机器人导航路径的动态分级蚁群算法规划策略

为了提高机器人工作路径质量并减少算法运行时间,提出了蜂巢栅格模型与动态分级蚁群算法结合的路径规划方法。建立了工作环境的蜂巢栅格环境模型,在转向角、避障路径比、路径质量等方面均优于传统方形栅格模型;将蜂群算法的分级思想引入到蚁群算法中,根据适应度将蚁群分为寻优蚁和侦查蚁两级;寻优蚁更加注重信息素的引导作用,利于算法收敛,侦查蚁更加注重启发信息的牵引作用,不断探索新的路径而增加路径多样性;提出了兼顾全局信息素更新和局部信息素更新的动态加权信息素更新方法。经仿真验证,动态分级蚁群算法在迭代过程中的路径多样性优于蚁群算法;将动态分级蚁群算法应用于路径规划,路径长度比蚁群算法降低了22.12%,平均运行时间减少了32.33%,充分证明了动态分级蚁群算法在路径规划中的有效性。     

基于改进天牛须搜索的自导引机器人路径规划

针对天牛须搜索(BAS)在自导引机器人(AGV)路径规划中存在的陷入局部最优、收敛速度较慢等问题,提出基于改进天牛须搜索(IBAS)的AGV路径规划新方法.相比于BAS,IBAS中天牛的移动步长不再是固定的,而是随着迭代进程自适应的变化,从而实现了算法搜索能力的平衡,提升了算法的寻优性能.典型测试函数优化结果表明,IBAS的寻优精度、寻优速度和稳定性更优.在AGV路径规划的实际应用中,IBAS有效提高了路径规划效果.