基于Multi-Agent仿真的动态车辆路径算法研究

针对DVRP(Dynamic Vehicle Routing Problem,动态车辆路径问题)的复杂性和灵活性,考虑到DVRP问题中的客户需求、交通流和车队管理,提出将MATSim(Multi-Agent Transport Simulation,多Agent交通仿真)和DVRP算法相结合的策略,利用MATSim仿真框架构造一个动态的现实世界环境,结合DVRP算法来求解DVRP问题。DVRP算法采用的是结合进化算法和局部搜索策略的模因算法,同时给出了3种不同客户拓扑结构下的测试用例,并比较了DVRP算法与蚁群算法和禁忌搜索算法的结果,表明该算法具有更高的效率。     

融合改进A*算法和动态窗口法的全局动态路径规划

为解决移动机器人路径规划难题,设计了融合改进A*算法和动态窗口法的全局动态路径规划方法.首先,基于传统A*算法结合JPS算法对子节点进行扩展跳跃,提高路径规划效率;其次,结合Floyd算法对所规划路径进行平滑优化;最后,融合动态窗口法使A*算法可进行全局动态路径规划.基于Matlab平台将全局动态路径规划算法在8种规格栅格地图中进行仿真实验.分析结果得知,融合算法在效率和平滑性上得到极大改善,且可进行动态避障,融合改进后的全局动态路径规划算法具有明显优秀的路径规划能力.     

基于混合算法的数控加工路径规划优化

对数控加工中的孔群加工路径规划优化方法进行研究。将孔群的加工路径规划问题与典型旅行商问题进行类比,建立刀具空行程最短的数学模型和适应度函数。针对常规混合算法不能够将两种算法进行融合,只是单纯叠加,无法在最佳时机进行算法转化,使得算法混合优势不够明显等问题,该文对混合算法进行改进。使用遗传算法得到若干优化解,并将其变成初始信息素从而改成初始信息素偏低问题。使用动态转移代替静态转移法将遗传算法切换到蚁群算法。算法后期,信息素更新方法使用动态挥发系数法,对交叉变异概率使用信息素和适应度进行动态调节,交叉变异位置使用信息素和启发信息决定。以一种机械零件的孔群加工为例,对研究的混合算法的加工路径规划优化方法进行实例分析,结果表明相比常规混合算法,该文研究的混合算法具有更高的求解精度和优化效果。     

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Dijkstra-ACO混合算法的应急疏散路径动态规划

现代建筑设计趋于多样化,内部结构和功能越来越复杂,而传统疏散系统逃生指示方向固定、人员疏散时间较长,火灾发生时,不能够及时改变指示方向,易将逃生人员导向危险区域,威胁被困人员生命安全。该文提出了一种Dijkstra-ACO混合路径动态规划算法,在Dijkstra算法获得全局最优路径的基础上再采用蚁群优化(ACO)算法对每个节点进一步优化以获取最优路径,并节省算法运行时间。通过实验仿真验证了混合算法的有效性,能够根据起火点动态规划疏散路径,及时调整疏散指示方向,为火场中人员疏散逃生赢得宝贵时间。     

移动机器人路径规划融合算法研究

为了满足机器人路径规划中全局最优性和路径平滑性的性能要求,文章提出了一种新的jump-A?算法与动态窗口法的融合算法.先利用跳跃点搜索法、曼哈顿距离与欧氏距离定义的新距离评价函数对A? 算法进行优化,得到全局路径信息;再以动态窗口方法为核心,通过整合全局路径信息,安全地规划出高平滑度的全局最优路径.     

基于混合蛙跳算法的移动机器人路径规划

针对移动机器人路径规划中算法搜索能力不强且易陷入停滞的问题,文中提出了一种基于混合蛙跳算法的移动机器人路径规划方法。首先利用蚁群算法在栅格地图中生成一定数量的路径,然后引入混合蛙跳算法,子群内进行Memetic进化,最坏青蛙根据与子群最优青蛙或全局最优青蛙的路径交点栅格进行路径更新,并对最终生成的最优路径进行优化处理,以消除不必要的拐点,保证机器人路径运行的安全性。二维环境下的仿真实验表明,提出的混合蛙跳算法能在有效避开障碍物的同时快速地规划出一条通往目标点的优化路径,且效果令人满意。     

基于多目标的动态环境智能车路径规划算法

针对传统算法无法适用多目标及动态环境的智能车路径规划问题，文中基于改进A*算法与势场蚁群算法进行了面向多目标的动态环境智能车路径规划算法研究。根据多目标的特征，采用改进A*算法识别完整的周边环境，并进行全局路径规划。对于实验场景中出现的局部变化或障碍物移动，将人工势场算法与蚁群算法相结合，获得了改进势场蚁群算法，以实现在原有全局路径规划基础上的局部修改。通过优化仿真得到了文中所提算法的最优参数值，并与蚁群算法进行对照测试。结果显示，所提算法相比对照组路径长度缩短了2.7%,具有良好的综合性能。     

蚁群优化算法在图书配送路径规划中的应用研究

针对图书物流配送中的多目标优化问题,提出一种基于蚁群优化算法的图书配送路径规划模型,使配送成本最小化。首先对图书物流配送路径规划模型进行分析,并选择作业成本法对成本目标进行优化;然后采用单亲遗传混合蚁群算法对建立的模型进行求解,解决全局优化问题和求解效率问题。以某图书配送中心为例进行优化仿真测试,验证了模型的有效性。相比传统的人工方案,采用的图书物流配送路径规划模型及单亲遗传混合蚁群算法的配送方案有效降低了物流配送作业的成本。     

基于改进A-star与DWA相融合的移动机器人动态路径规划算法

A-star算法常用于移动机器人的全局路径规划,但在复杂场景中A-star算法存在耗时长、搜索节点过多、路径不平滑、不能避开环境中未知的障碍物等问题。针对于此,本文提出一种融合路径规划算法。首先,在A-star算法的基础上引入环境中的障碍物信息和搜索节点到起始位置的距离信息动态调节启发函数的权重,减少搜索节点数,提升A-star算法的性能;然后,利用自适应分段步长的高阶贝塞尔曲线对路径进行优化,减少转折点提升路径的平滑性;最后,将改进A-star算法规划的全局路径作为引导,将路径节点作为DWA算法的中间目标,实现全局路径规划和局部规划的融合,使移动机器人在找到全局最优路径的同时,能够避开环境中的未知障碍物,实现移动机器人的动态路径规划。仿真结果验证了该算法的有效性。