有结构稳定、负载能力强、吊装空间大、布局灵活的优点,得到了广泛应用。以多机协作吊装机器人为研究对象,采用拉格朗日方法建立了多机协作吊装机器人的动力学模型;采用蚁群算法规划吊装路径,针对蚁群算法难以避免局部最优以及无解蚂蚁数量多等问题,提出三值法平面栅格环境建模、基于最佳-次佳路径长的信息素分阶更新策略和信息素挥发因子动态调整函数,仿真结果表明,改进蚁群算法相对于传统蚁群算法,明显提高了最佳路径长度、运算效率等指标。利用三值法进行吊装环境建模,进行协作作业仿真,验证了动力学分析和改进蚁群算法的合理性,对于提高多机协作吊装作业效率和可靠性具有一定的指导意义。     

基于栅格地图环境的机器人路径规划算法

研究了基于栅格地图环境的移动机器人路径规划方法。针对基本蚁群算法在路径规划过程中出现的收敛速度慢、容易陷入局部最优解等缺陷,通过对栅格地图环境进行预处理,提取优势路径点,改进信息素浓度更新机制,限制信息素浓度强度的策略对蚁群算法进行了改进。通过仿真实验证明了该算法的可行性和有效性。     

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。     

蜂巢栅格下机器人导航路径的动态分组蚁群规划

为了减少机器人导航路径的长度和算法运行时间,同时提高算法规划稳定性,提出了蜂巢栅格环境下的动态分组蚁群算法规划方法。分析了方形栅格四叉树和八叉树工作模式的弊端,提出了改进蜂巢栅格的环境建模方法,蜂巢栅格避障时的有效路径比、安全性、转弯角大小、对圆形障碍物覆盖的有效面积比等多个角度均优于传统栅格。参考猫群算法的分群思想将蚁群分为跟踪蚁和搜索蚁,提出了动态分组蚁群策略和信息素的自适应扩散策略,从而给出了动态分组蚁群算法的执行步骤。经过算法的多样性和规划性能仿真分析,动态分组蚁群算法的路径多样性在迭代过程中保持较高水平,在相同环境下动态分组蚁群算法规划的最优路径长度比ACS蚁群算法减少了9.99%,搜索到最优路径时的迭代次数远远小于ACS蚁群算法,且从最优路径长度和迭代次数标准差看,动态分组蚁群算法稳定性好于ACS蚁群算法。     

移动机器人路径规划中的蚁群优化算法研究

针对将传统蚁群算法引入到移动机器人的路径规划当中会存在收敛速度慢、效率低下、容易陷入局部最优,甚至出现死锁等缺陷,提出一种改进的蚁群算法,以栅格法建立机器人工作环境,改进信息素的更新方式,设置信息素浓度的阀值,引入死锁处理策略,改进状态转移概率,增加解的多样性。在栅格环境下对移动机器人的路径规划进行仿真测试,仿真结果表明,改进的蚁群算法能缩小对最优路径的搜索范围,降低迭代次数,提高对最优解的搜索效率,能获得全局最优无碰撞的路径。