一种家庭安保机器人运动路径规划的蚁群算法

由于家庭居住环境复杂,家庭安保机器人导航问题难于解决。使用传统蚁群算法,家庭安保机器人容易陷入搜索家庭环境局部极值的困境,无法找出在复杂环境下家庭最优的运动路径。因此,家庭安保机器人设计方案引入混沌理论改良局部个体的质量,利用混沌扰动,能够避免家庭机器人陷入搜索家庭环境局部极值的困境,由最初的混沌行为过渡到群体智能行为,使家庭安保机器人找到最优的运动路径。经仿真实验表明,在复杂的家庭环境下,家庭安保机器人也可以安全避障。     

具有感觉适应功能蚁群算法的机器人路径规划

用传统蚁群算法进行机器人路径规划具有收敛速度慢,容易陷入局部最优等缺点。为此,通过模拟蚂蚁的感觉特征,提出了一种具有感觉适应功能的蚁群算法,并应用到机器人路径规划中。算法设置蚂蚁的感觉能力随着在高强度信息素节点上的行走而降低,在快速收敛的同时保证搜索多样性。大量仿真实验表明,该算法有较强的搜索能力,不易陷入局部最优,即使在障碍非常复杂的环境下使用该算法,也能快速收敛到一条全局优化路径。     

复杂环境下的机器人路径规划蚂蚁算法

研究了全局静态环境未知时机器人的路径规划问题,提出了一种新颖的滚动规划蚂蚁算法.该方法将目标点映射到机器人视野域附近,再由两组蚂蚁采用最近邻居搜索策略相互协作完成机器人局部最优路径的搜索,机器人每前进一步,都由蚂蚁对局部路径重新搜索,因此,机器人前进路径不断动态修改,从而能使机器人沿一条全局优化的路径到达终点.仿真实验结果表明,即使在障碍物非常复杂的地理环境,用本算法也能迅速规划出一条优化路径,且能安全避碰,效果十分令人满意.     

改进蚁群算法在移动机器人路径规划中的研究

移动机器人合理的路径规划是进行探索任务的前提,针对移动机器人路径规划的复杂性,把蚁群算法引入到机器人路径规划中;普通的蚁群算法存在收敛速度慢、效率低和容易陷入局部最优等缺陷,难以直接应用于机器人路径规划中;提出一种在蚁群算法中改进信息素的更新方式、引入最大最小蚁群系统以及改进状态转移规则的移动机器人路径规划方法,在栅格环境下对移动机器人的路径规划进行仿真测试,仿真结果表明该方法能缩小最优路径的查找范围,降低发现最优路径所需的循环次数,能有效提高最优路径的搜索效率,整体性能优于普通蚁群算法。     

基于改进蚁群算法的机器人路径规划算法

针对机器人路径规划中,传统蚁群算法收敛速度慢、易陷入局部最优解等问题,提出了一种移动机器人路径规划的改进蚁群优化(ACO)算法。用栅格法建立环境模型,并基于人工势场建立启发信息素矩阵,降低了蚂蚁在初始阶段搜索的盲目性;引入激励函数,降低搜索过程中的死锁现象;改进信息素的更新机制,增强了优秀蚂蚁对全局路径规划的影响。仿真结果表明:改进后蚁群算法的机器人路径规划算法加快了收敛速度,具有较强的鲁棒性和全局寻优能力。     

BP-MPSO混合算法在机器人空间路径中的应用

在对PUMA机器人空间路径进行BP算法环境建模与目标建模的基础上,针对传统粒子群优化（PSO）算法搜索空间有限、容易陷入局部最优点的缺陷,提出了一种改进的粒子群优化（MPSO）算法。该算法引入了基于全局信息反馈的重新初始化过程机制,并对PUMA机器人空间路径进行了优化。仿真实验表明,该算法的应用不仅降低了求解逆运动方程的难度,还能得到全局最优解。显著地提高了PUMA机器人空间路径优化的效率。     

基于改进蚁群算法的机器人路径规划算法

针对传统蚁群算法搜索时间长、容易陷入局部最优解等缺点,提出了一种基于组合优化和起始目标导引函数的改进型蚁群算法.为备选结点引入优先级,采用状态转移概率和优先级的组合优化方法平衡各路径信息,避免陷入局部最优.搜索过程引入起始目标导引函数.优先搜索距起点远而距目标点近的结点.仿真结果表明,所提出的改进蚁群算法能够在较短时间内找到全局最优路径,显著提高移动式机器人的路径规划性能.     

动态环境下机器人多目标路径规划蚂蚁算法

研究了一种新颖的动态复杂不确定环境下的机器人多目标路径规划蚂蚁算法。该方法首先根据蚂蚁觅食行为对多个目标点的组合进行优化,规划出一条最优的全局导航路径。在此基础上,机器人按照规划好的目标点访问顺序根据多蚂蚁协作局部路径算法完成局部路径的搜索。机器人每前进一步都实时地进行动态障碍物运动轨迹预测以及碰撞预测,并重新进行避碰局部路径规划。仿真结果表明,即使在障碍物非常复杂的地理环境,用该算法也能使机器人沿一条全局优化的路径安全避碰的遍历各个目标点,效果十分令人满意。     

基于改进蚁群算法的机器人路径规划研究

在二维静态环境下的机器人路径规划中,采用基本蚁群算法寻优存在搜索时间较长、效率较低、容易陷入局部最优等问题。针对这些问题对基本蚁群算法进行改进,改进的蚁群算法使用不同的期望值机制,采用挥发系数自适应方式更新信息激素,并加入拐点参数作为路径的评价标准之一。对这两种算法进行仿真分析,可得改进后的蚁群算法比基本蚁群算法搜索能力更强,算法效率更高,所寻路径更短。结果表明,该改进算法提高了算法效率,抑制了算法陷入局部最优并实现了机器人最优路径搜索,使机器人可以快速地避开障碍物安全到达目标点。     

改进AOA结合贝塞尔曲线平滑的机器人路径规划

针对常规机器人路径规划方法的不足,提出结合改进阿基米德优化算法与贝塞尔曲线平滑的路径规划算法。引入混沌Circle映射进行种群初始化,提高初始种群多样性;设计自适应密度降低因子均衡算法全局搜索与局部开发;利用分段惯性权重赋予个体不同搜索和开发能力,降低陷入局部最优解概率。利用改进阿基米德算法对路径规划迭代求解,引入贝塞尔曲线平滑对生成路径平滑处理。实验结果表明,改进算法具有更短的路径长度和更好的路径平滑性。     

一种新基于混沌优化算法的机器人路径规划方法

提出了一种基于混沌优化算法的机器人路径规划方法,即混沌人工势场法，该方法能够在动态环境下实时、有效地产生避碰局部最优路径,避免了传统人工势场法容易陷入局部最优和在比较靠近的两个障碍物之间找不到通道的缺陷.仿真试验表明:提出的方法具有较强的路径规划能力，克服了传统人工势场法的缺点,具有较强的实用性.     

改进粒子群算法的三维空间路径规划研究

提出一种自适应混沌粒子群优化算法（SACPSO）用于三维空间路径规划。首先进行三维空间环境建模，并考虑使用路径长度、障碍物危险程度和路径平滑度三个评价函数来制定适应度函数；然后对算法中的三个控制参数提出了一种新的自适应更新策略，以此来动态调整算法的全局探索和局部开发能力；最后当种群陷入局部极值时，利用提出的自适应Logistic混沌映射对全局最优粒子进行混沌优化，引导种群跳出局部极值点。将该算法与其他改进的粒子群算法比较，结果表明，该算法在收敛到全局最优解时所用迭代次数更少，生成路径质量更高，有效地提高了粒子群算法应用于三维空间路径规划时的计算效率和可靠性。     

动态混沌蚁群系统及其在机器人路径规划中的应用

针对蚁群系统（ACS）解决机器人路径规划问题时种群多样性与收敛速度的不足,对蚁群系统引入动态混沌算子,从而平衡种群多样性和收敛速度之间的关系。动态混沌蚁群系统的核心是在传统蚁群系统引入Logistic混沌算子来增加种群多样性,从而提高解的质量。在迭代前期加入混沌算子,以调整路径中的全局信息素值,增加算法的种群多样性,从而避免算法陷入局域优化解;在后期则转为蚁群系统,来确保动态混沌蚁群系统的收敛速度。仿真结果表明,对于机器人路径规划问题,与蚁群系统相比,动态混沌蚁群系统具有更好的种群多样性、更高的解的质量和更快的收敛速度;与精英蚁群系统（EAS）和基于排序的蚂蚁系统（ASrank）相比,动态混沌蚁群系统能够平衡解的质量与收敛速度之间的关系,即使在复杂障碍物的环境下,动态混沌蚁群系统也能较好地找到最优解。动态混沌蚁群系统能够提升移动机器人路径规划中的效率。     

自适应遗传算法在机器人路径规划的应用

针对现有遗传算法在求解机器人路径规划存在的收敛速度慢、易陷入局部最优等缺点,提出一种基于自适应遗传算法的机器人路径规划方法。该方法引入逆转算子,增加插入算子和删除算子,提出新的自适应策略对交叉和变异概率进行调整,更好地避免陷入局部最优,提高算法寻优效率。该算法在MATLAB和Inte3D平台中进行算例验证,实验结果表明改进的自适应遗传算法比现有遗传算法更为有效。     

基于混合粒子群算法的移动机器人路径规划

为了确定复杂环境中移动机器人最优轨迹,提出了一种混合粒子群优化算法(IPSO-GOP).首先对粒子群优化算法进行改进,在算法运行的各个阶段对惯性权重进行自适应调整来增强粒子的搜索能力,并采用混沌变量对粒子进行扰动以提高收敛速度;其次,为了提高算法寻优能力,摆脱局部极小值并增加种群的多样性,引入遗传算法继承的多重交叉和变异两个进化算子(GOP)优化改进版本的粒子群算法(IPSO);最后,使用三次样条插值对该混合算法生成的路径进行平滑处理,得到无碰撞最短的几何连续路径.实验结果表明,多障碍物环境下IPSO-GOP算法减少了陷入局部最优的发生,加快了收敛速度;同时,与原粒子群优化算法(PSO)相比,该算法寻优能力显著,在路径规划问题上有明显的优势.     

基于电路地图的带拖车移动机器人路径搜索

采用电路映射地图进行环境建模,在等效尺寸的基础上对带拖车移动机器人的路径规划进行研究．这种方法在局部规划的同时,兼备了路径规划的全局性,有效地从根本上避免了人工势场法等局部分析方法容易陷入局部最优的不足．理论分析和仿真验证了本方法的可行性和正确性．     

一种改进的蚁群算法求解最短路径问题

蚁群算法是一种新型的模拟进化算法,为求解复杂的组合优化问题提供了一种新的思路。该文应用蚁群算法求解最短路径问题,对算法的选择策略、局部搜索、信息量修改三方面进行改进,使算法不易陷入局部最优解,并且能较快地收敛到全局最优解。实验结果表明,改进方法是合理的、有效的。     

基于传统遗传算法的改进排爆机器人路径规划研究

针对传统遗传算法进化速度慢、容易陷入局部最优点等缺陷,提出了改进 后新的路径规划算法。在判断路径中,基于闵科夫斯基原理对障碍物进行扩展;在构造路径 中基于可视图原理进行改进,构造机器人的真正可行区域;在最短路径中对遗传算法中种群 的初始化,个体的编码方法等问题做了详细的研究,并在选择算子中引入相似度的概念,大 大扩大了初始种群的范围,避免进入局部最优点。最后通过仿真实验验证了此算法的可行性。