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。     

蚁群算法在机器人路径规划中的应用研究

针对传统机器人路径规划方法无法保证寻找全局最优路径的问题,本文提出了一种基于蚁群算法求解机器人路径规划的方法.在此基础上构建了移动机器人路径规划模型,并通过Visual C 6.0进行仿真.结果表明该算法能够在动态和静态环境中迅速找到机器人的最优路径,与基于遗传算法的路径规划方法相比具有较大的优势.     

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.     

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。     

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。     

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.     

基于蚁群算法的自由飞行空间机器人路径规划

本文采用蚁群算法实现了自由飞行空间机器人的避障路径规划．蚁群算法是基于群 体的一种仿生算法，为求解复杂的组合优化方法问题提供了一种新思路．本文对蚁群算法进 行了适当的修改，使之适用于自由飞行空间机器人的路径规划，然后用计算机进行了仿真， 取得了较好的结果．     

基于改进蚁群算法的机器人路径规划方法

根据传统蚁群算法在机器人的路线规划中具有收敛速度慢、容易陷入局部最优解的缺陷,提供了一个经过改进的蚁群算法。使用栅格法建立路径矩阵,建立一种转角启发函数,增加选择指定路径的概率,提高算法的搜索速度;将A^*算法与改进蚁群算法结合,提出一种改进的距离启发函数,避免了陷入局部最优解;并提出一种可根据迭代次数而改变的信息素挥发因子,增强了全域搜寻能力。根据相关数据分析,与Ant Colony Algorithm with Multiple Inspired Factor(ACAM)算法相比,改进的蚁群算法对于解决算法收敛速度慢、防止进入局部最优解等方面效果更好。     

基于改进多目标蚁群算法的无人机路径规划

针对无人机SEAD任务的路径规划问题,利用VORONOI图构建初始路径,分析了路径代价计算方法,并使用改进的多目标蚁群算法对路径进行优化选择。针对该特殊应用场景,引入了各路径段与起始点—目标点连线的夹角信息作为新的启发信息,加快了算法的搜索速度,同时改进启发信息的计算公式,适当缩小各可选路径段启发信息量的差异,加强了蚁群算法的全局搜索能力。仿真结果显示,与基本多目标蚁群算法相比,改进后的算法有效提高了路径搜索的效率和质量。     

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。     

基于蚁群算法的神经网络在企业资信评估中的应用

BP算法在资信评估中应用较为广泛，但有收敛速度慢、易于陷入局部极小点的缺点。提出一种新的企业资信评估模型，该模型将蚁群算法和神经网络结合起来，使其既具有神经网络的广泛映射能力，又有蚁群算法带来的高效率，全局收敛，分布式计算等特点。实验表明,基于蚁群算法的神经网络对企业资信评估有着良好的性能。     

蚁群优化神经网络的网络流量混沌预测

为了网络流量预测准确性,提出一种蚁群算法（ACO）优化BP神经网络（BPNN）的网络流量混沌预测模型（ACO-BPNN）。对网络流量时间序列进行重构,将BPNN参数作为蚂蚁的位置向量,通过蚁群信息交流和相互协作找到BPNN最优参数,建立网络流量最优预测模型,并采用实测网络流量数据进行有效性验证。结果表明,ACO-BPNN能够准确刻画网络流量变化特性,提高网络流量的预测准确性。     

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。     

具有感觉适应功能蚁群算法的机器人路径规划

用传统蚁群算法进行机器人路径规划具有收敛速度慢,容易陷入局部最优等缺点。为此,通过模拟蚂蚁的感觉特征,提出了一种具有感觉适应功能的蚁群算法,并应用到机器人路径规划中。算法设置蚂蚁的感觉能力随着在高强度信息素节点上的行走而降低,在快速收敛的同时保证搜索多样性。大量仿真实验表明,该算法有较强的搜索能力,不易陷入局部最优,即使在障碍非常复杂的环境下使用该算法,也能快速收敛到一条全局优化路径。     

基于改进双层蚁群算法的移动机器人路径规划

为提升移动机器人的路径规划能力,提出一种改进双层蚁群算法,将蚁群划分为引导层蚁群和普通层蚁群.为提升算法的收敛速度和路径的平滑程度,在设计引导层蚁群启发函数时加大终点栅格的吸引力,设计普通层蚁群启发函数的同时考虑起点、终点和转折点的影响;针对复杂环境下蚁群算法死锁严重的问题,为引导层蚁群设计应对死锁问题的自由寻路-剪枝...     

基于二元蚁群算法的多层前馈神经网络

提出了一种基于二元蚁群算法的多层前馈神经网络,同时为了避免二元蚁群算法陷入局部最优引入了拥挤交通组织策略。将二元蚁群算法和神经网络混合,可兼有神经网络广泛映射能力和二元蚁群算法快速全局收敛能力,通过在函数逼近实验表明取得了较好的结果。     

一种家庭安保机器人运动路径规划的蚁群算法

由于家庭居住环境复杂,家庭安保机器人导航问题难于解决。使用传统蚁群算法,家庭安保机器人容易陷入搜索家庭环境局部极值的困境,无法找出在复杂环境下家庭最优的运动路径。因此,家庭安保机器人设计方案引入混沌理论改良局部个体的质量,利用混沌扰动,能够避免家庭机器人陷入搜索家庭环境局部极值的困境,由最初的混沌行为过渡到群体智能行为,使家庭安保机器人找到最优的运动路径。经仿真实验表明,在复杂的家庭环境下,家庭安保机器人也可以安全避障。