机器人路径规划算法研究

在机器人设计中,路径规划是最基础也是最重要的因素之一,故对其算法研究尤为重要。利用传统路径规划算法与智能路径规划算法求解机器人路径规划问题,对智能算法、蚁群算法与遗传算法进行了MATLAB仿真,验证了蚁群算法与遗传算法求解路径规划问题的可行性。     

基于改进狼群算法的机器人路径规划研究

路径规划是移动机器人研究的关键技术,针对狼群算法在路径规划中存在收敛速度慢、搜索效率低的问题,提出了一种改进的狼群优化算法。以栅格法构建基于改进狼群算法的机器人路径规划模型,并采用游走机制来改善模型的局部寻优能力;采用智能奔袭方式提高改进狼群算法的自适应调节能力,以使算法收敛到全局最优。仿真实验结果表明:改进后的狼群算法在收敛速度、精度、自适应调节能力上均优于对比算法且在实现机器人路径规划上更有效。     

一种防震荡的机器人路径规划算法

移动机器人路径规划问题中,当机器人遇到较大障碍物时容易出现震荡现象,文章针对该问题提出一种基于栅格模型和蚁群算法的路径规划算法。当蚁群中的蚂蚁没有遇到障碍物时,优先选择离目标点最近的可行点;当蚂蚁遇到障碍物时,特别是较大障碍物时,改变蚂蚁选择下一步栅格的策略,使之能尽快绕开障碍物,朝着目的地前进。最后的仿真结果显示该算法能在一定程度上消除震荡现象。     

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     

基于ABC方法的足球机器人路径规划

人工蜂群(Artificial bee colony,ABC)算法是一种基于蜜蜂采蜜智能行为的优化算法,具有参数少、优化效果好等优点.足球机器人路径规划实质上是一个有约束的优化问题,本文将ABC算法应用到足球机器人路径规划中来.为适应ABC算法的自身特点和提高算法搜索的效率,在传统栅格法的基础上引入实际坐标系法,对环境进行建模;为了更好地评价食物源(即解)的性能,在进行碰撞判定的基础之上,引入罚函数方法,克服了传统适应度函数难以更好地表达粒子性能的缺点.仿真实验表明,该算法在足球机器人路径规划方面是可行的、有效的,并具有鲁棒性.     

基于QPSO方法的足球机器人路径规划

提出了一种基于量子粒子群优化算法（QPSO）的足球机器人路径规划方法。为适应QPSO算法的自身特点和提高算法搜索的效率,在传统栅格法的基础上引入实际坐标系法,对环境进行建模;为了更好地评价粒子（即解）的性能,在进行碰撞判定的基础之上,引入罚函数方法,克服了传统适应度函数难以更好地表达粒子性能的缺点。与PSO算法的对比仿真实验表明,该算法在足球机器人路径规划方面是可行的、有效的。     

一种基于A~＊算法的轮式机器人路径规划方法

提出了一种基于A＊算法的轮式机器人路径规划方法。首先,构建了轮式机器人运动模型,分析了圆弧和直线运动的实现;其次,阐述了机器人的环境有效移动空隙,并采用链接图法对环境进行建模;再次,结合A＊算法实现了机器人全局静态路径规划。实验验证了方法的有效性。     

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。     

改进的模糊控制算法在机器人路径规划中的应用

针对模糊控制算法存在局部最小值问题,提出了基于行为的模糊控制算法。首先将移动机器人的运动规划行为分解为避障行为和目标趋向行为,然后通过设定相关的模糊规则,设计避障行为和目标趋向行为,从而完成路径规划,最后采用MOBOTSIM对算法进行仿真实现,验证了该算法的有效性。     

基于混合粒子群算法的巡检机器人路径规划

针对巡检机器人路径规划问题,提出一种基于混合粒子群算法的路径规划方法,目的是当巡检机器人在工作区进行巡检时,为其提供一条最短路径。该方法引入遗传算法中的交叉和变异策略,对传统粒子群算法进行改进。试验结果表明,在70m×70m的工作区中,改进粒子群算法规划的最短路径长度相比传统粒子群算法和遗传算法分别减少43. 93m和23. 34m,其迭代次数相比传统粒子群算法和遗传算法分别减少34次和23次,验证了此改进算法的有效性。     

Neural network and genetic algorithm based global path planning in a static environment

INTRODUCTION The path planning problem of a mobile robot is to find a safe and efficient path for the robot, given a start location, a goal location and a set of obstacles distributed in a workspace. The robot can go from the start location to the goal location without colliding with any obstacle along the path. In addition to the fundamental problem, we also try to find a way to optimize the plan, say to minimize the time required or distance traveled (Wu et al., 1996; Sadati and Ta-he…     

Codebook design using improved particle swarm optimization based on selection probability of artificial bee colony algorithm

In the paper, a new selection probability inspired by artificial bee colony algorithm is introduced into standard particle swarm optimization by improving the global extremum updating condition to enhance the capability of its overall situation search. The experiment result shows that the new scheme is more valuable and effective than other schemes in the convergence of codebook design and the performance of codebook, and it can avoid the premature phenomenon of the particles.     

非线性随机扰动的粒子群优化算法

在惯性权重非线性递减策略的基础上,引入小阻尼振荡函数,提出一种新的非线性递减随机扰动的粒子群算法,通过2个基准测试函数对算法性能和收敛性进行了分析.实验仿真表明：相对于标准粒子群算法,新策略加快了收敛速度,在一定程度上避免了粒子群优化算法的早熟收敛问题.     

基于改进PSO的多传感器数据自适应加权融合算法

加权融合算法是多传感器数据融合中的常用方法,但加权因子的确定非常困难并直接影响算法的性能.文章提出利用改进的粒子群优化算法对各个传感器的加权因子进行自适应优化,引入种群进化度、聚合度来反映种群的多样性,当种群多样性低于阈值时执行变异操作,并交替使用基于聚合度、进化度的自适应惯性权重函数,从而避免算法陷入局部最优解.通过UCI数据集测例表明本文算法是一种较有效的多传感器数据融合方法,相对其它算法具有较高的融合精度.