基于改进免疫遗传优化蚁群算法的移动机器人路径寻优研究

针对移动机器人路径规划中使用蚁群算法(ACO)易陷入局部最优和收敛速度慢的问题,提出了一种适用于机器人静态路径寻优的改进免疫遗传优化蚁群算法(IMGAC)。该算法可以根据实际情况自动调整变异概率和变异方式,以及自动调节个体免疫位的长度,将通过改进的变异算子和免疫算子嵌入蚁群算法来提高全局寻优能力与收敛速度。仿真及实验表明:相比于经典ACO算法以及最大最小蚂蚁系统,IMGAC算法收敛速度更快,全局寻优能力更强。利用该算法寻找移动机器人最优路径,提高了静态路径寻优的效果和效率。     

基于支持向量机和改进蚁群算法的移动机器人路径规划

针对传统蚁群算法(ACO)收敛速度慢、全局搜索能力不佳、易陷入局部最优、路径不光滑及不安全等缺点,本文提出一种将改进的蚁群算法和非线性支持向量机(SVM)结合的移动机器人路径规划算法.对传统蚁群算法引入两个角度信息,增加算法的朝向性,克服局部最优问题;信息素挥发因子随迭代次数自适应调整,加快全局搜索能力和收敛速度.在此...     

基于烟花混合蚁群的移动机器人路径规划研究

目的 以应用于包装车间的移动机器人的路径规划作为研究对象,解决蚁群算法收敛速度慢、寻找到的路径不优等缺陷。方法 引入改进烟花和蚁群融合的方法进行搜索,首先建立移动机器人的栅格地图,其次采用改进烟花算法进行路径粗搜索,将得到的路径作为信息素增量,再运用蚁群细搜索求解。结果 文中方法与传统方法相比,收敛速度得到提高,并寻找到了更优的路径。结论 通过采用融合算法,弥补了烟花寻优的不足,加快了蚁群的收敛,可以对2种算法互相取长补短。     

局部放电检测机器人巡检的重复路径问题研究

针对变电站局部放电故障检测(PDFD)的路径规划中存在的重复路径过多、巡检效率低等问题,本文在传统A*算法与蚁群(AC)算法融合解决旅行商问题(TSP)的基础上,提出了改进的A*算法与蚁群算法融合的算法。改进的融合算法通过蚁群算法计算巡检序列指导A*算法进行两两巡检点间的路径规划,增加了重复路径列表来提高已寻路径节点的步长代价,再次通过蚁群算法计算巡检序列,迭代计算直到连续两次得到一致的结果。为了验证改进算法的有效性,随机选取10个巡检点在二维栅格地图上进行了对比仿真。仿真结果表明,本文提出的改进算法与传统方法相比,在一定的巡检代价下,有效地增大了巡检路径的路径覆盖比,提高了局部放电故障巡检的效率和质量,对变电站局部放电故障巡检问题的研究具有重要意义。     

基于改进A*算法的仓储物流移动机器人 任务调度和路径优化研究

为解决仓储物流中移动机器人执行订单任务过程中,调度系统难以快速准确地进行任务分配,且搬运路线并非最短最优路线的问题,根据移动机器人的运动方式和订单任务要求,构建具有可重构性的仓库空间模型和栅格地图模型,通过建立数学模型求解订单任务最短完工时间分配问题,改进传统A^*算法中3种常用距离算法的不足,并提出复杂对角线距离算法进行路径规划仿真。仿真结果表明,上述方法实现总任务完工时间最短的任务分配,使路径规划搜索节点数减少30%,路径长度缩短20%。     

包装废弃物回收车辆路径问题的改进遗传算法

目的采用优化传统遗传算法(GA)研究包装废弃物回收车辆路径问题(VRP)的性能。方法提出改进遗传算法(IGA)。首先,设计基于贪婪算法的初始种群生成算子,提高初始种群质量;其次,设计根据适应度值大小、进化代数等自适应调整的交叉和变异概率;然后,设计最大保留交叉算子,保证种群的多样性;最后,对企业实例和标准算例进行仿真测试。结果采用IGA算法、蚁群算法(ACO)能求得算例最优解,且IGA算法运行速度快于ACO算法,分支界定算法(BBM)、传统GA算法无法求得算例最优解。结论与BBM算法、传统GA算法和ACO算法相比,IGA算法求解包装废弃物回收VRP问题的整体性能更优。     

基于全向移动机器人路径规划的蚁群算法研究

基于一种全向移动的自动导航机器人,分析此机器人的轨迹规划问题.通过栅格法构建所需的环境模型,选用蚁群算法并扩展改进算法背景,将其应用于该机器人的路径规划中.并且对算法中的转移概率,启发式函数进行改进,通过在不同复杂度的多张地图上进行仿真实验,结果证明了该算法的可行性,有效性以及对不同规模地图的适应性.同时基于蚁群算法中关键参数的选取对于路径规划的影响做了相应的对比分析,寻找到最合适的蚁群算法参数.     

未知环境下基于三次螺线Bug算法的移动机器人路径规划

研究了环境未知情况下的移动机器人实时路径规划问题,将Bug算法与基于滚动窗口的路径规划相结合,提出了一种改进的移动机器人路径规划方法。详细分析了三次螺线作为移动机器人跟踪路径所具有的各种优异的几何特性,定义路径光滑成本函数,利用三次螺线对滚动窗口内规划的路径光滑化,使得移动机器人易于跟踪所规划的路径,扩展了移动机器人的应用领域。最后对本文算法的收敛性和完备性予以证明。仿真实验验证了该方法的有效性。     

多堆场集装箱卡车路径规划的混合蚁群算法

为提升集装箱运输系统的运输效率,以进口港口为背景,研究了多堆场集装箱卡车运输路径规划问题。通过图建模将问题转化为非对称多旅行商问题,建立了带时限约束的以最小化总工作时间为目标的线性混合整数规划数学模型。鉴于问题的复杂性,提出了给定序列的动态规划分割算法以及生成序列的改进蚁群算法,以此构造了求解该问题的混合蚁群算法。数值实验表明,混合蚁群算法在优化性能上明显优于禁忌算法和遗传算法,是求解该类问题的有效算法。     

包装物回收物流中的车辆路径优化问题

目的提高遗传算法(GA)求解包装物回收车辆路径优化问题的性能。方法通过对传统GA算法的改进,提出混合蜂群遗传算法(HBGA)。首先改进传统GA算法的初始种群生成方式,设计初始种群混合生成算子;其次,提出最大保留交叉算子,对优秀子路径进行保护;然后,在上述改进的基础上引入蜜蜂进化机制,用以保证种群多样性和优秀个体特征信息的利用程度;最后,对标准算例集进行仿真测试。结果与传统GA算法相比,HBGA算法在全局寻优能力、算法稳定性和运行速度方面均有所改善。HBGA算法的全局寻优能力和算法稳定性均优于粒子群算法(PSO)、蚁群算法(ACO)和禁忌搜索算法(TS),但运行速度稍慢于TS算法。结论对传统GA算法的改进是合理的,且HBGA算法整体求解性能优于PSO算法、ACO算法和TS算法。     

一种基于神经网络的移动机器人路径规划算法

针对结构化环境下移动机器人的路径规划问题，提出了一种基于神经网络的路径规划算法。该算法利用神经网络描述环境约束并计算碰撞能量 函数。采用了一种离散化的方法逼近能量的负梯度方向，从而确定路径点集的运动趋向。最后利用计算机仿真分析了该算法的性能和效率。     

基于Dijkstra-蚁群算法的泊车系统路径规划研究

针对智能停车库中自动导引运输车(automated guided vehicle,AGV)存取车路径规划问题,提出了一种基于Dijkstra-蚁群算法(Dijkstra-ACO)的泊车系统路径规划方法.首先利用链接可视图法建立环境模型,并在此环境模型下,采用Dijkstra算法规划出AGV的初始路径;其次,通过引入节点随机选择机制、调整信息素更新方式和限定信息素阈值策略等对基本蚁群算法进行优化改进;最后,选用改进的蚁群算法对初始路径进行优化.结果显示:Dijkstra算法和混合算法均能使AGV有效避开障碍物,然后搜索到一条从起点到终点的无碰优化路径;与Dijkstra算法相比,混合算法能有效提高路径搜索效率,缩短搜索路径长度,改善搜索路径质量,表明该算法正确、可行及有效,且具有较强的全局搜索能力和较好的收敛性能,能够满足AGV存取车路径规划的要求.     

基于动态运动基元的移动机器人路径规划

针对二维环境下移动机器人路径规划问题,提出一种基于动态运动基元(DMPs)的路径规划方法。该方法首先用手柄来控制机器人,记录机器人的运动轨迹,然后将记录的轨迹作为DMPs算法的学习样本,利用轨迹样本进行训练获得DMPs算法的模型参!,从而实现机器人的路径规划。当运动环境中有障碍物时,在已有学习基础上通过设计耦合因子规划出避障路径,在此基础上,改变机器人运动的目标位置,可以完成对新目标的泛化推广。仿真和实验结果表明,DMPs算法在移动机器人路径规划上具有可行性。     

包装物回收物流中的车辆路径优化问题

目的提高遗传算法(GA)求解包装物回收车辆路径优化问题的性能。方法通过对传统GA算法的改进,提出混合蜂群遗传算法(HBGA)。首先改进传统GA算法的初始种群生成方式,设计初始种群混合生成算子;其次,提出最大保留交叉算子,对优秀子路径进行保护;然后,在上述改进的基础上引入蜜蜂进化机制,用以保证种群多样性和优秀个体特征信息的利用程度;最后,对标准算例集进行仿真测试。结果与传统GA算法相比,HBGA算法在全局寻优能力、算法稳定性和运行速度方面均有所改善。HBGA算法的全局寻优能力和算法稳定性均优于粒子群算法(PSO)、蚁群算法(ACO)和禁忌搜索算法(TS),但运行速度稍慢于TS算法。结论对传统GA算法的改进是合理的,且HBGA算法整体求解性能优于PSO算法、ACO算法和TS算法。     

具有输入约束的移动机器人路径跟踪预测控制

针对移动机器人设定速度与实际速度不匹配的问题,提出了一种基于预测控制的移动机器人路径跟踪方法。首先,基于运动学关系建立了移动机器人路径跟踪误差模型,给出了期望路径的参数化方法及更新方程。其次,通过定义与路径参数相关的预测性能指标,并结合状态空间方程给出了预测模型向量描述,得到了具有不等式约束的二次规划优化问题。进而,采用有效集二次规划方法求解具有不等式约束的优化问题获得最优控制量。最后,通过仿真实验分析所提算法的有效性,并设计移动机器人路径跟踪控制系统实验平台验证所提算法的有效性。     

基于自适应蚁群优化的Volterra核辨识算法研究

提出了一种基于自适应蚁群优化(AACO)的Volterra核辨识方法。该方法将蚁群算法应用于Volterra时域核的辨识,并能够随着进化次数的增加,自适应调整基本蚁群算法的参数。同时,与相应的基于蚁群优化(ACO)的Volterra核辨识方法进行了对比分析。仿真结果表明,本文提出的方法与蚁群优化辨识方法不论在无噪声环境下,还是在有噪声干扰下,都能得到很好的辨识精度、收敛稳定性和较强的鲁棒抗噪性能,然而,在收敛速度方面,本文提出的方法优于蚁群优化辨识方法。     

基于地图预处理及改进A~*算法的路径规划

针对移动机器人路径规划中栅格地图建模及A~*算法搜索效率问题,设计了一种基于地图分区预处理及改进A~*算法的路径规划。首先,基于K-Means聚类算法对栅格地图进行分区并量化各局部区域的复杂度;然后,改进A~*算法的评价函数和子节点选择方式并依据地图区域的复杂度生成有效的搜索空间;最后,改进Floyd算法对路径进行双向平滑度优化处理,并通过添加防碰撞安全距离系数,使路径与障碍物保持安全距离。实验仿真结果表明,本文所设计的算法可提高A~*算法的搜索效率和灵活性,增加路径的平滑度和安全性。     

基于ACO的石油机械设计优化方法

针对石油机械设计中传统优化方法解决大规模复杂优化问题存在的局限性,提出了基于蚁群优化算法(ACO)的石油机械优化设计方法.在介绍蚁群优化算法的原理、基本框架和模型的基础上,通过具体的算例,证明ACO计算效率高,寻优能力强,模型本身的全局优化、较强鲁棒性和并行性使得蚁群算法适合于大规模的复杂优化问题,在石油机械优化设计中具有较好的应用前景.     

均分点蚁群算法在群集机器人任务规划中的应用与研究

提出了一种求解群集机器人协作任务规划问题的均分点蚁群算法(EDPACA).通过多组蚂蚁群相互协作搜索,构架了一种新蚁群算法的解结构,并设计了更合理的评估函数,使其在评价时充分考虑均衡任务点探测,最后利用2-opt技术解决了各子周游路径的交叉问题,获得了总代价最优的解.该算法将蚁群技术首次应用于集群机器人的任务调度规划中,成功解决了中大规模任务规划问题.仿真实验结果表明,均分点蚁群算法能提高群集机器人执行任务的效率,同时也是解决多旅行商问题的另种新思路.     

基于蚁群优化的WSN负载均衡数据汇集算法

针对无线传感器网络(WSN)数据汇集应用中负载分配不均衡,使得网络节点出现早死,网络寿命缩短的问题,提出了一种基于蚁群优化(ACO)的负载均衡的数据汇集(Load-balancing data gathering based on ACO,L-ACO)算法。根据不同的任务,L-ACO算法将蚂蚁分为三类:前向探索蚂蚁(FD-ANT)、前向运输蚂蚁(Fr-ANT)和后向蚂蚁(B-ANT)。此算法定义蚂蚁的转移概率与路径信息素成反比,并采用父节点负载作为启发因子,使得蚂蚁趋向于走负载低的路径。通过前向蚂蚁与后向蚂蚁的分工合作,使得各条路径上的负载逐渐趋于均衡,从而延长网络寿命。仿真实验表明L-ACO算法可行。