基于动态时间窗的泊车系统路径规划研究

针对智能立体停车库中自动导引运输车(automated guided vehicle,AGV)存取车路径规划问题,采用分时利用策略,将Dijkstra算法和时间窗法有效结合,提出了一种基于动态时间窗的泊车系统路径规划方法。首先,通过引入优先级策略为接收任务的AGV设定优先级;其次,采用Dijkstra算法,按照任务优先级高低次序,依次为接受任务的AGV规划出最短可行路径;最后,在已知AGV可行路径基础上,通过对可行路径各路段的时间窗进行初始化、实时更新以及实时排布处理,实现多AGV的无冲突路径规划。为验证所提方法的可行性和有效性,以4台AGV同时工作的智能立体停车库为实例进行仿真测试。结果显示:所提出的路径规划方法不仅有效解决了目前多AGV路径规划柔性差、易出现死锁、碰撞冲突等问题,而且可在有效解决路径冲突的前提下,为接受任务的AGV规划出一条时间最短的优化路径。所提方法具有较好的鲁棒性和柔性,有效提高了智能立体停车系统整体运行效率,降低了存取车等待时间。     

基于粒子群遗传算法的泊车系统路径规划研究

针对智能停车库自动导引运输车(automated guided vehicle,AGV)存取车路径规划问题,提出了一种基于粒子群和遗传算法的动态自适应混合算法.在标准粒子群算法和遗传算法的基础上,通过引入动态自适应调整策略分别对惯性权重系数、学习因子以及交叉变异概率公式进行了优化.在进化初期,通过在惯性权重系数和学习因子之间建立动态联动关系来实现对粒子速度和位置的实时有效更新;在进化后期,通过引入自适应遗传算法的交叉、变异操作来增强混合算法的全局搜索能力,提高算法的进化速度和收敛精度.为验证混合算法的可行性和有效性,选用MATLAB软件对其进行仿真测试.仿真测试结果显示,与禁忌搜索算法、蚁群算法以及遗传算法相比,混合算法表现出较强的全局搜索能力和较好的收敛性能,表明混合算法可行和有效.     

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...     

服装样片裁剪空行程路径的优化算法

服装样片裁剪空行程路径是影响裁床裁剪效率的重要因素,裁剪路径优化有助于提高裁剪效率。针对裁剪空行程优化问题,先构建了裁剪空行程路径的数学模型,结合遗传算法和蚁群算法的优势,提出了遗传蚁群混合算法优化裁剪空行程。算法先利用遗传算法的快速搜索能力建立蚁群算法的初始信息素分布,然后采用蚁群算法求精确解,最后建立仿真实验验证混合算法的可行性,与基本遗传算法相比,混合算法具有较优的全局优化性能。     

基于改进蚁群算法的码垛机器人路径规划应用研究

目的为解决蚁群算法在码垛机器人路径规划中存在的收敛速度慢、容易陷入局部最优等问题,提出一种人工势场和蚁群算法相结合的方法。方法首先,根据码垛机器人机械手在人工势场中不同节点所受到的合力,对初始信息素进行不均匀分布,以解决蚁群算法初期由于缺乏信息素导致的无效路径搜索。其次,在启发函数的设计中引入码垛机器人机械手在下一节点所受到的合力,以解决蚁群算法容易陷入局部最优的问题。最后,对信息素的更新策略进行改进。按照寻得路径的长度不同,对每次迭代完成后信息素的增量成比例进行更新,并设置最大、最小值,以解决迭代后期路径上信息素过大而使蚁群算法陷入局部最优的问题。结果改进后的蚁群算法收敛速度提升了约51%,寻找到的最短路径提升了约10%。和其他改进的蚁群算法相比,在综合性能上也有一定程度上的提高。结论改进后的蚁群算法收敛更快,寻找的最优路径更短。     

一种新型包装码垛机器人路径规划方法

目的为了提高码垛机器人的工作效率,减小能量损耗,优化机器人末端抓手的工作轨迹。方法建立机器人路径规划的数学模型,在此基础上对传统的蚁群算法进行改进,将环境中局部的机器人路径信息引入蚁群信息素的初始化和路径选择概率中,提高蚁群算法的收敛速度,并防止算法早熟,避免算法陷入局部最优。结果仿真结果表明,改进后的蚁群算法收敛速度更快,能够在较短时间内规划出最佳路径。结论所提方法能够明显提高码垛机器人最佳路径搜索能力,对于提升机器人运行效率具有重要指导意义。     

交叉变异的连续蚁群优化算法

研究了应用于连续空间优化问题的蚁群算法,给出了信息素的留存方式以及搜索策略.另外,针对蚁群算法易陷入局部最优的缺点,在最优蚂蚁周围进行了精细搜索,并加入了自适应的交叉变异算子,从而改进了蚁群算法的全局优化性能.数值仿真结果表明,该算法是一种有效的优化算法.     

一种改进的蚁群算法求解TSP问题及实验结果分析

首先对蚁群算法的基本模型进行介绍,其次针对算法容易陷入局部最优解,在算法中加入扰动量,扩大搜索范围,从而有效控制算法陷入局部最优解。针对蚁群算法收敛速度慢,利用蚁群在最差路径上的信息,对蚁群算法信息素更新规则上进行改进。实验结果表明,提出的改进蚁群算法有效的避免程序过早的陷入局部最优解,同时提高蚁群算法的速度。     

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。     

基于粒子群-蚁群混合算法的软件测试数据生成方法研究

在用于面向路径测试用例自动生成的智能优化算法中,由于各种参数设置的数学理论基础薄弱,算法普遍存在搜索效率较低的问题。在分析粒子群算法和蚁群算法的基础上,提出的粒子群-蚁群混合算法将粒子群优化算法和蚁群信息素选择方法有机地结合起来。通过经典的路径测试实验,实验结果表明,算法在自动生成软件测试用例的搜索过程中,充分发挥了粒子群算法较强的全局搜索能力和蚁群算法的区域搜索能力,提高了软件测试用例自动生成的效率。     

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。     

考虑冲突避免的多AGV路径规划研究

目的 提高物流企业“货到人”拣选系统在实际生产中的工作效率，避免自动导引小车(AGV)间的冲突死锁，研究大规模多AGV的无冲突路径规划和协同避障问题。方法 首先考虑AGV空载、负载情况和路径扩展成本，改进A^*算法，动态调整代价函数，优化路径扩展方式。其次，提出冲突检测及避免算法，对可能产生局部冲突的路径交叉点进行避障调度，通过预约锁格，实现局部冲突的检测，制定优先级避障策略，解决AGV动态行驶路径上产生的局部冲突和死锁，进而实现全局无冲突路径规划。结果 对多组不同任务量和不同AGV规模的场景进行仿真，实验结果表明，考虑冲突避免的改进A^*算法能有效实现100个任务、90个货架单位和7个拣选站场景下的多AGV动态路径规划，相较于传统A^*算法，其平均拣选时长缩短了52.61%。结论 该方法可实现大规模场景下的多AGV动态路径规划，在付出较小转弯代价的同时有效避免局部动态冲突，该方法可为相关企业实现多AGV协同调度提供新的思路和理论依据。     

基于双向同步A*算法的AGV路径规划仿真研究

目的解决A*算法在搜寻过程中查询的节点非常多、耗时较多等问题。方法通过对传统A*算法进行改进,得到改进双向同步A*算法,使算法从起点和终点同时搜索路径,并且对启发函数进行改进。为验证改进算法效果,以仓储AGV为例进行二维与三维仿真。结果改进双向同步A*算法在不同的地图下,耗时分别减少了39.1%,34.3%,34.6%,搜索节点最多减少了140,路径长度基本一致。结论改进双向同步A*算法较传统A*算法能够更加高效地规划出最优路径,兼顾路径最优和出行复杂度低,提高了检索效率,能够有效解决查询节点多、耗时多等问题。     

基于改进智能算法的非线性转子系统的参数辨识

为了有效的识别非线性转子系统的若干参数,提出了基于遗传算法、蚁群算法和邻域搜索算法的混合方法（Ne-GAAC）,该算法利用遗传算法的快速随机搜索能力的优点,形成了蚁群算法的初始信息素分布和寻优区间,同时利用了蚁群算法正反馈以及具有分布式并行全局搜索能力的优点,最终在解收敛后采用局部邻域搜索算法得到精确解,算例结果表明,该方法可以有效的识别非线性转子系统的参数。     

微小型移动机器人的路径规划及编队研究

针对微小型移动机器人的路径寻优及编队问题,提出了路径规划与轨迹跟踪相结合的方法来实现多机器人的编队任务。首先提出了基于传统蚁群算法的改进算法,仿真结果证明,改进算法通过改进参数及初始信息素矩阵,使其收敛速度提高了50%,全局寻优能力提高了30%。其次设计了基于李雅普诺夫算法的轨迹跟踪控制器,仿真结果证明,其误差最终趋于0,验证了该控制器的稳定性。最后结合李雅普控制器和路径寻优算法,实现了多机器人在最优路径上的稳定编队。     

求解集装箱装载问题的混合蚁群模拟退火算法

目的 针对物流行业中存在的大规模、复杂、多规格货物的集装箱装载问题,提出一种基于塔装载启发式算法、二维装载点启发式算法、蚁群模拟退火算法的混合算法。方法 首先,采用塔装载启发式算法将三维待装箱装载成塔集,即将三维装箱问题降为二维装箱问题,有效降低集装箱的装载规模;其次,蚁群算法通过融入信息素选择更新策略,并利用自适应信息素挥发系数来提升算法整体的收敛速度,同时结合模拟退火算法对每代优秀路径集进行局部搜索,避免算法因收敛过快而陷入局部最优;最后,将蚁群模拟退火算法与二维装载点启发式算法相结合,优化每座塔的装载顺序和放置姿态,寻找最优的装载方案。结果 实验证明,在250组算例中,采用混合算法后,集装箱的平均空间利用率为90.92%,优于其他3种对比算法。结论 设计的混合蚁群模拟退火算法适用于解决大规模集装箱装载问题。     

基于TLP模型的智能AGV三维实时路径规划研究

目的为了更好地规划出最优可行路径。方法采用三层规划模型(TLP)改进的三维实时路径规划算法,首先从AGV的控制性能入手,基于现实场景的多重约束设定威胁等级函数,利用TLP和改进RRT优化算法规划出更加平滑的最优路径。结果目标函数及TLP的决策变量可以确保AGV准确到达目标位置。结论实验结果表明,所提算法具有更好的效率与效果。     

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.