一种改进蚁群算法的移动机器人路径规划

路径规划是移动机器人运动控制中的关键问题。针对传统蚁群算法在机器人全局路径规划中存在收敛速度慢、易陷入局部最优等缺点,提出一种改进型蚁群路径规划算法。首先,通过栅格法建立机器人运动环境模型,然后在传统蚁群算法基础上引入A*搜索算法的估价函数思想,改进蚁群算法的启发函数,增加目标节点与可选行进节点数对启发函数的影响。其次,在信息素更新公式中,通过引入Logistic增长函数对信息素挥发因子作自适应调整,提高算法速度与精度。最后,通过Matlab仿真实验证明,改进蚁群算法比传统算法在路径搜索速度和精度上都有较大提升。     

基于蚁群改进与尖峰平滑的移动机器人路径规划

近年来,移动机器人路径规划作为机器人自主导航领域的一个重要问题而备受关注,针对传统ACA有易陷入局部最优,以及现阶段在很多机器人路径规划中易被忽略的出现过于尖锐拐点的问题,提出一种改进蚁群算法(ACA-ES)应用于移动机器人路径规划。首先,针对ACA易陷入早熟的问题,引入精英策略,目的是给每次循环结束后找出的最优解增加额外信息素,提高算法收敛速度;其次,为了不使机器人在路径尖峰处失去平衡,引入基于中心点的平滑方法,提高路径平滑性。在栅格环境下进行仿真,得到一条平滑路径,且路径长度比原来缩短了5.90%,证明了该改进算法的有效性和可行性。     

蚁群算法在机器人路径规划中研究及发展趋势

移动机器人研究中的一个重要领域是机器人路径规划方法。本文对蚁群算法在机器人路径规划方法的研究现状进行了概括与总结,指出了各种改进方法的优点及不足,最后对其发展方向进行了展望。     

基于改进蚁群算法的AGV全局路径规划

目的:针对传统蚁群算法存在易陷入局部最优值、前期盲目搜索和收敛速度慢等问题,提出一种改进算法并应用于AGV(Automated Guided Vehicles)全局路径规划。方法:通过优化状态转移概率以及信息素更新方法完成对传统蚁群算法的改进;然后建立环境地图模型,并将改进算法应用于AGV路径规划;最后进行对比试验,并分析算法的改进效果。结果:与现有算法比较,改进算法可更快获得更短的规划路径长度,同时可有效减少算法迭代次数。结论:通过优化状态转移概率和信息素更新方法,可有效加快蚁群算法的收敛速度,增强蚁群全局搜索能力。     

基于蚁群算法的医用服务机器人路径规划方法

机器人路径规划问题是机器人学的一个重要研究领域，主要研究机器人依据某个或某些优化原则，在其工作空间中找到一条从起始点到目标点的能避开障碍物的最优路径。国内外学者对此作过大量的研究，主要采用的方法有局部的人工势场法(Artificial Potential Field)和遗传算法(cene     

移动机器人路径规划中的PSO优化算法研究

随着科学信息技术的发展,粒子群优化算法凭借简单的概念与易实现的特点,获得了众多科研人员的青睐,但在粒子群优化算法应用于移动机器人路径规划时,却遇到了经常陷入局部最优值的问题.本次研究提出对PSO算法进行优化以优化该局部最优的问题.在对PSO算法进行优化的过程中,采用混沌算法对PSO算法进行初始化,随后将其早熟粒子进行混...     

基于改进蚁群算法的 AGV 路径规划研究

近年来,自动导引机器人（AGV）一直是研究的热点问题,其中复杂路径规划为研究重点。为了更好地规划机器人路径,提出一种改进蚁群算法,该算法在传统蚁群算法基础上充分利用了 MMAS 算法的特点。首 先,构建网格环境模型,引入算法概率函数和抑制因子,通过改变算法的启发式信息,加快算法收敛速度|其次,引入回退机制解决死锁问题,再将 MMAS 蚂蚁系统转化为局部扩散信息素,只有迭代试验的最优解才能加入到信息素更新中|最后,有效限制信息素浓度,避免发生搜索路径过早收敛现象。仿真实验结果表明,改进蚁群算法与传统蚁群算法相比,迭代次数减少 45.6%,时间缩短 46.2%,改进蚁群算法收敛速度更快、效率更高。     

基于改进蚁群算法的机器人路径规划方案研究

蚁群算法是机器人路径规划中的经典算法之一,在二维静态环境中,传统蚁群算法在机器人路径规划中还存在一些缺点,如算法收敛较慢、容易陷入局部最优并可能导致算法停滞等。针对这些缺陷,对传统蚁群算法提出相应改进,引入自适应启发式因子、拐点个数等参数,并采用不同启发式因子对随机概率进行更新。使用Matlab对改进前后算法的收敛速度、避障寻径和最短路径长度等进行对比分析。结果显示,改进后的算法较传统算法不仅可以使机器人有效避开所有障碍物,而且能够高效寻找到最短路径,在很大程度上避免了算法陷入局部最优。     

基于神经网络的移动机器人路径规划研究

利用一种并列连接的神经网络结构对移动机器人路径进行规划,并把神经网络与模拟退火算法相结合,解决了局部极值问题,最终收敛到全局最优解。计算机仿真研究表明:模拟退火算法具有计算简单,初值鲁棒性强以及通用易实现等优点。     

一种基于改进蚁群算法的山地三维路径规划算法

当前社会,很多用户需要在复杂的没有公路的山地地形,快速、准确的规划出三维路径,在避过障碍的同时达到某项指标最优。目前常用的路径规划算法,大多数只能规划二维平面路径;而一般的三维规划算法,大多运算算法复杂、需要很大的存储空间,同时无法在宏观全局角度来进行路径规划。文章在已有三维山地地图的基础上,采用一种改进的蚁群算法来解决上述问题。软件仿真结果显示,基于改进蚁群算法的山地三维路径规划算法在路径最优值计算和规划时间上都能够较好的满足需求。     

基于神经网络的移动机器人路径规划研究

利用一种并列连接的神经网络结构对移动机器人路径进行规划，并把神经网络与模拟退火算法相结合，解决了局部权值问题，最终收敛到全局最优解。计算机仿真研究表明：模拟退火算法具有计算简单，初值鲁棒性强以及通用易实现等优点。     

基于免疫算法和人工势场的移动机器人路径规划

分析了人工势场模型存在的两个问题:目标不可到达问题和由于局部最优解的存在而产生的死锁问题。在人工势场路径规划的基础上,提出了基于免疫算法和人工势场法的最优路径规划方法。通过仿真算例验证了该模型的有效性。     

基于迭代局部搜索的路径规划蚁群算法

针对蚁群算法易早熟及局部搜索能力欠佳的缺陷,将迭代局部搜索策略引入蚁群算法。新算法的基本思想是：从初始解出发,用蚁群算法进行局部搜索,如陷入局部最优,则产生一个摄动解作为新的初始解再进行局部搜索,根据接受规则决定进入下一步迭代的局部最优解。将改进算法应用于二维路径规划,数值实验表明,改进算法相比基本蚁群算法有更佳的局部收敛性,可获得比基本蚁群算法结果更优路径。     

基于改进遗传算法的移动机器人路径规划

经典遗传算法的缺陷在于搜索耗时较长,容易出现局部最优解。为解决该问题,引进适应度函数,并在设计遗传算子时,重新定义适应度函数。为尽量规避出现局部最优解,在不改变种群参数的条件下,通过新算法得到最短路径为31,搜索耗时均值为20.667m/s;与之对比,经典遗传算法两项数据分别是37和24.667m/s。因此,新算法可在更短时间内给出更佳解。     

物流配送路径中蚁群算法改进策略

蚁群算法是求解物流配送最佳路径的有效仿生模拟方法,但存在早熟、停滞、局部最优等缺陷。文章从蚁群算法的数学本质出发,提出将单纯蚁群算法与爬山算法、混沌理论、K-均值聚类算法相结合等几种有效的改进策略,使得改进后的蚁群算法具有更多优越性。     

基于遗传模拟退火算法的移动机器人路径规划

针对移动机器人运动路径规划最优问题,提出了一种具有能进行整体搜索和全局最优计算的遗传算法,并将遗传算法与具有摆脱局部最优点能力的模拟退火算法相结合,解决了遗传算法在实际应用中产生的局部上并非最优的问题。在移动机器人的路径规划中,该算法能达到较高的路径规划效率和求解的质量。     

自主移动机器人路径规划方法研究综述

自主移动机器人路径规划问题是智能控制和机器人学研究的核心内容之一。系统分析了当前移动机器人路径规划方法的主要研究成果。对移动机器人路径规划模型进行描述,介绍了人工势场法等传统方法,阐述遗传算法等智能算法,讨论了算法融合问题,对移动机器人路径规划的发展趋势进行了展望。     

基于改进蚁群算法的物流配送路径问题研究

在蚁群算法中采用新的信息素更新方式,对中小规模的物流配送路径问题进行求解．实验证明,该改进算法具有较好的全局寻优能力,在中小规模的物流配送路径问题求解中,取得了比较理想的效果．     

基于改进蚁群算法快速求解迷宫路径问题研究

针对传统蚁群算法收敛速度慢、搜索时间长、易陷入局部最优等缺点,在其基础上重新定义信息素更新方式。在搜索路径上进行选择优化处理,对搜索出的最短路径做平滑优化处理,使其能快速有效地搜索出最优路径。在解决迷宫路径问题上对传统蚁群算法进行了改进。仿真实验对比表明,改进后的蚁群算法在求解时间和距离上都远优于传统蚁群算法,能快速有效地求得问题的最优解,使解决二维路径问题得到进一步优化。     

基于改进花授粉算法的移动机器人路径规划研究

针对花授粉算法收敛能力较差等问题,将差分进化思想融入花授粉算法中,构建一种改进的花授粉算法。主要思路是在种群个体进行下一次演化之前,利用差分演化策略对个体作进一步优化,以改善解的质量,从而达到提高算法优化能力的目的。通过改进算法对机器人路径规划问题进行求解,实验结果显示,其获取的路径长度与寻优时间都优于FPA算法,验证了新算法的有效性与可行性。