动态环境下基于改进蚁群算法的机器人路径规划研究

针对动态复杂条件下的移动机器人路径规划问题,根据全局静态环境先验知识,提出一种改进蚁群算法。在经典蚁群算法的基础上通过调整转移概率,限定信息素强度的上下界,并引入相关策略解决死锁问题,可以避免初期规划的盲目性,增加解的多样性,提高算法的全局搜索能力,进一步减小算法早熟的可能性。在规划过程中,根据动态障碍物运行方向的变化与否,提出了相应的碰撞避免策略,并针对环境突发状况引入Follow_wall行为进行改进。仿真实验证明,该算法优于经典蚁群算法,可有效地指导移动机器人避免环境中的动态障碍物,获取无碰最优或次优路径,并能更好地适应环境的变化。     

基于遗传蚁群算法的机器人全局路径规划研究

蚁群算法是基于生物界群体启发行为的一种随机搜索寻优方法,它的正反馈性和协同性使其可用于分布式系统,隐含的并行性更使其具有极强的发展潜力,它在解决组合优化问题上有着良好的适应性。因此将其应用到智能机器人全局路径规划中,其目的是探索一种新的路径寻优算法.在基于栅格划分的环境中,研究了机器人路径规划问题中蚁群系统的"外激素"表示及更新方式,并将遗传算法的交叉操作结合到蚁群系统的路径寻优过程中,提高了蚁群系统的路径寻优能力,为蚁群算法的应用提供了一种新的探索.     

动态环境下移动机器人路径规划的一种方法

研究障碍物的形状以及位置未知环境下的动态路径规划的问题，采用栅格表示障碍物与机器人的大小、位置以及他们的运行环境地图，给出了一种路径规划的算法，该算法计算简单，搜索速度快，通过仿真试验发现，用该方法规划的路经取得了比较好的效果。     

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Limit-cycle的机器人动态路径规划方法

移动机器人安全导航是机器人应用在军事领域的关键技术，也是机器人智能化的重要指标．本文采用基于Limit-cycle(极限环)的路径规划方法进行机器人避障，可以有效地避免机器人与障碍物相碰，灵活地应对动态变化的环境，能够实现局部路径规划，在MATLAB仿真平台上验证了该方法的正确性及有效性．     

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。     

一种基于神经网络的机器人路径规划算法

研究已知障碍形状和位置环境下的全局路径规划问题。给出了一个路径规划算法，其能量函数的定义利用神经网络结构，根据路径点位于障碍物内外的不同位置选取不同的动态运动方程。规划出的路径达到了析线形的最短无碰路径。仿真研究表明，本文提出的算法计算简单，收敛速度快，方法可行。     

基于蚁群算法的足球机器人避障方法

将蚁群算法用于针对运动目标的足球机器人动态避障路径规划,采用自适应更新策略的方法规划最佳避障路径,建立了严谨、简洁的选择概率函数和聚度函数,以达到对足球机器人避障路径的最优化。大量仿真实验表明,该方法可行有效。     

基于改进蚁群算法的移动机器人全局路径规划

对已栅格化的机器人运动空间中的障碍物预处理,在蚁群算法原理的基础上,改进了伪随机比例规则,使蚂蚁的下一节点选择更加倾向于目标点,提高了蚂蚁的搜索效率。引入最优一最差蚂蚁思想来更新全局信息素轨迹的强度,增强搜索过程的指导性。为了防止早熟收敛现象的发生,采用最大一最小蚂蚁思想来限制信息素的强度。仿真研究表明：该算法具有高适用性和灵活性,对解决静态路径规划问题是可行的,有效的。     

移动机器人路径规划蚁群算法及其收敛性分析

移动机器人的路径规划是按照某一性能指标搜索一条从起点到目标点的最优或次最优的无碰撞路径.将蚁群算法用于移动机器人的路径规划,阐述了移动机器人路径规划蚁群算法的基本原理,指出蚁群算法的迭代过程是马尔科夫过程,分析了蚁群算法的收敛性,提出了改善蚁群算法收敛性的途径.仿真结果表明:该算法能够在较短的时间内规划出较优的路径,且该算法有效可行.     

基于改进蚁群算法的三维路径规划

基于蚁群算法的三维路径规划大多存在规划速度慢、准确度不高等问题,提出了一种基于改进启发函数和自适应修正挥发系数的蚁群算法,设计了一种新的启发函数,提高了三维路径规划的准确度;提出自适应调整挥发系数,避免搜索陷入局部最优,同时加快了算法收敛速度。最后进行了仿真实验,结果证明了该方法的可行性和有效性。     

基于蚁群算法的原子力探针测量细胞的路径规划

细胞研究是分析科学、生物学和医学之间渗透发展形成的跨学科前沿领域。针对原子力探针在对大量活体细胞进行反复测量的过程中,耗时过长会减少细胞存活率的问题,本文采用了蚁群优化算法进行求解,为探针寻找到了一条用时最少、路程最短的最优路径,并对基本蚁群算法参数的合理选取进行了实验分析。实验结果验证了该算法的有效性。     

基于高程—四叉树模型和改进蚁群算法的路径规划

基于蚁群算法的无人车大区域路径规划方法大多存在速度慢、环境适应能力差等问题,构造了一种高程-四叉树模型,在完整记录区域信息的基础上对信息量进行有效压缩;设计了一种新的寻优启发函数,提高了路径规划的准确度;通过自适应调整挥发系数,避免搜索陷入局部最优.仿真实验结果表明,相比于传统蚁群算法,文章方法得出的最优路径更加准确,且算法复杂度低,收敛速度快.     

基于余弦算法的足球机器人路径规划

在分析基本算法不足的基础上,提出了机器人的路径规划方法,利用余弦曲线具有光滑、可微的特性,实时、有效地解决机器人避开障碍物从给定点到目标点找到一条最优路径规划问题。仿真试验表明：提出的方法具有较强的路径规划能力,计算量非常小,具有较高的实用价值。     

动态环境中机器人路径规划算法研究

针对自主移动机器人在未知动态环境中的路径规划问题,提出了一种改进的概率地图算法,详细描述了经过改进的自适应概率地图算法（flexible adaptive probabilistic roadmap method,FAPRM）的实现步骤,该算法可以显著地提高自主移动机器人的路径质量,讨论了自适应概率地图算法和传统概率地图算法在动态路径规划中的优缺点,并进行了仿真,改进后的自适应概率地图算法可以有效地在动态环境中重新计算路径。     

基于蚁群算法的配电网优化规划

提出了一种考虑电网可靠性的配电网规划模型,采用前推后代迭代法进行潮流计算,利用经典的故障模式后果分析法计算电网缺电成本,基于蚁群算法提出了一种适合于配电网的优化规划方法。通过对某算例的计算和分析,验证了本文方法的有效性。