一种改进蚁群算法的移动机器人路径规划研究

针对蚁群算法在大型、复杂环境下全局搜索效率差且收敛速度慢的问题,提出一种改进的蚁群路径规划算法。该算法通过引入目标方向函数作为启发因子,构建距离与目标方向的融合启发函数,以提高算法的收敛速度;采用一种基于有效拐点的路径优化策略,以减少规划路径的转弯次数;在输出路径的基础上采用三次B样条曲线进行路径平滑处理,以提高路径平滑性。通过梯度实验和2种不同规模对比实验表明,该算法与传统蚁群算法相比,2种规模下转弯次数分别减少41.67%和70.18%,最短路径迭代次数分别减少72.73%和63.24%,验证了该算法的优越性与可行性。     

一种面向室内 AGV 路径规划的改进蚁群算法

针对传统蚁群算法在大规模和复杂环境中,全局搜索效率差,收敛速度慢,路径转弯次数过多且不够平滑等问题,本文提出一种改进蚁群算法。该方法通过动态更新不同等级蚂蚁路径上的信息素,加快算法的收敛速度;通过引入距离函数和方向函数作为启发因子,改善路径搜索质量;采用一种改进自适应伪随机转移策略,减小陷入局部最优解的概率;在最优路径的基础上引入三次均匀B样条曲线进行优化,提高路径的平滑性。通过在2种不同规模环境下的路径规划实验表明,本文算法相比传统算法在分别减少55.6%和59.4%转弯次数的基础上,提升87.5%和100%的收敛速度,验证了本文算法的优越性。最后,以QBot2e为平台,将本算法应用到室内自动导引车(AGV)路径规划中,进一步验证了算法的实用性。     

轮式机器人路径规划的改进蚁群算法

针对轮式机器人在多窟障碍地形图中的路径规划问题,为了克服基本蚁群算法的局部最优问题,提高算法的收敛速度,以及节约找寻最优路径的时间,提出了一种基于多维信息素及模糊集的改进蚁群算法。在栅格化地图上,通过模糊集将某一点距离障碍物以及接受目标的信息程度表达出来,重新更新栅格化地图,从而减少地图中搜索空间,节约搜索时间。其次把传统蚁群算法中的一维信息素改进为多维信息素,得到满足多个约束条件下的路径。通过多组仿真实验的结果表明,验证了改进算法的可行性和有效性,提高了基本蚁群算法对最优路径问题的优化性能与收敛速度。与现有算法相比较,迭代次数节约了70%左右,缩小了20%的蚁群数量。     

基于改进蚁群算法的AGV路径规划

针对复杂仓储环境中自动引导车AGV的路径规划问题,提出一种改进型蚁群路径规划算法。首先,通过栅格法建立AGV运行环境,在传统蚁群算法基础上引入方向系数,改进蚁群算法的启发函数,使算法初期在路径选择上具有指向性;其次,加入全局信息素更新机制,以提高算法搜索效率;最后在路径选择过程中引入安全距离判断策略,使AGV在安全距离范围内通过障碍物。仿真结果表明,改进蚁群算法能够快速搜索出最优路径,同时能实现自主避障和避免陷入死锁。     

一种新型蚁群随机树的机器人路径规划算法

为提高复杂环境下机器人的路径规划效率,提出了一种用蚁群算法来优化随机树算法的新的全局路径规划算法。该算法有效地结合了蚁群和随机树算法的优点,利用随机树算法的高效性快速收敛到一条可行路径,将该路径转换为蚁群的初始信息素分布,可以减少蚁群算法初期迭代; 然后利用蚁群算法的反馈性优化路径,求得最优路径。仿真实验表明,该蚁群随机树算法可以提高机器人路径规划的速度,并且在任何复杂环境下迅速规划出最优路径。     

轮式机器人路径规划的改进蚁群算法CSCD

针对轮式机器人在多窟障碍地形图中的路径规划问题,为了克服基本蚁群算法的局部最优问题,提高算法的收敛速度,以及节约找寻最优路径的时间,提出了一种基于多维信息素及模糊集的改进蚁群算法。在栅格化地图上,通过模糊集将某一点距离障碍物以及接受目标的信息程度表达出来,重新更新栅格化地图,从而减少地图中搜索空间,节约搜索时间。其次把传统蚁群算法中的一维信息素改进为多维信息素,得到满足多个约束条件下的路径。通过多组仿真实验的结果表明,验证了改进算法的可行性和有效性,提高了基本蚁群算法对最优路径问题的优化性能与收敛速度。与现有算法相比较,迭代次数节约了70%左右,缩小了20%的蚁群数量。     

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。     

基于改进蚁群算法的机器人路径规划研究

针对基本蚁群算法在路径规划时出现收敛速度慢,易陷局部最优的问题,提出一种改进的蚁群算法。首先,为使算法在搜索时更具导向性引入方向夹角启发因子减少提高搜索速度;其次,融入A*算法的估价函数思想来改进启发函数,降低死锁可能性;最后,提出基于拉普拉斯概率分布的信息素挥发因子自适应策略,加快了算法收敛速度。多次仿真实验表明,所提出的改进算法能够快速,高效地寻找到最优路径,且路径质量优于基本蚁群算法规划出的路径。     

一种蜂巢栅格下机器人路径规划的蚁群算法

针对传统栅格法的缺陷,提出了一种蜂巢栅格法对环境建模,同时采用分布均匀度自适应蚁群算法对移动机器人在复杂静态环境下进行路径规划。该算法利用蜂巢栅格安全性和有效性兼顾的属性对环境进行建模,通过聚度和信息权重来动态的调整路径选择概率和信息素更新;使得在算法加速收敛和防止早熟、停滞现象之间取得很好的平衡。与传统蚁群比较进行仿真实验,结果证明本算法在3项重要参数上都明显优于传统蚁群算法。从而说明,在任意已知静态障碍物的复杂环境下,本算法能准确快速的规划出安全的最优路径,结果较为满意。     

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...     

基于改进蚁群算法的移动机器人全局路径规划

为提高机器人全局路径规划的通用性,将机器人的环境地图分为目标点在障碍物内和障碍物外两种情况,采用了伪随机比例规则和随机选择机制,使蚂蚁下一节点的选择在倾向于目标点的同时又不会陷入局部最优解,既提高了蚂蚁的搜索效率又扩展了搜索范围,并采用最大一最小蚂蚁思想来限制信息素的强度以防止早熟收敛现象的发生。为提高算法的实用性,运用几何方法对路径进行了修正处理,实现了机器人的快速全局路径规划。仿真研究表明：该算法具有较强的通用性、实用性和路径较优的特点。     

基于改进蚁群算法的智能交通路径规划

社会的快速发展,带来了越来越严重的交通问题,长期以来导致环境污染和能源浪费。专家提出智能交通系统能够有效地改善交通问题,而路径寻优算法又是其中的关键点之一,但是原来研究的算法往往只是针对路径长短,没有考虑实际的路况和当时的情景。该文结合传统蚁群算法,模拟现实的路况和情景改进算法,并进行仿真和数据分析。仿真实验结果显示,改进蚁群算法在动态路径规划中具有良好的效果。     

基于改进蚁群算法的移动机器人路径规划研究

针对传统蚁群算法在移动机器人路径规划中存在收敛速度慢、易陷入局部最优和规划路径不平滑等问题,提出一种用于移动机器人路径规划的改进蚁群算法。首先在状态转移概率中引入平滑函数,使蚂蚁在进行路径节点选择时,考虑路径的平滑性。然后在对路径信息素更新时,引入多目标评价函数;同时提出一种基于熵权的分段信息素更新方式,每次迭代规划路径按多目标评价函数数值进行排序并分段,对不同的分段,引入不同的信息素强度放大系数,提升了算法的收敛速度。最后对规划路径进行二次优化,即先对路径节点进行优化,减少不必要的转弯节点,减小了路径转弯角度以及路径长度;再利用贝塞尔曲线对节点优化后路径的转弯拐点处进行平滑。在20×20的简单和复杂栅格环境中进行仿真实验,结果表明,改进蚁群算法规划出的路径长度更短、转弯角度更小和路径更加平滑,同时改进蚁群算法的迭代收敛速度更快,验证了改进蚁群算法在移动机器人路径规划中的优越性。     

基于改进蚁群算法的移动机器人路径规划研究

传统的蚁群算法在移动机器人路径规划过程中,在加速算法收敛时易陷入局部最优问题,针对此问题提出了一种新型蚁群算法的移动机器人路径规划方法。首先建立了机器人路径规划数学模型,在此基础上对传统的蚁群算法进行了改进,将环境中局部的机器人路径信息引入到蚁群信息素的初始化和路径选择概率中,提高了蚁群算法的收敛速度并防止算法早熟。通过引入交叉操作并对蚁群算法中参数进行调整,避免了算法陷入局部最优。仿真结果表明,所提方法能够明显提高最佳路径搜索能力,整体性能优于传统蚁群算法。     

使用改进蚁群算法的AGV路径规划研究

AGV路径规划问题是AGV研究领域的一个关键技术问题。针对传统的蚁群算法耗时长,搜索效率低,容易出现次优的缺点,改进了计算基本蚁群算法启发因子的方法;提出了优胜劣汰机制以及全局信息素调整方案,合理地更新了路径规划中的信息素;利用最大最小蚂蚁系统对路径上信息素进行了限制;研究了路径规划中死锁问题的解决方法。最后给出了基于改进蚁群算法的AGV路径规划步骤并进行了仿真实验。仿真实验结果表明,在该算法作用下,AGV路径规划的搜索效率优于传统蚁群算法,且规划路径更短,提高了搜索的准确性。     

基于改进蚁群算法的移动机器人路径规划研究

实际环境下,移动机器人从给定起始位置移动至给定目标点位置的路径是多条和复杂的。针对传统蚁群算法基本参数的设定多凭经验设定,提出了多参数级联编码遗传算法优化蚁群算法参数的方法。采用了上海未来伙伴创新核IN-R机器人研究平台对其进行实验验证。优化了蚁群算法参数,为蚁群算法参数设定提供了一定的理论依据。     

准三维机器人路径规划的改进蚁群算法

机器人在荒野物资运输和山地自由行走时,需要在山地表面规划出行走路线,为此提出改进的蚁群算法加以求解。根据坡度提出避障规则,在满足避障约束条件下,合理增加路径的多样性;根据当前节点到目标点和起点的距离,重新设计启发式函数,驱使机器人尽量沿着起点和目标点之间的最短路径行进;依据实时路径长度,动态调整挥发系数,以精炼搜索空间、提高收敛性能。将改进蚁群算法与原始算法进行比较,实验结果表明改进蚁群算法的有效性优于原始蚁群算法。     

一种装配路径规划改进GoalBia-RRT算法

针对复杂产品装配路径规划问题,提出一种偏目标型快速扩展随机树改进算法。该算法主要是基于偏向目标快速扩展随机算法(GoalBia-RRT),采用混沌搜索生成随机采样点的策略和局部引导新节点生成策略进行改进,不仅能够快速搜索覆盖整个装配空间,使朝着目标点生长的搜索路径可以快速脱离局部极小区域,避免陷入局部极小值问题,而且得到的路径可通行性得到极大改善。最后,通过仿真实验验证了该算法的优越性,并集成在CATIA平台上,开发出原型系统,通过实例验证了可行性和实用性。     

求解物流配送路径优化问题的一种改进蚁群算法

物流配送路径优化是现代物流配送服务的关键环节之一,由于需求的小批量和动态变化等特点,需要设计一个快速有效的求解算法。为此,构建了物流配送路径优化问题的数学模型,设计了一个改进的蚁群算法来求解该问题,引进了选择算子、插点操作和动态改变算法参数等改进措施,开发和实现了一个试验软件包。仿真试验结果表明,该算法具有较好的全局寻优能力,收敛速度快,是解决物流配送路径优化问题的有效算法。