基于改进A*算法的分拣搬运机器人路径规划

为了解决分拣搬运机器人在路径规划过程中,遇到目标点众多的情况时存在路径寻优效率低、容易出错等问题。针对A*算法存在多个最小值时,无法实现路径最优化的问题进行研究,提出一种将蚁群算法与A*算法相结合的改进A*算法。首先使用A*算法筛选出一条最优化的路线来分布信息素,从而简化A*算法在路径规划上的运算。其次以筛选出的路线为基础,针对不同情况结合蚁群算法设计了三种通用方案,以此为基础进行具体的路径规划,从而解决A*算法本身存在的容易带入大量重复数据的问题。通过仿真与实际实验验证了本文提出的改进的A*算法能够满足自动分拣搬运的需求,值得推广与使用。     

基于栅格模型机器人路径规划的改进蚁群算法

提出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,采用折返的迭代方式对目标进行搜索;在搜索过程中,以移动方向一定范围内最大信息素和目标引导函数作为启发式因子;此外,根据蚁群算法处理本问题时信息素散播的特点,重构了信息素的更新策略和散播方式.仿真试验结果表明,改进措施使最优路径的寻找快速而高效,即使在障碍物非常复杂的环境下,算法也能迅速地规划出一条最优路径.     

基于改进蚁群算法的机器人路径规划

本文主要结合蚁群算法对机器人路径规划进行了系统的研究。针对蚂蚁在搜索路径过程中落入障碍物陷阱而造成算法停滞的现象,提出了蚂蚁系统回退策略。为了检验改进型算法的性能,基于MATLAB软件设计了仿真程序。仿真结果表明：对基本蚁群算法的改进,提高了算法的有效性和鲁棒性,增强了蚁群算法在机器人路径规划中的适应能力。     

基于蚁群算法的机器人路径规划问题研究

该文将蚁群算法运用到机器人全局路径规划上,主要针对蚂蚁算法在搜索路径过程中落入障碍物陷阱而造成算法停滞的现象,提出了改进策略,同时基于对机器人所处环境的表示方法及算法中对应问题的描述和定义的研究,对相关参数进行了改进探讨。通过对算法的改进,增强了机器人的蚁群算法在复杂环境路径规划下的适应能力。     

基于改进模拟退火算法的搬运机器人路径规划

针对传统搬运机器人路径规划方法易陷入局部最优解,以及缺乏对环境普遍适应性的问题。应用栅格法创建搬运机器人工作环境模型,以一种建立搜索禁忌表的改进贪心算法为基础,通过加入遗传算法中“优胜劣汰”的思想,重新定义了模拟退火系数和栅格系数,提出了一种可以解决贪心算法局部收敛问题的改进模拟退火算法。最后通过仿真和具体实物实验,验证了该算法具有的可行性以及对于不同环境的适应性,能够有效地提高搬运机器人路径规划的质量。     

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。     

基于蚁群算法的机器人路径规划

用栅格模型表示工作环境,确定机器人运动起始结点和目标结点后,对工作环境进行分析,选取起始点与目标点之间连线附近的若干栅格,以被选取栅格为关键点,采用蚁群算法分别计算关键点与起始点和目标节点之间的最短路径,求取全局最短路径。仿真验证,该方法简单有效。     

基于改进蚁群算法的球形机器人径规划

蚁群算法具有较强的鲁棒性和发现较优解的能力,但同时存在着限于局部最优解、收敛速度慢、容易出现停滞现象等缺点。本文针对球形机器人的特点,考虑球形机器人本身的尺寸影响,对其进行路径规划优化处理。并且在传统的蚁群算法基础上,采用了退回原则和信息素加强原则对该算法进行改进。通过仿真结果表明,该方法能以任意接近于1的概率收敛到全局最优解,并且提高了求解最优解的效率。     

基于改进蚁群算法的球形机器人径规划

蚁群算法具有较强的鲁棒性和发现较优解的能力,但同时存在着限于局部最优解、收敛速度慢、容易出现停滞现象等缺点。本文针对球形机器人的特点,考虑球形机器人本身的尺寸影响,对其进行路径规划优化处理。并且在传统的蚁群算法基础上,采用了退回原则和信息素加强原则对该算法进行改进。通过仿真结果表明,该方法能以任意接近于1的概率收敛到全局最优解,并且提高了求解最优解的效率。     

基于蚁群算法的机器人路径规划

针对移动机器人规避障碍和寻找最优路径问题,提出了在复杂环境下移动机器人的一种路径规划方法.采用了栅格法建立了机器人工作平面的坐标系,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的到达目标点.仿真实验的结果表明了所述方法能在较短时间内找到最佳路径并规避障碍.     

基于改进蚁群算法的水下无人机路径规划研究

为实现水下无人机在水域中自主作业的功能,对其设计一套合理的路径规划方案是非常有必要的。蚁群算法针对水下无人机路径规划方面有着非常好的效果,拥有不错的鲁棒性,但是传统的蚁群算法在解决路径规划问题时很容易出现局部最优解的问题。以传统蚁群遗传算法理论为根据,对其进行添加目标引导素、构建精英蚂蚁体系、更新信息素浓度这三方面的改进,使用栅格法构建水下环境分析模型,并以最短的路径为目的,规划一条从初始状态到目标状态的无碰安全途径,运用仿真的办法展开验证。结果显示：相较于传统算法,改进后的算法在求解速度和全局求解能力上有较大的优势。     

基于蚁群算法的自由飞行空间机器人路径规划

本文采用蚁群算法实现了自由飞行空间机器人的避障路径规划．蚁群算法是基于群 体的一种仿生算法，为求解复杂的组合优化方法问题提供了一种新思路．本文对蚁群算法进 行了适当的修改，使之适用于自由飞行空间机器人的路径规划，然后用计算机进行了仿真， 取得了较好的结果．     

改进遗传算法在移动机器人全局路径规划中的应用

针对应用遗传算法进行移动机器人全局路径规划时遇到的早熟收敛和收敛速度慢等问题,提出一种基于定长二进制路径编码方式的改进遗传算法。研究此编码方式下的改进遗传操作,采用比例阈值自适应((N+K,N)+N)双种群进化策略,有效提高了算法收敛速度和全局寻优能力。仿真实验表明了该算法的有效性。     

基于神经网络和遗传算法的足球机器人路径规划

针对足球机器人在动态环境下的安全路径规划,提出一种将神经网络和遗传算法相结合的路径规划方法.用hopfield神经网络描述存在障碍物的动态环境,然后用遗传算法对代表路径的控制点进行寻优,并把路径安全性和最短路径要求融合为一个适应度函数.通过仿真实验表明该方法具有较高的实时性和有效性.     

基于神经网络租遗传算法的足球机器人路径规划

针对足球机器人在动态环境下的安全路径规划,提出一种将神经网络和遗传算法相结合的路径规划方法。用hopfield神经网络描述存在障碍物的动态环境,然后用遗传算法对代表路径的控制点进行寻优,并把路径安全性和最短路径要求融合为一个适应度函数。通过仿真实验表明该方法具有较高的实时性和有效性。     

动态环境中基于遗传算法的移动机器人路径规划的方法

动态环境中，移动机器人的动态路径规划是一个较难解决的课题．本文提出一种 基于遗传算法的移动机器人的路径规划方法．该方法采用实数编码的方法，有明确物理意义 的适应度函数，以加快实时的运算速度和提高运算精度．该方法充分挖掘可应用遗传算法解 决移动机器人动态路径规划的潜力．通过计算机仿真表明该控制方法具有良好的动态路径规 划能力．     

基于改进RRT-Connect算法的机械臂路径规划

针对RRT^*算法速度较慢问题,提出一种快速收敛至最优路径的最优双向快速扩展随机树(Optimal Bidirectional Rapidly-exploring Random Trees,Obi-RRT)算法。Obi-RRT使用改进的RRT-Connect算法快速得到较低成本路径,通过路径修剪得到关键点,围绕关键点提出三种采样空间并进行采样,通过不断更新关键点从而得到最优或接近最优的路径。平面和机械臂关节空间下的仿真实验表明,Obi-RRT算法运行时间仅为RRT^*算法的十分之一,并且路径成本更低。     

一种移动机器人全局路径规划新型算法

针对模拟退火算法收敛速度慢这一缺陷，提出了一种基于共轭方向法和模拟退 火算法相结合的新型混合优化算法，并成功应用于机器人神经网络路径规划中．该算法可以 使优化解不陷入局部极值解而得到全局最优解．仿真实验研究表明：本文提出的这种新型混 合优化算法，计算简单，收敛速度快，显著提高了求解移动机器人全局最优化问题的计算效 率．     

基于改进RRT算法的UAV航迹规划与优化研究

分析步长、搜索次数对UAV航迹生成的影响,给出一种改进RRT算法。结合目标信息给出启发因子、优话采样节点选择方法、选取合适的启发概率等方法,解决了扩展树生长过程中随机性较大的问题,提高了全局搜索能力和搜索速度,同时考虑局部搜索精度。针对航迹随机化造成的航迹不够优化的问题,提出一种航迹迭代优化方法。仿真结果表明:该算法和优化方法具有较快的收敛速度和更短的搜索时间;迭代优化方法减少了冗余规划点,缩短了规划航迹,提高了航迹规划效率。