基于改进蚁群算法的移动机器人路径规划研究

为解决传统蚁群算法收敛速度慢、极易陷入局部最优解的问题,文中提出了一种改进蚁群算法,并将其应用于移动机器人路径规划问题。蚁群算法的路径规划采用栅格法建立环境模型,并对障碍物进行扩大处理,从而有效降低了移动机器人在运动过程中与障碍物相碰撞的可能性;构造启发函数以降低蚁群搜索路径的长度;引入信息素扩散算法,并提高算法在初期的全局搜索能力,从而加快了算法的后期收敛速度。仿真结果表明,所提出的算法在收敛速度上比传统蚁群算法提高近一倍,可以规划出最优路径。     

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。     

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。     

融合哈里斯鹰与蚁群算法的机器人路径规划

针对传统蚁群算法在静态环境进行路径规划时存在初始信息素匮乏,收敛速度慢,搜索不全面的问题,提出了一种融合哈里斯鹰与蚁群算法的路径规划算法。基于栅格法对机器人工作地图进行建模,使用哈里斯鹰算法对蚁群算法中初始参数信息素因子和启发函数因子进行训练,并利用经哈里斯鹰算法优化过的蚁群算法对路径进行搜索,改进信息素更新公式并设定信息素浓度阈值,增加了融合算法的全局搜索能力及收敛速度。仿真实验结果表明,融合算法相较于其它算法在最终解精度、转弯次数等方面有一定的优势,验证了该算法的有效性和实用性。     

基于改进蚁群算法的智能机器人路径规划

从以往的研究资料中可以了解到,智能机器人路径规划是机器人研究领域中的一项重要分支,同时也是智能机器人用以执行各种指令的基础条件。在研究智能机器人的路径规划过程中,遇到了诸如易陷入局部最优等问题,进而提出应用改进蚁群算法来改善这一状况,并且取得了良好的实效。本文就针对改进蚁群算法支撑下的智能机器人路径规划的相关研究内容做以论述,以期为推进机器人研究提供有益的理论素材。     

改进蚁群算法在景区路径规划中的应用研究

随着旅游业的发展,景区的车辆调度问题也逐渐成为一项需要研究的课题,怎样使得运输成本降低且路径最优成为考虑问题的关键.本文针对旅游景区路径问题,在研究了基本的蚁群算法后,利用遗传算法快速寻找可行解并将其转换成蚁群算法的信息素,然后在蚁群算法中更改了信息素更新策略.通过实验结果表明,改进后的蚁群算法提高了寻优效率,有效的降低了运输成本.     

A＊的改进路径规划算法

通过对地图数据的预处理和启发函数的设计,对A＊算法进行了改进。利用VC＋＋编程实现改进算法,并在实际城市地图上对改进算法进行了验证,结果表明改进算法提高了搜索最优路径的成功率,同时解决了原算法易出现搜索死循环的问题,可适应不规则的城市路网。     

基于改进蚁群算法的物流无人机路径规划

本文针对在低空城市环境下物流无人机运输路径的规划问题,首先利用栅格法对城市环境进行三维模型的构建,综合无人机自身各项约束条件,利用蚁群算法建立无人机路径优化模型。蚁群算法作为用于解决局部最优问题的方法之一,一直被广泛应用于路径规划问题。相较于传统的蚁群算法,本实验通过对残留信息量的改进使信息素在更新时,其正反馈的过程能够迅速扩大初始的差异,引导整个系统向最优解的方向进化。并引入估价函数,代价函数,启发式函数,在考虑路径优化的同时进一步计算无人机运输途中的能耗,使其更具实际意义。结果表明：改进后的蚁群算法在规划路径的路径点数、时间规划、能源消耗方面均有明显减少。证明了改进策略具有实用价值,在无人机路径规划方面具有一定的实用价值。     

基于蚁群算法的智能机器人路径规划

从本质来看,蚁群算法是一种专门用以解决复杂优化问题的科学方法,在很多领域都涉及到蚁群算法。在蚁群算法的支撑下,打开了智能机器人项目研究领域的一扇大门,令智能机器人在设计好的路径指令下能够完成简单的行进任务。文章就针对蚁群算法影响下的智能机器人路径规划的相关内容做以阐述,以期为职能机器人项目的研究提供有益的借鉴。     

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.     

基于改进蚁群算法的无人机协同航迹规划研究

无人机群协同作战中,如何确定各无人机的航迹是整个规划问题的基础和关键,直接影响到作战效率.采用层次分解策略,首先对威胁场进行Voronoi图环境建模,然后利用改进蚁群算法,提出带有方向性引导性的信息素更新策略,减小迷失蚂蚁对算法收敛性的影响.同时,从时域和空域方面考虑多机协同问题,在满足最小时间窗基础上,最后仿真得到了...     

基于改进蚁群算法的舰船航路规划研究

舰船在障碍物环境中航行,如果采用传统的人工绘制航线的方法,不仅费时费力,并且绘制的航线非常不准确,在障碍物位置发生变更的情况下,整条航线都要重新设计和绘制;其次,人工绘制的航线图,不便于保存,应用范围非常窄。为了弥补人工绘制航线的缺陷,采用一种基于改进蚁群算法的方法规划舰船的航线,并对改进的蚁群算法进行了仿真,获得了舰船在障碍物环境下的最优航线。     

双向ACO算法应用于静态机器人全局路径规划研究

提出双向蚁群算法并应用于静态环境下的机器人全局路径规划问题.对栅格法环境建模进行改进,将传统的栅格法改进为膨胀栅格法;使用双向蚁群算法在出发点和目标点设置带有不同标记的两族蚂蚁相向爬行完成搜索,启发信息主要通过目标点、出发点和蚂蚁的当前位置二维坐标值计算得出;信息素存储采用方向信息素矩阵.仿真实验证明:即使在障碍物非常复杂的地理环境,用本算法也能迅速规划出最优路径.     

基于双层蚁群算法和动态环境的机器人路径规划方法

针对动态环境未知时变的特点,提出一种机器人路径规划新方法.在该方法中,首先对栅格法建立的环境模型进行凸化处理,以避免机器人沿规划路径移动时陷入U型陷阱,从而加快路径规划的速度;其次,提出双层蚁群算法（DACO）,在每次迭代中先用外层蚁群算法寻找一条路径,然后以该路径为基础构造一个小环境,接着在该环境下用内层蚁群算法重新寻优,若寻得的路径质量更高,则更新路径并执行本文给出的一种新型信息素二次更新策略;最后,针对环境中不同动态障碍物的体积和速度,提出三种避障策略.动态环境下,机器人先由DACO算法规划一条静态环境下从起点到终点的全局最优路径,然后从当前起点开始,通过自带传感器获取动态环境信息,并根据需要执行等待、正碰或追尾避障策略,到达新的起点.仿真实验表明,该方法可以在动态环境下实时地为移动机器人规划出一条安全且最短的路径,是求解移动机器人路径规划问题的一种切实有效的方法.     

改进的蚁群算法在无人机航路规划中的应用

蚁群算法是一种新的源于生物界的仿生随机优化方法。简单介绍了无人机航路规划的基本步骤。针对基本蚁群算法的4个不足,提出了新的改进算法。在算法中设定具体目标和可能经过的威胁点,在信息激素中除了有距离信息还需要增加威胁度信息,并将威胁度设为权重较高的参数指标,在航路规划仿真开始阶段,同时发送多个探路人工蚁。信息激素中的信息是随时更新的,以便于适应战场动态变化。利用MATLAB仿真运算验证了改进算法的有效性。     

基于改进蚁群算法的车辆路径优化模型

在分析基本蚁群算法的基础上,针对交通路径的特点,提出了适合于求解路径规划的改进型算法。在原有算法的基础上引入了启发式因子,提高了算法初期的收敛效率,减少了计算。详细分析了参数α,β对蚁群算法速度与结果准确性的影响,提出了参数自适应调整的方案,提高跳出局部优解的能力以及算法的全局收敛性。改善了解的质量。根据仿真结果,将改进蚁群算法与基本蚁群算法进行了比较,结果表明改进后的算法各方面均优于基本蚁群算法,验证了改进型算法可行性和高效性。     

基于蚁群算法的无人船平滑路径规划

为解决无人驾驶船舶在复杂环境中规划路径时存在的转向角度大、路径拐点多、航行能耗高等问题,文中提出一种基于改进蚁群算法的平滑路径规划方法。该方法采用栅格法进行环境建模,通过在启发函数中引入路径平滑度、距离启发因子以及在路径转移概率中引入障碍物启发因素,提高路径寻优和静态避障能力。结合启发因素改进信息素更新标准,设置可调节信息素挥发因子增加算法的自适应性。提取输出的最优路径关键节点并对其进行平滑处理,进一步保证路径平滑度和安全性。根据不同栅格环境下的避障仿真结果可知,与传统算法相比,文中改进蚁群算法的路径寻优速度提高了45%～62%,转向次数减少了25%～44%,平滑处理后的路径安全性和可行性得到了提升,较好地实现了不同环境下无人船自主路径规划。     

用改进蚁群算法实现突发威胁下的航迹规划

航迹规划对UAV完成任务具有重要的意义。为解决突发威胁下的UAV航迹规划问题,根据Voronoi图的局域动态特性提出了一种基于改进蚁群算法的实时重规划方法。采用全新的目标吸引策略、引入信息素增量调节因子并自适应调整信息素挥发系数来对基本蚁群算法进行了改进,提高了算法的求解效率,并进行仿真验证。根据战场已知威胁源生成Voronoi加权图,并与所提的改进蚁群算法相结合求解规划空间中的最优航迹。仿真结果表明,利用改进蚁群算法能够有效地提高收敛速度和寻优能力,可以较好地解决突发威胁下的UAV航迹规划问题,保证UAV能够回避战场威胁,顺利飞抵目标点。