基于方向距离顺序处理的路线优选算法改进

介绍了从距离和方向角度出发对最短路径算法进行了优化,提出障碍物规避原则基础上的路线选择办法,从距离优化和方向优化着手依据路径选择的特点,形成促成算法改进的基本思想和原理。阐述了优化后算法的实现过程和原理,最后通过实例证明了优化后的算法便于使用,提高了计算效率。     

一种改进的机器人路径规划蚂蚁算法

传统蚂蚁算法存在路径点转移方向未能快速确保为收敛方向，所有路径点同时转移容易导致各点配合不好而使总距离产生振荡的缺陷。根据蚂蚁嗅觉引导行为的原理．使蚂蚁路径点位置转移方向在迭代计算中能保证为收敛方向，减少概率选择公式的求和项数，加快了收敛速度：对迭代算法进行改进，按需要转移的迫切程度来选择路径点．避免了总距离出现振荡。     

多方向无人水面艇路径规划算法

针对海洋环境下无人水面艇路径（USV）规划安全性与平滑性问题，提出一种多方向A^*路径规划算法以获得全局最优路径。首先，结合电子海图生成栅格化环境信息，并根据安全航行距离约束建立USV安全区域模型，在传统A^*算法基础上设计一种带安全距离约束的A^*启发函数来保证生成的路径节点的安全；其次，改进传统A^*算法的八方向搜索模式，提出一种多方向搜索模式来调整生成路径中的冗余点与拐点；最后，采用路径平滑算法对路径拐点进行平滑处理以获得满足实际航行要求的连续平滑路径。在仿真实验中，改进A^*算法规划的路径距离为7 043 m，相较于Dijkstra算法、传统A^*四方向搜索算法和传统A^*八方向搜索算法分别降低了9.7%、26.6%和7.9%。仿真结果表明改进后的多方向A^*搜索算法能够有效减小路径距离，更适用于USV路径规划问题。     

基于改进A*算法机器人路径规划研究

针对移动机器人全局路径规划问题提出一种改进A*算法。首先建立栅格地图,基于传统A*算法,进行邻域扩展,将传统8邻域扩展到24邻域,使路径方向具有更多选择,减少不必要的转折点。优化改进A*算法的启发式函数,不再采用单一的曼哈顿距离或者欧几里得距离,将其进行融合改进,剔除路径中冗余节点和多余转折点。最后将全局路径与动态窗口法相结合,结合各自的优点,充分考虑到机器人全局最优路径的同时能安全避开障碍物,得到一条平滑轨迹。各个算法进行验证之后采用ROS平台对系统进行仿真分析,实验结果表明,改进后算法具有更优秀的路径规划能力。     

特征地图的室内机器人路径规划融合算法

为利用特征地图计算效率高的优点,同时解决传统动态窗口法对全局参数敏感的问题,提出一种基于特征地图的路径规划融合算法。通过给出适用于路径规划的特征地图表达方式,改进机器人与障碍物间距离的计算方法,实现了特征地图中障碍物的检测;结合爬虫（Bug）算法的基本原理和线段特征的属性,使用搜索优化算法,先搜索全局可行路径,再进行节点优化得到全局最优路径的关键节点,并对内外角点处搜索方向选择、障碍物端点绕行等问题提出了解决方法;针对传统动态窗口法对全局参数敏感性高的问题,分析了目标函数中各参数在路径不同位置对规划路径的影响程度,使用动态参数的方法对原目标函数进行改进;算法融合时,改进方向函数的计算方法,解决了机器人在路径中间节点出现明显减速的问题。经仿真实验验证,搜索优化算法有效,改进后的动态窗口算法降低了参数的敏感性,融合算法在计算效率方面有较大的优势,计算耗时最多减小79.27%,最少减小43.16%,而且机器人移动更平滑。     

蚁群算法在公交路径查询中的应用

结合公交乘客出行的特点,提出了基于蚁群算法的公交出行路径查询算法。利用蚂蚁觅食的原理寻找最优解,即选择某路径就给该路径赋予一定的信息素,信息素值越大,成为最优路径的可能性也越大;给出了详细的算法思想和具体实现步骤。该算法实现了换乘次数最少和出行路径最短的优化目标。     

扇形优化Dijkstra算法

Dijkstra算法无数次遍历所有的临时标记结点，无疑成为该算法的一个瓶颈。在分析Dijkstra算法的基础上，结合平面网络的特点，从限制搜索范围和限定搜索方向两方面着手，在扇形区域内寻找最短路径，从而完成对Dijkstra算法的优化。优化算法基于有损算法，抛弃寻找最短路径时概率较小的顶点，直接寻求在方向和位置上趋向终点的顶点。它根据用户给出的起始顶点与目标顶点以及搜索的扇形角度查找最短路径。因此，在优化算法中，频繁遍历的顶点数量大幅度减少，提高了算法的速度和运行效率。     

动态调整路径选择的蚁群优化算法

针对蚁群算法收敛速度慢和存在停滞现象的缺点,提出对比度增强的路径选择规则以增强其全局搜索能力,选择规则加强了对反馈信息的利用,能加快算法的收敛速度,通过信息熵来动态控制对比度增强的方向,在避免算法停滞的同时加快了算法的收敛速度。将改进后的蚁群优化算法与传统的蚁群优化算法进行比较,仿真实验结果表明,改进算法具有较好的稳定性和全局优化性能,且收敛速度较快。     

基于启发式机器人路径规划仿真研究

研究路径规划优化选择问题,路径规划一直是工业机器人需要解决的重点技术。为了使机器人的移动目标位姿寻找无碰撞路径,针对传统的A*的路径规划算法对路径规划选择时容易陷入"死循环",而且找到的路径并非最优路径等缺陷。为解决上述问题,提出了一种在原A*算法的基础上改进为新的双向A*递归路径规划算法,首先通过加入搜索方向因子,充分利用硬件资源和并行编程技术,遍历路径中的所有节点,当某一节点前后节点连线上无障碍物时,将延长线路的中间节点删除,从而建立双向A*模型。仿真结果表明,改进后的算法性能优于标准A*算法以及蚁群算法,并使路径选择得到优化。     

基于栅格空间V图的无人机路径规划

在进行无人机低空飞行的路径规划时,障碍物已不能简单的简化为点状;针对该问题,首先将带有面状障碍物的图片格式地图以像素为单位进行栅格划分,在定义了栅格距离后,进行距离变换,并运用边界跟踪方法生成栅格空间V图;其次,将A-Star算法的启发思想引入到蚁群算法中,并修改了启发信息计算公式以使蚁群算法更适合于栅格空间优化;最后,以栅格空间V图为初始路径,运用改进的蚁群算法进行优化选择,得到了满意的路径规划结果。     

融合环境信息和运动约束的改进A*算法研究

标准A*算法存在着无法考虑移动机器人运动特性及处理后的路径不利于移动机器人运动等问题。针对这一问题提出了一种新改进A*算法,通过环境信息引入障碍物权重系数来改进算法的启发函数并进行全局路径规划;优化搜索节点的选取方式和设定障碍物与路径之间的安全距离;基于对移动机器人的运动特性的考虑优化其路径,并在不同环境地图中与其他算法进行仿真实验对比分析。相关实验表明：基于新改进A*算法规划的路径始终与障碍物保持一定的安全距离;改进A*算法在时间上相比标准A*算法平均减少了80%,路径长度平均减少了2%,路径转角平均降低了82%。改进后算法相比其他算法在时间、搜索节点以及平滑度上有很大的改进,融合机器人环境信息和运动特性的规划路径算法可为移动机器人的路径规划提供一种新的方法。     

多方向螺旋搜索的混沌海鸥优化算法

针对海鸥优化算法(SOA)寻优路径单一、寻优精度较低、易陷入局部最优等问题，提出新的多方向螺旋搜索的混沌海鸥优化算法(Multi-directional Exploring Seagull Optimization Algorithm Based On Chaotic Map MESOA).首先，利用混沌序列对海鸥种群进行初始化，令海鸥个体分布更加均匀，能够更加准确地接近目标；其次，让海鸥选择不同方向的螺旋飞行路径，使海鸥飞行路径不再单一，增加算法多样性；最后，根据算法收敛情况进行围绕目标的小范围搜索，避免算法过早收敛，提高算法跳出局部最优的能力.本文选取了8个基准测试函数对算法进行了实验，以不同角度对于算法的性能进行测试，并使用Wilcoxon秩和检验来证明算法的性能，结果表明了MESOA算法改进在寻优能力、稳定性、鲁棒性等方面均有提升.     

基于改进蚁群算法求解迷宫最优路径

蚁群算法是一种基于群体智能原理的优化模型,用于解决组合优化问题。该文在蚁群算法的选择策略方面进行改进,提出了基于改进蚁群算法求解迷宫最优路径的算法。     

Walker星座中一种新的最短路径路由算法

利用卫星运行的规律性和星际链路连接的规则性,提出了Walker星座中的缩水最短路径路由算法.算法根据最少跳数下最短路径的路由选择原则,将路由选择分为方向估计与方向选择两个阶段,方向估计阶段给出使得路径跳数最少的节点的两种选择方向,方向选择阶段基于方向估计的成果划定路径搜索的节点空间,最终得到使得路径距离最短的第一选择方向.通过分析与仿真,在算法的运算量与有效性方面将缩水最短路径路由算法与Dijkstra算法进行比较,结果显示,在有效性几乎一致的情况下,缩水最短路径路由算法减小了搜索空间,从而使算法的运算量有了大幅下降.     

带模糊需求的开放式选址路径问题的混合离散蘑菇繁殖算法

针对带限制的开放性选址路径问题的研究,考虑模糊需求的条件下,以仓库选址成本、车辆行驶距离成本、机会损失成本、额外距离等目标之和最小化的要求建立数学模型。通过对蘑菇繁殖算法的改进,使用部分映射交叉和路径重连算法代替原算法中父代更新方式;在邻域搜索部分使用概率法进行邻域选择;使用随机模拟程序对设计好的路径进行模拟,计算因服务失败而产生的额外行驶距离与机会损失成本。在保留算法原有特性的情况下使其成功应用于组合优化问题;通过一系列算例测试与对比,验证了模型的正确性与有效性以及混合离散蘑菇繁殖算法的计算效率和优化能力。     

城市交通最优路径算法

城市智能交通系统中,最优路径算法及其优化是研究热点之一,是整个交通系统较为核心的部分.结合图论中最短路径算法,研究了城市交通可达路径算法,并对其进行了有效优化.通过图论中的路径代价函数,提出了城市最优路径算法,在此基础上,通过优化搜索区域、可达路径的搜索方向以及路网分层搜索等优化策略,达到了优化城市最优路径算法的目的,提出的城市最优路径及其优化算法能够给出行者提供多条参考的时间最优路线,方便出行者选择.通过算法的应用实例,验证了城市最优路径及其优化算法的有效性与实时性.     

改进粒子群优化算法的移动机器人路径规划

针对单一智能优化算法求解机器人路径规划时易陷入局部误区的问题,提出改进粒子群优化算法(GB_PSO)用于机器人路径规划.该算法以粒子群优化算法(particle swarm optimization,PSO)为主体,由于遗传算法(genetic algorithm,GA)和细菌觅食算法(bacterial foraging optimization algorithm,BFO)更新策略所受环境影响的不同,拟合两种环境参数;然后计算粒子与不同环境参数之间的相关性将粒子群划分为两类,分别通过GA的选择、交叉、变异算子和BFO的趋化操作并行加强局部优化;最后通过改进的粒子群更新公式对粒子进行更新,实现机器人全局和局部路径的优化.实验结果表明,改进粒子群优化算法进行路径规划提高了局部和整体的搜索能力,路径规划速度快且路径距离短,同时具备更强的鲁棒性.     

基于改进蚁群算法的无人天车路径规划

针对无人天车在吊运过程中的路径规划问题,提出了改进蚁群算法以优化天车路径.首先,综合考虑无人天车的行驶距离和任务等待时间,建立具有时空约束的路径规划数学模型.其次,改进常规蚁群算法的启发信息和信息素更新机制,并根据任务执行顺序限制条件和任务优先级系数改进蚂蚁的路径选择策略,以得到改进的蚁群算法.仿真结果表明,改进蚁群算法规划所得路径在路径长度和任务等待时间上均优于传统算法,证明了应用改进方法优化无人天车路径的可行性和有效性.     

用于局部检测路径优化的遗传算法及其控制参数优化

在对传统算子分析的基础上,提出了一种对求解大规模路径优化问题很有效的杂交算子－贪婪选择杂交算子。该算子采用与优化问题直接相关的距离信息指导子代的产生过程,使新生成的子代路径在局部向距离更短的方向发展。同时利用正交实验的方法对算法中的控制参数进行了优化,大大提高了算法优化能力。而且缩短了程序运行的时间,具有很大的实用价值。     

基于A*算法的停车场路径引导设计

为提高停车场停车效率和选择最佳停车位,根据停车场的车位布局及车位使用状况,设计了泊车路径规划模型。把空闲车位抽象为二维坐标系的坐标点,分别计算其距离用户位置的曼哈顿距离,选取曼哈顿距离最小值的停车位为最优车位。选用改进的A*算法为停车路径规划算法,为进一步优化算法遍历过程,使之更加适用于停车场车位分布较分散的情况,以停车位对应路段为遍历节点进行路径搜索,并完成路径规划,结果表明:该方法有效地去除了冗余节点,提高了算法遍历速度。