改进多步长蚁群算法移动机器人路径规划研究

为改善传统蚁群算法在路径规划中存在的规划路径实用性差、收敛速度慢、易陷入局部最优等问题,提出一种改进多步长蚁群算法.改进算法以移动机器人视野域内所有可直达节点作为下一步可选节点集,采用多步长移动方式以任意方向任意步长寻找下一节点,提高算法寻优效率和路径规划多样性;节点之间初始信息素依各节点与当前节点和目标节点连线的距离采取不均匀分布,降低蚁群在算法初期搜索的盲目性;通过路径长度增大优质路径与劣质路径的信息素更新差距,改进启发函数,提高算法收敛速度.仿真结果表明,改进算法规划路径具有长度短、路径平滑度高、步数少的优点,更符合移动机器人实际使用需求,收敛速度明显加快,路径规划效果提升显著.     

改进蚁群算法在机器人路径规划中的应用

机器人路径规划是机器人技术研究中的一项关键技术。针对蚁群算法在求解机器人路径规划中准确性不高以及求解时间长的问题,提出了一种基于改进蚁群算法的机器人路径规划方法,采用栅格法构建了相应的数学模型。为了提高蚁群算法的全局搜索能力,防止算法早熟收敛,在状态转移规则中引入了随机策略;同时引入了基于狼群分配的策略来更新启发式信息,这样可以进一步提高算法的收敛速度。实验结果表明,改进的蚁群算法具有更强的全局寻优能力,求解时间更短,它可以有效地求解机器人路径规划问题。     

改进蚁群算法在机器人水下作业路径规划中的应用

利用改进的蚁群算法对机器人水下作业进行路径规划,找出能耗最低路径,提高机器人续航能力;将蚁群算法中信息素的更新改进为用能量表示,使转移概率受能量、距离双重影响。通过matlab仿真建立障碍地图和路径规划平台,利用改进蚁群算法找到能耗最低路径,和传统以最短路径为最优解的蚁群算法相比,仿真实验求得的能耗最低路径,虽距离长但能耗低,更符合路径规划的最终目的。     

基于改进JPS与三次B样条插值的路径规划算法

针对跳点搜索(JPS)算法在路径规划中易穿越障碍、路径拐点尖锐的问题,提出一种基于改进的JPS与三次B样条插值的路径规划算法。在原JPS算法的基础上,通过对障碍物附近的路径拐点进行条件限制,降低穿越障碍物可能性;引入时间轴改进原三次B样条插值算法,进一步优化路径拐点,使路径更平滑;在对提出算法进行仿真验证的基础上,将其作为一个插件注册到ROS中对机器人进行路径规划。结果表明：改进的JPS算法在保留原搜索效率的基础上,可有效提高机器人规避障碍物的能力;时间轴的引入可改善路径尖锐性,优化的路径更符合机器人的实际运动规划;在真实场景的机器人路径规划中,机器人可成功地从指定的起点到达设定的目标点,搜索时间比A~*算法减少约20%,有效提高了机器人路径规划的准确性和实时性。     

蚁群算法在路径规划中的应用

随着科技的不断发展,移动机器人的路径规划作为机器人学科的一项重要分支,被学者们进行广泛的研究.蚁群算法是前人观察现实中蚂蚁觅食产生的一种仿生优化算法.大量的实验表明,蚁群算法的搜索能力、正反馈、鲁棒性及易与其他算法结合的优点在路径规划中被广泛应用.但蚁群算法在应用中也存在一些缺陷.首先介绍了目前路径规划的一些主要方法和蚁群算法的基本原理;然后针对蚁群算法在路径规划中存在的缺陷,总结了当前的一些改进措施;最后提出了蚁群算法未来的研究发展方向.     

增强蚁群算法的机器人最优路径规划

为解决复杂环境中机器人最优路径规划问题,本文结合增强学习和人工势场法的原理,提出一种基于增强势场优化的机器人路径规划方法,引入增强学习思想对人工势场法进行自适应路径规划.再把该规划结果作为先验知识,对蚁群算法进行初始化,提高了蚁群算法的优化效率,同时克服了传统人工势场法的局部极小问题.仿真实验结果表明,该方法在复杂环境中,对机器人的路径规划效果令人满意.     

自适应萤火虫算法改进蚁群算法的移动机器人路径规划

针对传统的蚁群算法在解决移动机器人路径规划问题时存在收敛性差、搜索速度慢、过于依赖参数选择等问题,提出一种自适应萤火虫算法改进蚁群算法的混合算法。首先,在蚁群算法基础上引入萤火虫算法,对蚁群算法的核心参数进行优化;其次,针对两种算法混合后时间开销大的问题,引入精英策略和承接式相结合的信息素更新方式,并对萤火虫算法的步长因子进行自适应设计,以提高整个混合算法的求解效率和求解精度;最后,在不同的栅格环境下进行路径规划仿真实验。结果表明,混合智能算法较传统蚁群算法综合效果有明显提升。     

基于人工智能算法的采摘机器人最优路径规划研究

在复杂多变的工作环境,特别是在多丘陵等特殊地理位置,快速选择最优路径,避开障碍物,完成作业,需要进行采摘机器人的路径规划.基于改进蚁群算法对拣选机器人路径进行规划,搜索效率较低,存在早熟收敛的可能,基于此,提出基于人工智能算法的采摘机器人最优路径规划方法.构建环境模型,为减少初始寻路时间,提高搜索速度,增强全局优化能力...     

基于改进蚁群粒子群算法的移动机器人路径规划

全局静态地图下,针对蚁群算法规划机器人移动路径时存在计算时间长、搜索效率低,并且得到的优化路径转弯次数过多的问题,提出了一种改进蚁群粒子群算法：首先利用粒子群算法快速得到蚁群算法初始信息素,然后进行蚁群算法路径规划,对得到的路径采用惯性优化,对每个节点进行遍历,当 ２个节点间的路径上无障碍物时,将中间节点删除,转换为优化路径。仿真实验表明,该方法与传统蚁群算法及相关改进算法相比,能有效减少迭代次数、提高搜索效率、减少转弯次数、缩短路径长度,从而提高路径质量。     

基于改进蚁群算法的机器人路径规划研究

针对物流机器人路径寻优问题,提出一种改进的蚁群算法。该方法使用双向搜索的A^*算法预先得出两条路径作为较优解,之后以路径为中心向各个搜索方向扩展成优势区域,以设定的系数提高区域内信息素浓度,最终实现传统蚁群算法的改进。在20 m×20 m的栅格环境内对算法进行仿真试验,结果表明改进的蚁群算法的路径寻优能力更强,可为物流机器人路径规划问题提供一定参考。     

基于改进蚁群算法的移动机器人路径规划

针对大多数路径规划方法所忽视的路径尖峰,以及传统蚁群算法(ACA)易出现的早熟、陷入局部最优等问题,提出一种改进ACA以用于路径规划.首先,在ACA中融入遗传算子,利用交叉与变异操作来扩大解的搜索空间,提升解的全局性.然后,引入简化与平滑操作优化算子,对所寻路径做进一步处理,消除路径中不必要的尖峰,提高其平滑性.栅格环境下的机器人路径规划仿真结果表明,与A*以及传统ACA相比,所提算法能够得到更为平滑的最短路径.     

基于改进蚁群算法的智能车路径优化

用于自动泊车领域的AGV小车载质量大,对移动轨迹的平滑性与行走距离有更高要求。针对传统蚁群算法易死锁、囤余节点多与转向幅度不可控等问题,提出了一种改进蚁群算法。首先,在算法正式开始迭代前使用地图补偿函数对地图进行优化,降低死锁概率;其次,在对地图优化处理后,对地图进行了信息素浓度初始化,加快了算法收敛速度;最后,通过调整路径生成逻辑,实现算法自适应调整步长,提高了路径的平滑性,减少转向摆动。仿真结果表明：改进后的算法死锁现象减少,收敛速度更快,所生成的路径转向平滑,囤余节点数与总路径长度降低。     

基于改进蚁群算法的搜索机器人路径规划

针对搜索机器人路径规划问题,提出了一种改进的蚁群算法。算法构建一个栅格环境模型,并设置禁忌策略将部分栅格归为禁忌栅格以避免路径死锁;采用折返蚂蚁,且正向与反向蚂蚁分别采用不同搜索策略,来提高算法的收敛速度;构造路径综合评定目标函数,提高搜索最优路径的能力。实验表明:即使在复杂的环境中,本文算法也能快速地规划出最优路径。     

自适应蚁群算法在空间机器人路径规划中的应用

为了弥补传统路径规划方法缺乏足够鲁棒性的问题,采用自适应蚁群算法实现了空间机器人路径规划.针对传统蚁群算法在计算初期出现停滞的现象,修改了信息激素物质的更新方法.自适应蚁群算法根据学习次数和与最近障碍物的距离来调节信息激素物质.仿真结果表明,该算法在采用较少蚂蚁的情况下,与一般蚁群算法相比,能够快速找到理想路径.     

基于改进蚁群算法的多批次协同三维航迹规划

针对基本蚁群算法容易陷入局部寻优、收敛速度慢的缺陷以及解决多批次协同航迹规划问题的需要,提出了基于改进蚁群算法的多批次三维航迹规划算法。该算法采用基于加权排序的信息素更新规则,扩大各优劣蚂蚁的差异,提高了算法收敛速度,并采用了一种信息素挥发系数的随机自适应调节方法,在确保收敛速度的同时使算法具有全局寻优,解决了基本蚁群算法容易过早陷入局部最优缺点;在此基础上,引入蚂蚁子群间多约束条件下的协同进化策略,解决了多批次协同三维航迹规划。仿真结果表明:改进的蚁群算法在运算效率和收敛性上明显优于基本蚁群算法,多批次协同航迹规划能有效提高无人机的作战效能。     

移动机器人路径动态规划有向D*算法

针对传统D*路径规划算法搜索效率低、成本较高的问题,提出有向D*算法. 该算法考虑目标点与障碍物信息,引入关键节点概念,逐级扩展确定可行路径,并且引入导向函数以控制单次搜索的节点搜索范围来提高搜索效率;在原欧几里得评价指标的基础上引入路径平滑度函数对偏移路径进行惩罚,避免机器人无效转弯而增加移动成本;通过路径平滑度函数中的“转弯因子”协调路径长度与平滑度之间的关系,给出路径平滑度函数的分段原理与转弯因子的确定方法,并对算法收敛性进行证明. 在不同环境下的仿真实验表明,该算法较传统算法能更好地兼顾局部搜索与全局最优性,尤其适用于障碍物较多的复杂环境.     

动态环境下基于蚁群算法的机器人路径规划

提出了在动态环境中移动机器人的一种路径规划方法,适用于环境中同时存在已知和未知、静止和运动障碍物的复杂情况.采用栅格法建立了机器人工作空间模型,整个系统由全局路径规划和局部避碰规划两部分组成.在全局路径规划中,用改进蚁群算法规划出初步全局优化路径;局部避碰规划主要是在跟踪全局优化路径的过程中,通过基于滚动窗口的环境探测和碰撞预测,对动态障碍物实施有效的局部避碰策略,从而使机器人能够安全顺利地到达目的地.仿真实验的结果表明所述方法具有可行性.     

基于改进遗传算法的机器人路径规划方法

针对基本遗传算法在机器人路径规划中存在收敛速度慢、易陷入局部最优解的问题,提出一种改进的遗传算法. 在适应度函数中增加带有惩罚项的平滑度函数; 引入精英保留机制,保留每一代最优个体; 自适应调整交叉概率和变异概率,使交叉概率和变异概率随进化次数变化而变化. 利用MATLAB在两种障碍物地图中与其他两种算法进行仿真对比分析,实验结果表明,改进后的算法在路径规划的应用中有效减少了机器人的转弯次数,提高了逃离局部最优路径的能力,寻优能力更强.     

改进蚁群算法及其应用

将文献报道的两种蚁群算法融合,得到一种新的改进蚁群优化算法。在启发函数中加入下一个节点与最终节点的距离;在信息素更新时,根据最优解和最差解,相应增加或减少信息素浓度,提高算法性能。将改进的蚁群算法应用于机器人路径规划中,在栅格障碍环境下,让机器人找到一条从起点到终点无碰撞的最短路径。实验发现,改进蚁群算法仅需在第3次迭代后就可以找到最优路径。改进蚁群算法不仅提高了收敛速度,还增强了解的精确度。     

菌落挑取机器人视觉定位与路径优化

针对菌落挑取机器人挑取目标菌落的工艺流程和特点,结合视觉定位的基本原理,建立了菌落挑取机器人的菌落二维视觉定位相机模型,提出了菌落二维视觉定位方法与流程,实现了目标菌落在世界坐标系下的定位。针对菌落挑取实验待挑取菌落数量多、挑取路径不能进行合理规划而导致挑取效率低等问题,分别运用基本蚁群算法和改进蚁群算法对菌落挑取路径进行优化,并给出了菌落挑取路径优化图。模拟实验表明,菌落定位准确,菌落挑取效率得到显著提高。