基于转角约束的改进蚁群优化算法路径规划

针对传统蚁群优化（ACO）算法搜索路径时易陷入局部最优、路径过长、转弯角度过大等问题,提出一种基于转弯角度约束的改进ACO算法。首先,增加起始点与目标点之间区域的初始信息素浓度,以避免初期盲目搜索;然后,在启发函数中加入A^*算法的估价函数和转弯角度因子,以便在下一步选择路径长度和转角次数综合最优的节点;最后,在信息素更新部分引入狼群算法的分配原则,来加强优质种群的影响力,同时借鉴最大最小蚁群（MMAS）算法进行信息素浓度的限制,从而避免算法陷入局部最优。Matlab仿真结果表明,改进算法与传统ACO算法相比,规划出的路径长度缩短了13.7%,转弯次数减小了64.3%,累计转弯角度减少了76.7%。实验结果表明,所提改进算法能有效解决全局路径规划问题,避免了移动机器人过多的能耗损失。     

基于自适应机制改进蚁群算法的移动机器人全局路径规划

针对基本蚁群算法在二维静态栅格地图下进行移动机器人路径规划时出现的搜索效率低下、收敛速度缓慢、局部最优解等问题,提出一种自适应机制改进蚁群算法,用于移动机器人在二维栅格地图下的路径规划.首先采用伪随机状态转移规则进行路径选择,定义一种动态选择因子以自适应更新选择比例,引入距离参数计算转移概率,提高算法的全局搜索能力以及搜索效率;然后基于最大最小蚂蚁模型和精英蚂蚁模型,提出一种奖励惩罚机制更新信息素增量,提高算法收敛速度;最后定义一种信息素自适应挥发因子,限制信息素浓度的上下限,提高算法全局性的同时提高算法的收敛速度.在不同规格的二维静态栅格地图下进行移动机器人全局路径规划对比实验,实验结果表明自适应机制改进蚁群算法具有较快的收敛速度,搜索效率明显提高且具有较好的全局搜索能力,验证了所提算法的实用性和优越性.     

基于改进蚁群算法的机器人路径规划

针对机器人路径规划问题,提出一种改进的蚁群算法.建立栅格地图模型,结合蚁群算法,设置禁忌表,同时针对死锁问题,提出丢弃陷入死锁的蚂蚁;当蚂蚁迭代次数大于60代后,通过减小信息素增强系数Q,达到提高算法收敛速度的目的.实验结果表明,改进后的算法能快速规划出最优路径,同时能避免陷入死锁和局部优化.     

改进蚁群与动态Q学习融合的机器人路径规划

基本Q学习算法应用于路径规划时,动作选择的随机性导致算法前期搜索效率较低,规划耗时长,甚至不能找到完整的可行路径,故提出一种改进蚁群与动态Q学习融合的机器人路径规划算法.利用精英蚂蚁模型和排序蚂蚁模型的信息素增量机制,设计了一种新的信息素增量更新方法,以提高机器人的探索效率;利用改进蚁群算法的信息素矩阵为Q表赋值,以减少机器人初期的无效探索;设计了一种动态选择策略,同时提高收敛速度和算法稳定性.在不同障碍物等级的二维静态栅格地图下进行的仿真结果表明,所提方法能够有效减少寻优过程中的迭代次数与寻优耗时.     

多策略蚁群算法在机器人路径规划中的应用

在二维环境中,蚁群算法规划路径时易出现收敛慢,搜索得到的路径是次优路径等问题。针对这些问题,提出一种新式多策略改进的蚁群算法以提高路径寻优性能和搜索效率。根据当前栅格相对于起始点的位置采用非均匀信息素的分布方式,使得优势栅格的初始信息素浓度较高,避免蚂蚁盲目搜索;采用定向邻域扩展策略重新定义蚂蚁移动规则,进一步缩短路径并提高搜索效率;利用角度引导因子增加终点的指导作用,增加障碍物影响因子避免路径陷入死锁以及降低曲折路径的出现率;采用双层精英蚁策略加大最佳路径的信息素含量,防止算法陷入局部最优,提升算法收敛性。实验结果表明,经过改进后,算法的寻优性和收敛能力都得到了极大的提升。     

基于改进蚁群算法的无人天车路径规划

针对无人天车在吊运过程中的路径规划问题,提出了改进蚁群算法以优化天车路径.首先,综合考虑无人天车的行驶距离和任务等待时间,建立具有时空约束的路径规划数学模型.其次,改进常规蚁群算法的启发信息和信息素更新机制,并根据任务执行顺序限制条件和任务优先级系数改进蚂蚁的路径选择策略,以得到改进的蚁群算法.仿真结果表明,改进蚁群算法规划所得路径在路径长度和任务等待时间上均优于传统算法,证明了应用改进方法优化无人天车路径的可行性和有效性.     

基于改进蚁群算法的无人机路径规划

为了提高蚁群算法对于无人机的路径规划,提出了一种改进的蚁群算法,利用栅格地图法,改变蚁群算法的转移概率,加入死区判断,可以有效的减少"无效蚂蚁".并对更新信息素进行改进,增强每一代蚂蚁的最优路径的信息素,其他保持不变.同时舍去每一代蚂蚁的最长路径,用历史最短路径代替.此外,为避免在蚁群算法中陷于局部最优,再通过蚂蚁行走...     

基于改进蚁群算法的机器人路径规划算法

针对机器人路径规划中,传统蚁群算法收敛速度慢、易陷入局部最优解等问题,提出了一种移动机器人路径规划的改进蚁群优化(ACO)算法。用栅格法建立环境模型,并基于人工势场建立启发信息素矩阵,降低了蚂蚁在初始阶段搜索的盲目性;引入激励函数,降低搜索过程中的死锁现象;改进信息素的更新机制,增强了优秀蚂蚁对全局路径规划的影响。仿真结果表明:改进后蚁群算法的机器人路径规划算法加快了收敛速度,具有较强的鲁棒性和全局寻优能力。     

基于邻域搜索的改进最大最小蚁群算法

针对蚁群算法求解旅行商问题时易陷入局部最优的问题,提出一个改进的混合最大最小蚁群算法,并应用于求解旅行商问题.上述算法设计了一种新的信息素更新模型,单个蚂蚁每走一步就进行信息素局部更新,在所有的蚂蚁搜索一周后,最优路径蚂蚁进行全局信息素更新.提出一种新的邻域搜索模型,将邻域大小设置为原来的一半,提高了计算的效率.在每个蚂蚁的一个周期循环后,使用邻域搜索算法优化最优解的路径长度.仿真结果表明,改进算法具有较高的求解精度和收敛速度.     

带有禁忌规则的改进蚂蚁算法

提出了一种带有禁忌规则的改进蚂蚁算法,改进的算法在每次迭代后,通过对信息素值的判断,来禁止信息素浓度过高的路径被"人工蚂蚁"过多访问,以此加大蚂蚁搜索领域的能力从而减少算法过早收敛于非最优解的现象,在此基础上,算法结合了当前被证实为最有效解决TSP问题的蚂蚁系统和最大最小蚂蚁算法的部分规则,对算法做出进一步改进.改进的...     

一种障碍环境下机器人路径规划的蚁群粒子群算法

针对机器人在障碍环境下寻找最优路径问题, 提出了一种障碍环境下机器人路径规划的蚁群粒子群算法.该方法有效地结合了粒子群算法和蚁群算法的优点, 采用栅格法进行环境建模, 利用粒子群算法的快速简洁等特点得到蚁群算法初始信息素分布, 以减少迭代次数, 加快算法的收敛速度; 同时利用蚁群算法之间的可并行性, 采用分布式技术实现蚂蚁之间的并行搜索, 求解精度高等优点, 求精确解. 仿真实验结果证明了该方法的有效性, 是机器人路径规划的一种较好的方法.     

基于蚁群算法的噪声图像边缘检测

针对噪声图像边缘检测问题,提出了一种基于改进蚁群算法的边缘检测方法。算法对蚁群算法收敛速度慢,易收敛于局部最优解的缺点进行了优化,引入了改进的蚂蚁生命周期策略,综合考虑像素邻域差和图像边缘曲线连续性等因素来确定启发式引导函数,在蚂蚁搜索起始点的选取、蚂蚁路径选择策略、信息素更新策略、启发因子的选择等方面提出了优化,实验证明,算法在收敛速度和边缘检测效果上相比传统蚁群算法有了较明显的改善,是一种较为有效的边缘检测方法。     

基于视觉抓取的并联桁架机器人最优路径控制

针对元件的抓取路径规划问题,提出一种以最小化时间为目的,结合蚁群算法和禁忌搜索算法的混合优化算法。首先,将基于机器视觉抓取元件的问题确定为有约束的旅行商问题（TSP）;然后,分析了元件大小和抓取放置过程对于路径规划的综合影响,对路径选择概率和禁忌域进行了适应性改进;其次,一方面引入了2-opt局部优化以及信息素惩罚、奖励机制以改善蚂蚁的搜索能力,另一方面对信息挥发因子作适应性改进以提高蚂蚁的自适应能力;最后,针对基本算法和改进的混合优化算法,仿真实验和平台实验分别进行了性能指标和抓取时间的对比分析。实验结果表明,仿真环境下,与蚁群优化（ACO）算法和禁忌搜索（TS）算法相比,混合优化算法的平均迭代次数降低了约50%,且其他性能较为优越,平台测试的抓取用时测试结果也说明了混合优化算法较随机结果和基本算法的优越性,可以快速完成元件抓取任务。     

基于改进蚁群算法的机器人全局路径规划研究

针对蚁群算法在机器人路径规划过程中出现的收敛速度慢的缺陷,提出了基于改进蚁群算法规划机器人全局路径,在栅格地图中划定优选区域,并建立新的初始信息素浓度设置模型,对各点初始信息素浓度进行差异化设置,避免寻优的盲目性,提高了算法的收敛速度。实验结果表明,改进后的蚁群算法的收敛速度明显加快,优于传统算法,表明了该算法的有效性。     

嵌入式环境中分层路径规划算法的改进

针对分层路径规划算法对上下层道路的对应关系存储耗费大量存储空间的问题,提出一种适合嵌入式环境的改进分层算法。通过在各个层次内部引入道路等级信息提高计算速度,在运算过程中动态切换搜索层次和等级达到减少分层数和数据量的目的。对比实验表明,改进算法在扩展节点数和路径规划时间方面均优于其他3种算法,且能满足嵌入式环境中高效路径规划的需求。     

一种改进蚁群算法研究和旅游景区路径规划问题求解*

针对旅游景区路径规划问题的复杂性,把景区路径分为全景区图与子景区图,并归为同一问题解决。然后提出BVC蚁群算法,设计繁殖蚂蚁(Breeding ants)、视觉蚂蚁(Visual ants)和普通蚂蚁(Common ants),各类蚂蚁按各自规则遍历。蚂蚁遍历完所有景点,求出最佳行程MIN(k,Pk,Lk),并根据约束条件,对符合要求的路径上的信息素进行更新。再结合模拟退火算法,在每个状态对蚁群行程进行舍取,重复迭代,最终获得全局最优解。仿真实验结果表明,该方法在景区路径规划中,表现出良好的稳定性和高效性。     

Experimental evaluation of pheromone models in ACOPlan

In this paper the system ACOPlan for planning with non uniform action cost is introduced and analyzed. ACOPlan is a planner based on the ant colony optimization framework, in which a colony of planning ants searches for near optimal solution plans with respect to an overall plan cost metric. This approach is motivated by the strong similarity between the process used by artificial ants to build solutions and the methods used by state?Cbased planners to search solution plans. Planning ants perform a stochastic and heuristic based search by interacting through a pheromone model. The proposed heuristic and pheromone models are presented and compared through systematic experiments on benchmark planning domains. Experiments are also provided to compare the quality of ACOPlan solution plans with respect to state of the art satisficing planners. The analysis of the results confirm the good performance of the Action?CAction pheromone model and points out the promising performance of the novel Fuzzy?CLevel?CAction pheromone model. The analysis also suggests general principles for designing performant pheromone models for planning and further extensions of ACOPlan to other optimization models.     

一种改进的机器人路径规划蚁群算法

描述了一种静态环境下机器人路径规划的改进蚁群算法．该算法使用栅格法对机器人的工作空间进行建模．通过模拟蚂蚁的觅食行为,使蚂蚁在起始点和目标点之间采用折返的方式完成最优路径的搜索,增强了蚂蚁搜索的多样性;搜索过程采用“惯性原则”和最大信息素搜索策略,使蚂蚁对最优路径更为敏感;同时,根据信息素在栅格模型中散播的特点,提出一种新的信息素更新策略和散播方式,加快解的收敛速度．仿真结果验证了该算法的有效性,即使在障碍物复杂的地理环境,用本算法也能迅速规划出最优路径．     

基于改进蚁群算法的全向移动机器人全遍历路径规划

受全遍历环境影响, 现有方法规划得出的路径长度过长, 为提高路径规划性能, 获取最优路径, 提出基于改进蚁群算法的全向移动机器人全遍历路径规划方法. 在拓扑建模示意图的基础上, 依据移动机器人在原坐标系下的位置信息, 利用角度转换建立新的环境模型. 考虑蚁群算法存在的问题, 将递减系数引入到启发函数中, 更新局部信息素, 通过设定迭代阈值, 调节信息素的挥发系数. 最后通过路径规划流程设计, 实现对全向移动机器人全遍历路径的规划. 实验结果表明, 所设计方法不仅可以缩短全遍历路径长度, 还可以缩短路径规划时间, 获取最优路径, 从而提高了全向移动机器人的全遍历路径规划性能.     

一种改进的自适应蚁群算法求解TSP问题

文章提出了一种改进的蚁群算法,其核心是限制单步路径上的蚂蚁数目,当该路径上的信息素达到一定浓度时,人为的迫使蚂蚁改换路径,从而更好的全局寻优,避免算法陷入局部极优,并使用2-Opt方法对路径进行优化。对旅行商问题（TSP）的实验结果表明：新算法的优化结果和效率都优于基本蚁群算法。