基于融合改进RRT算法与改进DWA算法的路径规划研究

针对传统动态窗口算法(dynamic window approach, DWA)在动态环境下预测能力较差且非最优路径等问题，提出一种改进的DWA算法。通过密度约束和采样区域限制来改进RRT^*(rapidly-exploring random tree)算法，提高RRT^*算法的收敛速度。将改进RRT^*算法得到最优路径作为机器人移动的参考路线，以保证全局的路径最优。通过预测轨迹的末端状态来合理的延长预测轨迹，以传递影响到评价函数，使机器人可以提前探测到障碍物并进行避障动作。在不同环境下，改进后的算法移动路径长度和消耗时间分别减少12.76%和30.14%,且具有更强的前瞻性以及更短的路径。     

A*算法的证明及其在人工智能领域的应用

A^*算法在计算机和人工智能领域当中都是非常典型的算法，有着非常广泛的应用，本文对A^*算法及其可采纳性进行了详细的论述和证明，并通过一个求最短路径的实例说明了A^*算法在实际中的具体应用。     

融合A*和DWA算法的移动机器人路径规划方法

本研究旨在解决自主移动机器人在点到点路径规划中面临的搜索效率低下、易陷入局部最优解以及对未知动静态障碍物处理不够实时的问题。为此,将改进A*算法与改进 DWA进行了有效融合。在改进的A*算法中,我们引入了基于障碍率的权重因子和双向优化策略,以提升搜索效率并生成更加平滑的路径。同时,改进的DWA算法融入了两种新的障碍物评价函数,并通过调整权重系数有效地避免了局部最优解问题。通过将改进的DWA算法与改进的A*算法结合,实现了对未知动静态障碍物的高效实时避障。仿真实验结果显示,提出的改进A算法与传统A算法以及文献［23］的改进算法相比,在四种环境下的表现表明：路径转弯次数分别平均减少了30.14%和18.16%,搜索空间分别减少了35.09%和15.21%,规划时间分别降低了82.36%和38.26%。进一步地,结合改进的DWA算法后,路径规划时间、路径长度和平均运动速度相比融合传统DWA算法和文献［23］的融合算法分别平均减少了37.46%和9.82%,减少了4.59%和3.63%,提高了53.49%和7.09%。     

基于双向F-RRT*算法的移动机器人路径规划

针对F-RRT*算法在狭窄环境和多障碍物复杂环境下搜索效率低的问题，提出一种基于双向搜索的F-RRT*算法(BF-RRT*)。以F-RRT*算法为基础，首先采用双向搜索结构，双树从起点和终点轮流扩展，使用贪婪启发式引导随机树生长；其次，针对连续扩展过程中产生的冗余点进行消除处理，快速获得低成本路径，有效提高了规划速度;然后引入启发式函数，并对连接点进行优化以提高路径整体质量。最后分别基于MATLAB和Gazebo仿真平台将改进算法进行了对比实验，结果表明在不同环境下，该算法相较于原算法在迭代次数上平均降低63.5%，在规划时间上平均降低88.41%以上，有效提高了规划效率。     

基于混合算法的电力杆塔巡检实时航迹规划

传统的电力杆塔拍摄视点顺序固定,多旋翼无人机巡检距离并非最优;同时,随着维度增加,航迹规划算法空间复杂度呈指数增长,不能满足实时规划航迹的需求。针对以上问题,提出一种基于蚁群和A*混合算法（ACO-A*）的电力杆塔巡检三维航迹规划方法。该方法分为全局规划和局部规划,全局规划利用改进蚁群算法找到覆盖所有视点的较优路径,并通过算法判断路径是否经过障碍物,再运用A*算法局部规划。仿真结果表明：ACO-A*算法规划的航迹长度比《架空输电线路无人机巡检影像拍摄指导手册》规定的巡检航迹降低了16.85%;ACO-A*算法路径规划时间比A*算法降低了99.68%。因此本方法既节约了巡检能耗,又提高了航迹规划的效率。     

基于改进蚁群算法的车辆路径优化

针对基本蚁群算法易陷于局部最优解及道路交通流易产生拥塞等缺陷,提出了一种改进蚁群算法。结合实时交通信息,以时间最短建立了动态路径规划的目标转换模型,应用改进蚁群算法求解车辆最短路径,对于求解过程中出现局部最优解,引入了随机蚂蚁这一概念,同时基于Greenshields模型处理了正反馈以及个体最优策略造成的拥塞现象。     

改进A*算法的移动机器人全局路径规划

针对A*算法在移动机器人路径规划存在搜索效率低,路径斜穿障碍物顶点,路径拐弯多等问题。提出一种改进的A*算法,首先在A*算法的邻域扩展中采用避免斜穿障碍物顶点的策略;再引入障碍物因素对评价函数进行指数加权,减少不必要的搜索,提高A*算法的效率和灵活性,使算法偏向于选择障碍物较少的路径;最后使用三次优化折线的策略,加入障碍物安全距离,减少路径上的冗余节点和拐弯。使用MATLAB进行实验仿真,结果表明,在20 m×20 m、40 m×40 m、60 m×60 m栅格地图环境下,改进A*算法较传统A*算法,搜索时间分别减少70.12%、84.31%、91.44%,扩展节点分别减少53.77%、71.20%、74.30%,路径累计拐弯角度分别减少70.48%、76.31%、82.18%,改进A*算法能够有效的提高移动机器人路径规划的效率,路径更为平滑和安全,且在复杂环境中优势更为明显。     

结合蚁群算法和萤火虫算法的无人船路径规划

为提高无人船在执行水质采样任务时的路径规划效率，提出一种结合蚁群算法和萤火虫算法的路径规划算法。首先，在构建最短采水路径网络时，将转向角代价启发函数引入传统蚁群算法，减少路径搜索结果中的频繁转向；其次，剔除搜索结果中的冗余结点，进一步减少无人船转向次数，使所求得路径更适用于无人船实际航行。最后，在求解最优采样顺序时，基于随机修正的方式设计了一种改进的萤火虫算法，提升了算法的收敛速度。仿真实验结果表明，本文所设计算法能够完成水质采样任务路径规划任务，相比传统算法，搜索效率更高，有效缩短了总路径长度。     

基于融合A*算法的无人机路径规划研究

针对三维环境下A*算法搜索路径不平滑,不具有动态避障的问题,本文提出了一种融合A*算法。该算法在A*算法的基础上,首先引入了俯仰角和偏航角作为搜索约束,其次采用变权值的评估函数和无人机航程、飞行高度、威胁代价,最后将平滑后的A*算法与人工势场法相结合,并利用粒子群算法对A*算法和人工势场法涉及的参数进行寻优。仿真结果显示,融合算法较传统A*算法而言,节省5.34%的燃油损耗,提高了搜索效率,缩短了路径长度,规划出的路径更加平滑,而且能够实现实时动态避障。     

基于采样的输电线路避障规划算法研究

避障路径规划算法为电力勘测线路优化提供理论支持,具有重要的现实意义。借助MATLAB R2019a平台,以简单和复杂的仿真地形作为研究对象,采用RRT、RRT-Connect、RRT^*、Informed-RRT^*4种采样算法进行避障路径规划设计。实验结果表明：在障碍区地形简单和复杂条件下,RRT-connect算法的规划所需时间最少,规划效率高,Informed-RRT^*算法规划的路径是最优结果,随着障碍区地形复杂程度的提高,4种算法的规划效率均表现为下降趋势。     

配电网最佳抢修路径算法研究

配电网最佳抢修路径问题实际上属于城市交通网络中的最短路径问题。针对3种常用最短路径算法——一类是Dijstra算法;二类是Floyd算法;三类是A~*算法,概括分析了各类算法的优缺点以及适用的类型,并分析了交通管制条件下的算法。用改进的Dijkstra算法进行了一个算例分析,证实了这种算法的可行性。在此基础上阐述了目前配电网最佳抢修路径算法存在的问题。最后提出了配电网最佳抢修路径算法的研究方向和发展前景。     

基于Dijkstra算法改进的飞行器航迹快速规划算法

当飞行器在航行途中遇到突发情况需要临时更改路径时,这就对航迹规划算法的效率和可靠性提出了很高的要求。针对这一问题,本文提出了一种加入预搜索的Dijkstra算法改进方案。该算法使用归一化熵权法建立了较为客观的航迹评价函数,简化了多目标航迹优化模型。通过加入深度为一的预搜索过程实现D算法的回溯功能,解决了经典D算法因松弛性不足,在复杂约束条件下路径搜索失败率高的问题。此外,为了进一步减少运算时间,在预搜索遍历过程中加入跳出机制。算法仿真结果表明,本文所提算法的运行时间相较于普通回溯D算法减少了46%,且在复杂约束条件下的航迹搜索成功率与航迹质量均接近智能算法,能够满足复杂条件下快速航迹规划的需求。     

蚁群算法在无人驾驶智能车中的应用及改进

无人驾驶智能车的最优路径问题是路径规划的核心问题,而算法的选择是其关键.选用的是模拟仿生类蚁群算法,针对传统的蚁群算法在搜索时间和运算速度上还有待提高,我们从信息素的更新方式及局部搜索策略方面进行了改进,并且将虚拟路径这一概念应用于动态路径规划中.在考虑了多种状态参数后,我们得出结论是实际路径最短的不一定就是最优路径,还需要取决于各状态参数的取值,这样的改进满足了车载系统的一些实时性和可行性要求.     

基于禁忌搜索及模糊评价的配电网网架规划

提出了一种基于禁忌搜索及模糊评价的配电网网架规划优化算法。首先根据地理拓扑,通过Dijkstra最短路径算法生成树生成初始网架。在初始网架的基础上采用禁忌搜索策略按照模糊评分规则及网架的可行扩展供电范围对网架进行调整,得出基于地理信息的优化网架以及各回馈线出线路径的可行优化方案。随后给出了所述算法在实际算例中的应用。算例结果表明算法是可行而有效的。     

基于变权Voronoi图和混合粒子群算法的电动汽车充电站规划

针对城市电动汽车充电站规划布局及服务范围划分的问题,提出一种基于变权Voronoi图和混合离散粒子群算法的优化算法。为解决离散粒子群算法在达到最优解时容易发生变异的问题,改进了离散粒子群算法中的概率映射函数,提高算法迭代中后期的全局搜索能力;引入加权Voronoi图生成过程中可随充电站的服务能力和最大服务半径约束动态调整的变权重系数,使充电站服务范围的划分可控且更为合理;利用最短路径法求得用户充电行驶过程中的交通路径距离来取代传统的欧式距离,提高算法的准确性。运用改进后的混合离散粒子群-变权Voronoi图算法求解算例模型,通过算例结果验证了所提算法用于电动汽车充电站规划的有效性。     

基于图论方法的路径规划应用

利用图论方法来实现机器人寻优路径规划。图论是一种新的数学分支,对于求解最优化问题很有实用价值。它与通常采用的路径规划方法比较,如势能函数法、网格法、人工神经网络方法、遗传算法等,在解决两点间最短距离问题上尤具优势,从起始点出发到达目标点的寻优路径策略更具有简单实用性,具有方法简单、算法容易实现的优点。仿真实验显示了该算法可以有效地解决机器人对任意两点间的路线进行寻优问题,取得了较好的结果。