改进蚁群算法的局部信息动态路径规划

针对传统蚁群算法收敛速度慢、对动态路径变化适应性低的局限性,提出了一种基于局部信息获取策略的动态改进型蚁群算法。该算法利用局部信息获取策略,进行最优局部目标点的获取,然后调用改进蚁群算法获取局部区域内的最优路径,再重复循环获取新的最优局部目标点,直到找到全局目标点;与此同时,将提出的改进型蚁群算法应用于动态路径规划中的路径寻优与避障,仿真结果表明:提出的算法在具有与传统蚁群算法相当的路径优化效果的同时,能够有效适应障碍变化、大大提高了路径规划的收敛速度。     

基于自适应动态搜索蚁群算法的车辆路径规划

基于蚁群算法求解车辆路径规划的缺陷性分析,提出一种自适应动态搜索蚁群算法(ADACO).建立算法模型,以测试案例的TSP问题为基础实验性配置组合参数;采用伪随机分布和自适应转移概率相结合策略,帮助群体选择较高质量路径;分段化设定信息素强度,有效诱导群体及时跳脱局部困境并构造新的解.测试结果表明,无论在时间开销还是配送成...     

未知环境下的蚁群-聚类自适应动态路径规划

针对用于动态环境中的机器人路径规划的蚁群算法存在收敛速度慢,路径累计转折角大,对环境变化适应性低等问题,提出了一种未知环境下的蚁群-聚类自适应动态路径规划方法。依据聚类算法对环境复杂程度的准确判别自动改变寻优半径,达到充分利用机器人有限的计算能力,提高收敛速度的目的;通过识别对角障碍,生成虚拟障碍,确保规划的路径不穿过对角障碍;通过平滑机制对搜索的动态路径做平滑优化处理,有效降低了路径长度,减少了累计转折角。仿真结果表明,提出的算法能够根据障碍的复杂程度自动选择合适的搜索半径,完成路径的动态规划,体现出良好的环境适应能力和较好的综合路径优化性能。     

基于自适应阈值蚁群算法的路径规划算法

为了克服传统蚁群算法容易陷入局部最优的问题,提高环境适应能力和收敛速度,提出了一种基于自适应阈值的蚁群算法．在优化过程早期,通过阈值对蚂蚁寻优过程进行干预避免其陷入局部最优解．随着迭代次数的增加,阈值对蚂蚁寻优过程的影响不断减小,直至完全由信息素和启发信息来指导蚂蚁寻优．仿真实验验证了优化算法的可行性和有效性．与现有蚁群算法进行比较,实验结果表明：在不同的环境下,文中提出的算法都能快速的规划出一条较优的路径,并且收敛速度和环境适应能力令人满意．     

动态路径规划中的改进蚁群算法

针对传统蚁群算法收敛速度慢、易陷入局部最优解的缺点,提出了改进距离启发因子以增加目标节点对下一节点的影响,从而提高全局搜索能力,避免陷于局部最优解,提高收敛速度;考虑真实环境的复杂多样性,引入多个路径质量约束来改进信息素更新规则。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。     

自适应蚁群算法的移动机器人路径规划

针对传统蚁群算法在路径规划中存在收敛速度和寻优能力不平衡，算法易陷入局部最优等问题，提出一种自适应改进蚁群算法。为了提高算法收敛速度，在栅格环境下，根据最优路径的特点以及实际环境地图的基本参数，对初始信息素进行差异化分配；为了提高蚂蚁搜索效率，在状态转移概率中引入转角启发信息并对路径启发信息进行改进；重新制定信息素更新策略，设定迭代阈值，调整信息素挥发系数和信息素浓度，使算法在迭代后期依然具有较强的搜索最优解能力；采用分段三阶贝塞尔曲线对最优路径进行平滑处理以满足机器人实际运动要求。通过实验仿真与其他算法进行对比分析，验证了改进算法的可行性、有效性和优越性。     

自适应路由蚁群算法在导弹残骸搜索中的应用

防空导弹飞行试验后弹目残骸有着重要价值.根据残骸搜索的实际需求,把残骸落点纳入到路网中,结合自适应路由算法,改进了基本蚁群算法,解决了靶场残骸搜索的最优路径问题.蚁群算法有收敛性较差、易于过早陷入局部最优等不足,通过构建蚁群、引入信息素约束条件、调整信息素初始值、自适应改变信息素增量等技术,增强了蚁群搜索能力,改善了算法收敛速度.仿真表明该算法易于编程实现,时延小,鲁棒性强,实用性好.     

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.     

机器人全局路径规划的混合蚁群系统算法

针对蚁群算法易陷入局部最优的缺点以及收敛速度与局部最优的矛盾,提出一种求解移动机器人全局路径规划的改进混合蚁群系统算法。该算法由两部分组成：Dijkstra算法用于规划出一条次优路径;进一步用改进的蚁群系统算法优化次优路径以获得最优路径。在改进的蚁群系统算法中,首先定义了一种新的启发信息函数来增加种群多样性;然后给出改进的交叉算子避免算法陷入局部最优,并进一步提高解的质量。仿真结果表明：所提出的算法与参考文献中的算法相比搜索效率更高,解的质量更好,性能更优。即使在障碍物复杂的环境中,对于多目标点问题,该算法仍能规划出较好的目标遍历路径,且用时时间较少。     

基于改进蚁群和DWA算法的机器人动态路径规划

路径规划技术是移动机器人研究领域中的一个重要分支,使得机器人能够在多障碍物环境中安全快速地找到一条相对最优路径.针对全局路径规划时蚁群算法盲目性搜索、易陷入局部最优、收敛速度慢以及局部路径规划时DWA算法难以有效地规避动态障碍物等问题,提出一种改进蚁群算法与DWA算法的融合算法.首先,采用GRRT-Connect算法不等分配初始信息素,解决陷阱地图中局部最优问题;然后,增加蚁群接力搜索方法以解决蚂蚁禁忌表自死锁问题,并利用切片取优方法优化最优路径选择机制得到全局最优路径;接着,以最优路径关键点为子目标点运行DWA算法,提出自适应调节速度方法进行最优行驶;最后,提出预计算方法规避动态障碍物达到局部规划效果.仿真结果表明,与现有文献结果相比,融合算法最优路径长度缩短了10.28%,收敛速度加快了6.55%,验证了所提出算法的有效性和优越性.     

基于改进蚁群算法的铁路路网最优路径规划

多条件最优路径规划问题是铁路出行查询系统的重要功能之一。将路径规划问题转化为以用户多种条件组合为目标函数的最优化问题,并将改进的蚁群算法应用于该问题,使查询系统能够满足各类用户的查询要求,并给出最优解或次优解。仿真实验表明：该算法的实时性很高,是一种行之有效的方法。     

基于改进蚁群优化算法的养殖场机器人路径规划

养殖场巡视机器人路径规划是实现规模化养殖场智能监控的关键所在,针对机器人巡视过程中寻找最优充电路线的问题,提出一种改进的蚁群优化算法IACO。利用工作环境的全局信息建立目标吸引函数,提高蚁群选择最佳路径到达目标点的概率,缩短了算法的迭代时间。通过加入额外的信息素更新项和改进信息素挥发系数增强算法的全局搜索能力,避免算法搜索后期出现过早收敛而陷入局部最优。在简单和复杂环境中的仿真实验结果表明,与经典蚁群优化算法相比,该算法具有更快的收敛速度和良好的稳定性,可快速收敛到最佳路径。     

基于改进蚁群算法的机器人全局路径规划研究

针对蚁群算法在机器人路径规划过程中出现的收敛速度慢的缺陷,提出了基于改进蚁群算法规划机器人全局路径,在栅格地图中划定优选区域,并建立新的初始信息素浓度设置模型,对各点初始信息素浓度进行差异化设置,避免寻优的盲目性,提高了算法的收敛速度。实验结果表明,改进后的蚁群算法的收敛速度明显加快,优于传统算法,表明了该算法的有效性。     

改进蚁群算法的机器人焊接路径规划

利用改进蚁群算法,引入最大最小蚂蚁系统和局部搜索策略,避免蚁群算法出现早熟、停滞问题,并提高了算法的求解速度和精度,实现了合理规划白车身机器人焊接路径和提高焊接机器人的工作效率的目的.设计了白车身机器人焊点规划程序,并将其应用到白车身底板某工位,从仿真结果表明:将改进蚁群算法应用到白车身机器人焊接路径规划中,验证了算法的有效性和可行性.     

基于改进蚁群算法的机器人路径规划研究

在二维静态环境下的机器人路径规划中,采用基本蚁群算法寻优存在搜索时间较长、效率较低、容易陷入局部最优等问题。针对这些问题对基本蚁群算法进行改进,改进的蚁群算法使用不同的期望值机制,采用挥发系数自适应方式更新信息激素,并加入拐点参数作为路径的评价标准之一。对这两种算法进行仿真分析,可得改进后的蚁群算法比基本蚁群算法搜索能力更强,算法效率更高,所寻路径更短。结果表明,该改进算法提高了算法效率,抑制了算法陷入局部最优并实现了机器人最优路径搜索,使机器人可以快速地避开障碍物安全到达目标点。     

动态环境下基于蚁群算法的实时路径规划方法*

提出了一种实现移动机器人在复杂动态环境下进行实时路径规划的新方法。该方法首先利用模糊逻辑来描述机器人局部环境模型;然后采用改进的蚁群系统算法快速地搜索出局部最优路径,并在此路径的引导下,结合机器人滚动规划方法,实现移动机器人在复杂动态环境下的实时路径规划。该方法不仅能克服传感器测量误差等引起环境信息的模糊性和不确定性的影响,还可以充分发挥蚁群算法的群体智能优势来保证系统规划的实时性。仿真结果表明该算法的有效性和可行性。     

动态环境下改进蚁群算法的多Agent路径规划

针对动态环境下的多Agent路径规划问题,提出了一种改进的蚁群算法与烟花算法相结合的动态路径规划方法。通过自适应信息素强度值及信息素缩减因子来加快算法的迭代速度,并利用烟花算法来解决路径规划过程中的死锁问题,避免陷入局部最优。在多Agent动态避碰过程中,根据动态障碍物与多Agent之间的运行轨迹是否相交制定相应的避碰策略,并利用路径转变函数解决多Agent的正面碰撞问题。仿真实验表明,该方法优于经典蚁群算法,能够有效解决多Agent路径规划中的碰撞问题,从而快速找到最优无碰路径。     

DEM中基于遗传与蚁群的混合路径规划算法

现有启发式算法在DEM路径规划中因数据量巨大,效率较低。针对该问题,提出一种基于遗传和蚁群的混合路径规划算法。该算法在遗传过程中,通过在初始群体生成阶段构建选择因子,使得在节点搜索时更加倾向于终点方向,提高初始群体生成效率;对变异过程中变异节点的变异区间进行限制,避免产生路径断点;在蚁群寻优过程中,根据遗传过程产生的路径信息,采用自适应信息素初始化与更新策略,提高算法搜索效率。测试结果表明,混合算法能够在规则网格DEM数据下搜索出符合条件的路径,并具有较好的效率。     

基于蚁群算法及博弈论的多Agent路径规划算法

针对多Agent路径规划问题,提出了一个两阶段的路径规划算法。首先,利用改进的蚁群算法来为每个Agent规划出一条从起始点到目标点,不与环境中静态障碍物碰撞的最优路径。在蚁群算法的改进中引入反向学习方法来对蚂蚁位置进行初始化分布,提高了算法的全局搜索能力;利用粒子群算法中的自适应惯性权重因子来调节信息素强度Q值,使其自适应地变化,避免陷入局部最优;对信息素挥发因子ρ进行调节,提高算法的迭代速度。其次,若多Agent之间存在动态碰撞,利用博弈论构建多Agent之间的动态避障模型,并利用虚拟行动法来解决博弈的求解问题及多Nash均衡的选择问题,确保每个Agent能够快速学习到最优Nash均衡。仿真实验结果表明改进蚁群算法与传统蚁群算法相比在搜索精度与搜索速度上有明显的提高,与Mylvaganam的多Agent动态避障算法相比,所提算法减小了路径总长度并提高了收敛速度。     

基于改进蚁群算法的四足机器人步态规划

四足机器人关节众多、运动方式复杂,步态规划是四足机器人运动控制的基础。传统的算法多基于仿生原理,缺乏广泛适应性。 在建立运动学方程的基础上,提出了一种基于改进蚁群算法的步态规划算法。该算法利用了四足机器人4条腿运动的线性无关性,将步态规划问题转换为在四维空间里求取最长路径问题。仿真结果表明,该算法得出了满足约束条件的所有步态,最后通过机器人样机检验,验证了该算法求取结果的有效性和合理性。