基于改进蚁群算法的机器人路径规划问题研究

针对基本蚁群算法前期搜索效率低下以及在寻优的过程中会穿过障碍物等问题,提出改进的蚁群算法,即采用动态调整启发因子、信息素初始化改进策略、可选节点的筛选机制方案进行改进工作。通过对基本蚁群算法和改进蚁群算法的仿真结果分析可知,改进后算法的最优路径长度虽然有所增加,但减少了蚂蚁前期到达最优路径的迭代次数,得到一条无碰撞、没有穿过障碍物的路径,且耗时与基本蚁群算法相持平,保证了机器人路径的安全性,提高了算法的前期搜索效率。     

改进型蚁群算法在路径规划中的研究

为了解决蚁群算法在路径规划中初始信息素匮乏、路径搜索规划速度慢、需要更多的迭代次数才能找出近似最优解、准确性在搜索空间很大的情况下会出现无法找到最优解的问题,提出一种适用于全局路径规划的改进型蚁群算法。在规划路径初始时利用A*算法先建立每个节点间最优路径代价函数,以减少蚁群算法在路径搜索中的盲目性;引入“虚拟终点”,以减小蚁群算法的搜索空间,降低迭代次数,提高蚁群算法的效率和路径规划准确性。通过多次实验,表明改进型蚁群算法在路径搜索效率和路径规划能力上都明显提高。     

基于改进A算法的AGV路径规划研究

针对传统A?算法在AGV路径规划中存在遍历节点数和转弯次数较多问题,提出一种基于启发函数改进A?算法.该算法采用加权曼哈顿距离作为启发函数,使得距离估计成本更接近最短距离,以减少算法遍历节点数;另外,在算法启发函数中引入转弯修正代价参数,从而减少路径转弯次数.MATLAB软件仿真实验结果表明,较传统A?算法,基于启发函数改进A?算法在AGV路径规划中能有效减少遍历节点数和路径转弯次数,提高AGV路径规划中路径搜索效率和路径平滑性.     

轮式机器人路径规划的改进蚁群算法CSCD

针对轮式机器人在多窟障碍地形图中的路径规划问题,为了克服基本蚁群算法的局部最优问题,提高算法的收敛速度,以及节约找寻最优路径的时间,提出了一种基于多维信息素及模糊集的改进蚁群算法。在栅格化地图上,通过模糊集将某一点距离障碍物以及接受目标的信息程度表达出来,重新更新栅格化地图,从而减少地图中搜索空间,节约搜索时间。其次把传统蚁群算法中的一维信息素改进为多维信息素,得到满足多个约束条件下的路径。通过多组仿真实验的结果表明,验证了改进算法的可行性和有效性,提高了基本蚁群算法对最优路径问题的优化性能与收敛速度。与现有算法相比较,迭代次数节约了70%左右,缩小了20%的蚁群数量。     

基于参数优化蚁群算法的机器人路径规划研究

采用蚁群算法(Ant Colony Optimization,ACO)求解棉花搬运机器人全局路径规划时,会出现规划效率低、蚁群算法参数的改变对规划效果影响大等问题。提出了一种粒子群参数优化的改进蚁群算法,该算法能够根据地图情况的不同智能地调节参数组合,从而在各种地图中能够发挥蚁群算法的最佳性能。通过实验数据分析蚁群算法重要参数对规划效率的影响,进行参数优化;针对改进后算法耗时大的问题,提出粒子群算法的动态惯性权重调整策略和改进的蚁群算法信息素更新策略,保证求解质量的同时,提高了优化效率,在障碍物分布不同的地图中进行仿真实验,通过与蚁群算法路径规划结果的对比,证明了粒子群参数优化的改进蚁群算法能够发挥蚁群算法最佳性能,可提高移动机器人到达目标点的速度并降低机器人运动过程中的损耗。     

基于改进蚁群算法的移动机器人路径规划研究

针对传统蚁群算法在移动机器人路径规划中存在收敛速度慢、易陷入局部最优和规划路径不平滑等问题,提出一种用于移动机器人路径规划的改进蚁群算法。首先在状态转移概率中引入平滑函数,使蚂蚁在进行路径节点选择时,考虑路径的平滑性。然后在对路径信息素更新时,引入多目标评价函数;同时提出一种基于熵权的分段信息素更新方式,每次迭代规划路径按多目标评价函数数值进行排序并分段,对不同的分段,引入不同的信息素强度放大系数,提升了算法的收敛速度。最后对规划路径进行二次优化,即先对路径节点进行优化,减少不必要的转弯节点,减小了路径转弯角度以及路径长度;再利用贝塞尔曲线对节点优化后路径的转弯拐点处进行平滑。在20×20的简单和复杂栅格环境中进行仿真实验,结果表明,改进蚁群算法规划出的路径长度更短、转弯角度更小和路径更加平滑,同时改进蚁群算法的迭代收敛速度更快,验证了改进蚁群算法在移动机器人路径规划中的优越性。     

多因素改进蚁群算法的路径规划EI北大核心

针对目前服务于移动机器人的全局路径规划算法求解目标单一无法应对复杂且多变的实际环境等问题,提出一种多因素改进蚁群算法。首先,提出了RGB-2D栅格法模拟移动机器人的真实地面路况环境,并针对对角障碍情形,运用邻域矩阵探索法实现障碍检测,有效提高了路径的安全性;其次,为克服传统路径规划以距离为单一指标的局限性,构建综合考虑路径安全性、颠簸性、平滑性以及路程最短性的多因子启发式函数;考虑到传统蚁群算法早期搜索的盲目性,提出了初始信息素阶梯分配原则;然后,将信息素进行分类,按优化目标叠加每条路径上的信息素,运用最大最小蚂蚁策略和信息素挥发因子自调整策略避免局部最优;最后,运用动态切点调整法平滑路径,进一步提高路线质量。仿真实验表明,改进算法在复杂环境中具有良好的适应能力,且路径综合性能指标优于对比文献算法,可为实际环境中的多因素路径规划提供有效参考。     

用于无人车路径规划的改进A*算法

针对传统A*算法规划的路径存在路径长度较长、拐点数量较多和转折角度较大等问题,提出了一种用于无人车路径规划的改进A*算法.首先在传统A*算法的基础上考虑转弯成本并融入预判断规划策略,规划出一条初步路径;然后采用冗余拐点剔除策略优化初步路径,获得一种更优的无人车行驶路径.对传统A*算法、考虑转弯成本并融入预判断规划策略的A*算法和改进A*算法进行仿真对比.结果 表明:改进A*算法规划出的路径长度更短,拐点数量更少,转折角度更小,路径更加平滑.     

基于改进蚁群算法的移动机器人全局路径规划方法研究

针对基本蚁群算法在移动机器人全局路径规划中收敛速度慢,易陷入局部最优解的问题,提出一种改进的蚁群算法。将A*算法的根据目标点自适应调整启发函数的思想应用于蚁群算法中,增加目标点对启发函数的影响;改进状态选择策略,增加解的多样性;混合使用多种信息素分配机制,提高算法的收敛速度。通过布置相同的路径搜索条件,在MATLAB语言环境下进行仿真分析,验证了改进的算法是可行有效的。     

基于改进蚁群算法的多服务机器人路径规划

为解决多服务机器人全局路径规划的问题,将基本蚁群算法应用到多服务机器人全局路径规划上,并对基本的蚁群算法作了改进.对基于算法的多服务机器人系统的构成进行了描述,接着对多服务机器人系统环境的表示方法及算法中对应问题的描述和定义进行了研究.对应用到多服务机器人系统的基本蚁群算法提出了几种改进的策略,并对改进的蚁群算法应用到...     

基于A*

针对二维栅格地图下,移动机器人以最短路径遍历所有目标点的路径规划问题,提出一种基于启发信息扩展节点的 A*     

面向方形节点拓扑地图下的移动机器人路径规划算法研究

针对方形节点拓扑地图下的移动机器人的特性,采用了A^*算法来实现路径规划,并对传统的A^*算法进行改进,一是在启发函数中引入了位移和角度2个因素,提高了函数的启发性; 二是引入堆的方法优化了数据结构,提高了列表中代价最小节点的搜索速度。仿真实验结果表明,改进后的A^*算法节点的最短路径节点相对减少,算法效率明显提高,具有良好的可行性和有效性。     

自适应蚁群算法在轮式机器人三维路径规划中的应用

为了优化轮式机器人三维路径,进行了特殊三维空间有效路径设计,提出了自适应蚁群算法(AACS)。并将该算法应用于三维空间机器人路径规划中,将轮式机器人所处位置与目的点之间的空间划分成带有坡度角的立体网格,定义其有效路径,形成TSP模式。自适应蚁群按TSP模式搜索从原点到目的点之间的最短路径。实验表明:自适应蚁群优化方法克服了传统蚁群算法易陷于局部极值、搜索质量差和精度不高的缺点,提高了收敛速度和精度,输出稳定性好,可以解决轮式机器人在三维实际工作环境中的路径优化问题。     

基于改进 A * 算法的四向穿梭车路径规划

针对传统四向穿梭车系统路径规划易出现路径交叉死锁问题,提出一种改进 A * 算法的路径规划算法。参考多辆穿梭车路径的路径交叉长度、路径冲突车辆总数对路径搜索的影响,使得多辆穿梭车路径分布均匀,减少车辆路径的点边冲突,降低实时路径检测中避让策略的复杂度,提高系统的稳定性与效率。栅格地图环境中,将该算法应用于复杂环境中的四向穿梭车路径规划,仿真结果表明,该算法在路径规划中是可行和有效的。     

基于改进蚁群算法激光导航轮式机器人路径规划

针对激光导航轮式机器人在复杂环境中路径规划原始算法存在路径较长和收敛速度较慢的问题,提出了一种改进蚁群算法。在实际算法中,先利用MAKLINK图论建立AGV运行环境的空间模型,接着用Dijkstra算法搜索优化路径;然后,在Dijkstra算法的基础上采用蚁群算法搜索最优路径;紧接着,在改进蚁群算法中,优先选择搜索前后两节点同起点到终点夹角一致或相差不大的后一个搜索节点,获取新的信息素更新策略,并进行角度的初始化和信息素计算;最后,在Matlab上完成算法的编写并得到仿真结果。结果表明,改进蚁群算法路径优化性能更好,对实际环境中机器人的路径规划具有指导意义。     

基于蚁群算法的完全遍历路径规划研究

提出了一种局部区域遍历和全局运动规划相结合的完全遍历路径规划方法;针对基于Boustrophedon单元分解所得区域的特点,机器人可在局部区域内采用往复运动的方式实现遍历.该方法定义了遍历空间中子区域间综合连通距离,综合连通距离包括区域之间的连通关系、区域之间的最短距离、区域之间的障碍物情况等要素,整个遍历空间中的连通关系由一个完全赋权连通矩阵表示.采用蚁群算法对子空间遍历距离进行优化,得到了最短全局遍历顺序.最后以一个模拟环境为求解实例,证明了算法的有效性.     

动态环境下移动机器人路径规划的改进蚁群算法

研究动态环境下移动机器人路径规划问题,采用栅格法对机器人工作空间进行建模,在使用蚁群算法进行全局路径搜索过程中引入人工势场的概念,使蚂蚁对最优路径更加敏感;机器人针对动态环境中可能出现的不同类型障碍物分别执行不同的避障策略;同时提出一种最优路径预测模型用于预测在避障过程中是否出现新的最优路径。算法结合人工势场法和蚁群算法的特点,将全局路径规划与局部路径规划相融合以提高路径搜索的效率。仿真结果验证了该算法的有效性。     

基于改进A*算法的AGV路径研究

路径规划能力是AGV(Automated Guided Vehicle,自动导引运输车)系统智能化程度的体现。在众多算法中,A~*算法使用代价消耗估算方式达到较快的计算能力,被广泛应用于AGV的路径规划中,但仍存在局部最优的规划问题,规划的路径上存在冗余节点和较多不必要拐点。为减少运输路径中的总能耗,缩短路径总长度和减少AGV转弯次数,采用分裂和筛选的方案对传统A~*算法进一步优化,提出改进A~*算法,使其在实际工作环境中搜索更加迅速、考虑更加周密。在传统A~*算法基础上,在未知节点的启发函数里增加转弯权值,可以在计算规划过程中考虑转向所带来的消耗,从而减少转弯次数。使用任务分裂方案可以尽可能多地选择出较优路径,其中的最优解能够实现得转弯较少,展现出比较平滑的线路。基于Ubuntu下ROS系统版本进行仿真,对比实验结果表明,改进A~*算法在规划时间、总行程以及转弯消耗等方面都优于传统A~*算法,提升了AGV的实际运行效率,减少了AGV小车的耗能,可以缩短路径搜索规划时间,更符合工厂环境对AGV的需求。     

基于改进A*算法的线缆路径规划方法

针对复杂布线空间环境下虚拟线缆的路径规划问题,改进了传统A*算法的估价函数,引入附加值因子来选择合适的路径节点,使用刚性因子评估连续弯折时的线缆路径,将线缆的位置纳入算法来调整线缆路径到最优。二维网格地图中的路径规划和三维模型中的布线结果均表明,改进A*算法能产生合理的布线路径。     

基于改进蚁群算法的移动机器人路径规划研究

为了提高机器人路径规划算法的收敛速度和收敛精度,提出了基于改进遗传算法的机器人路径规划方法。介绍了栅格建模方法,分析了传统蚁群算法原理。提出了蚂蚁相遇策略提高了算法搜索效率,提出了蚂蚁回退策略避免陷入U形陷阱,设置了信息素感应阈值扩大了算法前期的搜索范围,改进了信息素残留方法使蚁群能够记忆最优路径,提出了信息素自适应调整方法,兼顾了算法前期的大范围搜索和后期的快速收敛。经仿真实验验证,相比于传统蚁群算法,改进算法具有更快的收敛速度、更优的规划结果,且改进算法的蚁群轨迹更加集中至最优解附近。