改进蚁群算法求解移动机器人路径规划

在全局静态环境下,提出一种改进蚁群算法,解决传统蚁群算法用于路径规划出现的收敛速性差、局部最优和求解质量差等不足。该算法引入障碍物排斥权重和新的启发因子到路径选择概率中,提高避障能力,增加路径选择的多样性;然后,设置局部信息素的阈值和限定范围更新局部信息素,采用交叉操作获取新路径,引入最优解和最差解,改变全局信息素的更新方式,提高全局搜索能力和解的质量,避免算法陷入局部最优。仿真结果表明,该算法能有效获得最优路径,在长度上比蚁群算法及其他算法分别减少了18%、5.7%和11%,算法迭代次数及运行时间都有所降低,提高了收敛速度和搜索能力。     

融合 A∗ 蚁群和动态窗口法的机器人路径规划

针对蚁群算法在全局路径规划时无目的搜索、收敛慢和规划的路径不平滑等问题,本文提出了一种融合 A ∗ 蚁群和动 态窗口法(dynamic window algorithm, DWA)的平滑路径规划方法。 首先,对于传统蚁群算法,利用改进 A ∗ 算法非均匀分配初始 信息素,解决算法初期搜索无目的问题;给出算法自定义的移动步长和搜索方式,提高路径寻优效率;修改转移概率函数中的启 发函数值并增加障碍物影响因子,在避免死锁现象的同时加快收敛速度;采用二次路径优化策略,使得路径更短更平滑;其次在 动态窗口法的评价函数中引入动态避障评价子函数,提高路径的安全性。 仿真实验结果表明,改进 A ∗ 蚁群算法较传统蚁群算 法可减少 8. 75%的路径长度和 59%的转折点数,融合优化动态窗口法后,移动机器人既能保证在静态环境下规划出全局最优 的路径,又能实现动态环境下的路径规划,有效躲避环境中出现的动态障碍物。     

基于改进蚁群算法的输电网络扩展规划

针对基本蚁群算法在求解过程中经常出现搜索陷入局部最优解和收敛到全局最优解的时间较长这2个问题,对蚁群算法的转移概率和信息量全局更新进行了改进,提高了蚁群算法搜索全局最优解的能力与收敛到最优解的速度.将改进后的算法应用于单阶段输电网络扩展规划问题,建立了单阶段输电网络扩展规划的数学模型,设计了相应的算法.实例计算结果表明该方法的可行性和有效性.     

基于改进蚁群算法的配电网重构

配电网重构可以提高配电网运行的安全性、经济性和供电质量,对于当前国内配电自动化系统的建设和应用具有重要意义。以网络损耗最小为目标,提出了一种改进的蚁群算法来求解正常运行条件下配电网络的重构问题。针对基于蚁群算法在求解过程中存在搜索易陷入局部最优解和收敛到全局最优解的时间较长的缺点,从蚁群算法的转移概率和信息素动态更新2方面进行了改进,提高了蚁群算法全局搜索能力与收敛到最优解的速度。最后通过对69节点配电系统算例的仿真,取得了较好的效果,证明了该算法的有效性和可行性。     

基于改进蚁群算法的电力巡检路径规划

针对传统蚁群算法求解电力巡检路径规划问题存在搜索时间长、容易出现停滞,从而限制其向全局优化解收敛的缺点,通过混沌扰动初始化算法和分流蚁模拟退火算法等改进蚁群算法,增加蚂蚁寻找路径的随机性,进而克服传统蚁群算法的缺点。数值仿真给出两种改进算法求解的电力巡检路径,相比传统蚁群算法更短,表明改进蚁群算法获得的全局优化解相比传统蚁群算法更为经济。     

基于改进粒子群算法的三维路径规划研究

针对基本粒子群算法(PSO)收敛速度快、易早熟，容易陷入局部误区的问题，提出了粒子群-人工蜂群混合算法(PSO-ABC)，并将提出的算法应用于无人机三维环境下的路径规划。该算法在改进粒子群算法的基础上，融合了人工蜂群算法来对无人机三维路径进行全局规划。首先引入非线型惯性权重和收缩因子，改进粒子的速度公式，然后利用人工蜂群算法的搜索算子对最优解再一次寻优，解决了粒子群算法因局部搜索能力较差陷入局部误区的问题。本文在三维环境下设置了两组实验，对比粒子群-人工蜂群混合算法与粒子群算法、人工蜂群算法的路径寻优性能。实验结果显示，本文提出的算法路径寻优能力有所提高，相比于粒子群算法，提高了6.1%，相比于人工蜂群算法提高了6.9%。     

基于改进蚁群算法的无功优化研究

建立了网损最小的数学模型,对蚁群算法的缺陷进行改进,包括对蚁群搜索到的路径进行排序,自适应调节路径上释放的信息素.同时又在信息素更新机制里引入微分进化算法的发散项,提高算法的收敛速度和全局寻优能力.通过IEEE-30节点的仿真计算,验证了改进蚁群算法在电力系统无功优化领域的可行性和有效性.     

改进变步长蚁群算法的移动机器人路径规划

针对移动机器人在蚁群算法路径规划中存在陷入局部收敛且无法做到路径最优的问题,提出了改进变步长蚁群算法, 使其能够在收敛迭代次数较少的情况下做到路径最优。 针对蚁群算法应用在路径规划中的相关特性,优化信息素分配,降低局 部信息素含量对算法的影响,避免蚁群在搜索路径时陷入局部最优,在转移概率公式中增加权重因子,提高移动机器人朝着终 点方向移动的概率,有效减少蚁群收敛迭代次数,改变移动机器人移动步长,使其能在 360°内自由无碰撞移动,有效缩短路径 长度。 仿真结果表明,在简单环境下,改进变步长蚁群算法的收敛迭代次数及最优路径长度分别为 2 次及 28. 042 m,传统蚁群 算法的收敛迭代次数及最优路径长度分别为 25 次及 29. 213 m;在复杂环境下,改进变步长蚁群算法的收敛迭代次数及最优路 径长度分别为 2 次及 43. 960 2 m,改进势场蚁群算法的收敛迭代次数及最优路径长度分别为 16 次及 45. 112 7 m。 仿真结果验 证了改进变步长蚁群算法的有效性和优越性。     

基于ACO-PSO算法的变电站巡检机器人路径规划研究

针对机器人路径规划的传统ACO(蚁群)算法存在迭代次数多、收敛速度慢、容易陷入局部最优和出现死锁状态等问题,提出一种改进的ACO算法。结合PSO(粒子群优化)算法对传统ACO算法进行改进,减少迭代次数,提高收敛速度;通过增加随机性来扩大搜索范围,避免局部最优;利用蚂蚁回退策略解决死锁状态问题。仿真实验结果表明:改进ACO算法可以快速准确地搜索到最优路径,具有很好的寻优与避障能力。     

对特高压变电站巡检机器人路径规划改进蚁群算法的研究

针对当前变电站巡检机器人路径规划算法存在的规划和适应性较弱等问题,在特高压变电站巡检机器人系统结构的基础上,提出了一种结合蚁群优化算法和人工势场算法的特高压变电站路径规划方法。将蚁群算法的传统单向搜索改进为双向搜索,在启发因子中加入人工势场力的合成方向,并对转移概率进行改进。通过栅格法构建特高压变电站仿真环境,进一步验证了所提规划方法的优越性。仿真结果表明,改进算法具有显著改善迭代次数和最小路径的效果,20×20栅格环境迭代15次收敛到长度26的最优路径,30×30栅格环境迭代70次收敛到长度43的最优路径。     

基于模式记忆并行蚁群算法的输电网规划

该文讨论了目前大规模输电网规划求解中常见的无法完成对解空间的充分搜索，从而难于求得全局最优解的问题；给出了泛函形式的输电网规划模型，并重点分析了输电网规划解的模式。在分析了传统蚁群算法易产生未成熟收敛现象及其原因的基础上，设计了一种基于模式记忆的并行蚁群算法，该算法通过模式记忆实现了解空间分解，能够有效地识别、记忆和跳出局部最优解；通过局部细化搜索进一步加强了局部搜索能力；通过并行计算提高了计算速度。某实际77节点的算例分析表明了该算法具有很高的计算效率和优秀的局部、全局收敛性，有效克服了现代启发式算法在求解输电网规划问题时存在的效率不高及未成熟收敛等现象。     

动态环境下基于改进蚁群算法的路径规划研究

近年来,路径规划作为移动机器人技术研究中的一个重要领域而备受关注。针对传统蚁群算法在搜索过程中存在容易陷入局部最优并且收敛速度慢的缺陷,借鉴狼群分配原则改进信息素的更新方式,加快了算法的收敛速度。随后,针对传统蚁群算法对动态路径适应性低的问题,基于预测控制理论,在路径规划过程中加入滚动窗口,能使移动机器人更好地避开环境中的动态障碍物。仿真结果表明,改进后的算法更加适合移动机器人实际所处环境的路径规划。     

跳点优化蚁群算法的移动机器人路径规划

传统的蚁群算法（ACA）在路径规划中难以克服路径次优及收敛慢等问题。针对这些问题，提出一种跳点优化蚁群算法（JPOACA）。通过引入跳点搜索（JPS）算法价值函数，筛选出低成本的邻域节点，然后运用ACA的多邻域性扩展JPS算法的邻域，扩大JPOACA的视野，增加低成本邻域数量，在低成本的JPS算法邻域内设计夹角启发信息函数和步长启发信息函数，提高算法的路径寻优能力，最后采用在跳点处补充信息素，最优路径的跳点处额外增加信息素的信息素补充方式，提高融合算法的收敛速度。仿真结果表明，JPOACA规划出的路径光滑更好性，且收敛速度、对复杂地形的适应能力均有显著提升。     

结合蚁群算法和萤火虫算法的无人船路径规划

为提高无人船在执行水质采样任务时的路径规划效率，提出一种结合蚁群算法和萤火虫算法的路径规划算法。首先，在构建最短采水路径网络时，将转向角代价启发函数引入传统蚁群算法，减少路径搜索结果中的频繁转向；其次，剔除搜索结果中的冗余结点，进一步减少无人船转向次数，使所求得路径更适用于无人船实际航行。最后，在求解最优采样顺序时，基于随机修正的方式设计了一种改进的萤火虫算法，提升了算法的收敛速度。仿真实验结果表明，本文所设计算法能够完成水质采样任务路径规划任务，相比传统算法，搜索效率更高，有效缩短了总路径长度。     

多层优化蚁群算法的移动机器人路径规划研究

针对地图环境建模以及蚁群算法存在的问题,提出了一种移动机器人路径规划的多层优化方法.首先对U型陷阱栅格区域进行凸化处理,避免前期搜索混乱;设计新的状态转移规则,解决常规蚁群规划的路径过于紧贴障碍物的问题;改进距离启发式函数,有效提高算法收敛速度;设计平滑启发函数,增加蚂蚁局部探索时直行的机率,提升初始路径平滑性;提出按路程长度和平滑程度分配信息素的更新原则,利用优质蚂蚁进行全局信息素更新,进一步提高算法收敛速度;利用最大最小蚂蚁策略,防止蚁群陷入局部最优;通过二次路径优化策略,去除多余冗余点,进一步提升路径平滑性.仿真及实验结果表明,该方法能为移动机器人规划出一条安全且综合性能较好的路径,为路径规划的求解提供了一种切实可行的方法.     

多阶段输电网络最优规划的并行蚁群算法

多阶段输电网络最优规划是一个复杂的非线性组合优化问题,难以采用传统的数学优化方法求解。蚁群算法是近年来出现的用于解决组合优化问题的一种高效的内启发式搜索技术,但存在着未成熟收敛问题。文中给出了多阶段输电网络最优规划的数学模型及其解的向量形式;详细分析了传统蚁群算法的未成熟收敛现象及其原因;提出一种并行蚁群算法并用于求解多阶段输电网络最优规划问题。并行蚁群算法无需初始可行解,能很好地协调局部搜索与全局搜索,在加快计算速度的同时有效地避免了因参数设置、种群规模等不同而引起的未成熟收敛。对实际算例的计算结果表明,该方法具有很高的计算效率和良好的全局收敛性。     

蚁群算法在无人驾驶智能车中的应用及改进

无人驾驶智能车的最优路径问题是路径规划的核心问题,而算法的选择是其关键.选用的是模拟仿生类蚁群算法,针对传统的蚁群算法在搜索时间和运算速度上还有待提高,我们从信息素的更新方式及局部搜索策略方面进行了改进,并且将虚拟路径这一概念应用于动态路径规划中.在考虑了多种状态参数后,我们得出结论是实际路径最短的不一定就是最优路径,还需要取决于各状态参数的取值,这样的改进满足了车载系统的一些实时性和可行性要求.