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。     

基于改进遗传算法的移动机器入路径规划

介绍基于改进遗传算法的移动机器人路径规划,仿真结果证明该算法能够快速收敛到全局最优,对机器人工作空间的变化具有一定的适应能力。     

复杂环境下基于贝叶斯决策的机器人路径规划

提出了一种基于贝叶斯决策的机器人路径规划蚂蚁算法,该算法在路径节点选择方式上采用贝叶斯模型,通过后验概率对候选节点进行评估,解决了用传统蚂蚁算法进行路径规划时容易陷入局部最优的问题。仿真实验表明,机器人应用该算法可在复杂障碍环境下快速规划出一条全局优化避障路径。     

基于自适应动态窗口改进细菌算法与移动机器人路径规划

针对移动机器人在复杂环境下的路径规划问题,提出一种新的自适应动态窗口改进细菌算法,并将新算法应用于移动机器人路径规划。改进细菌算法继承了细菌算法与动态窗口算法（dynamic window algorithm, DWA）在避障时的优点,能较好实现复杂环境中移动机器人静态和动态避障。该改进算法主要分三步完成移动机器人路径规划。首先,利用改进细菌趋化算法在静态环境中得到初始参考规划路径。接着,基于参考路径,机器人通过自身携带的传感器感知动态障碍物进行动态避障并利用自适应DWA完成局部动态避障路径规划。最后,根据移动机器人局部动态避障完成情况选择算法执行步骤,如果移动机器人能达到最终目标点,结束该算法,否则移动机器人再重回初始路径,直至到达最终目标点。仿真比较实验证明,改进算法无论在收敛速度还是路径规划精确度方面都有明显提升。     

一种移动机器人路径规划新算法

快速搜索随机树（Rapidly-exploring random Tree Star,RRT*）算法在移动机器人实际应用中规划路径在转向部分存在较多的冗余转折点,导致移动机器人在移动转向过程中出现多次停顿与转向,为剔除规划路径中的冗余路径点,提高机器人移动流畅性,提出一种改进的 RRT*算法。算法将局部逆序试连法引入移动机器人路径规划,在确保RRT*算法概率完备性和渐进最优性的前提下,剔除规划路径中的冗余路径节点,使最终路径更加接近最短路径。通过MATLAB仿真实验证明,规划路径平均长度缩短4%,算法耗时缩短35%,改进后的RRT*算法能缩短规划路径且转向部分路径更加平滑。最后,使用改进后的RRT*算法在室内环境下进行移动机器人路径规划实验。实验结果表明：规划路径上无冗余路径点,且移动机器人沿路径移动流畅。     

基于自适应机制改进蚁群算法的移动机器人全局路径规划

针对基本蚁群算法在二维静态栅格地图下进行移动机器人路径规划时出现的搜索效率低下、收敛速度缓慢、局部最优解等问题,提出一种自适应机制改进蚁群算法,用于移动机器人在二维栅格地图下的路径规划.首先采用伪随机状态转移规则进行路径选择,定义一种动态选择因子以自适应更新选择比例,引入距离参数计算转移概率,提高算法的全局搜索能力以及搜索效率;然后基于最大最小蚂蚁模型和精英蚂蚁模型,提出一种奖励惩罚机制更新信息素增量,提高算法收敛速度;最后定义一种信息素自适应挥发因子,限制信息素浓度的上下限,提高算法全局性的同时提高算法的收敛速度.在不同规格的二维静态栅格地图下进行移动机器人全局路径规划对比实验,实验结果表明自适应机制改进蚁群算法具有较快的收敛速度,搜索效率明显提高且具有较好的全局搜索能力,验证了所提算法的实用性和优越性.     

改进的蚁群遗传优化算法及其应用

针对当前移动机器人的一些路径规划算法存在的局限性,提出了一种基于改进蚁群优化和遗传优化的融合算法。利用改进的信息素更新技术和路径节点选择技术使算法尽快找到优化路径,来形成融合算法的初始种群,机器人每前进一步,蚂蚁就对局部路径重新搜索,并处理随机出现的障碍物;然后利用遗传算法(GA)对种群个体进行全局优化,从而能使机器人沿一条全局优化的路径到达终点。仿真结果表明了该融合算法的可行性和有效性。     

一种移动机器人全局路径规划新型算法

针对模拟退火算法收敛速度慢这一缺陷，提出了一种基于共轭方向法和模拟退 火算法相结合的新型混合优化算法，并成功应用于机器人神经网络路径规划中．该算法可以 使优化解不陷入局部极值解而得到全局最优解．仿真实验研究表明：本文提出的这种新型混 合优化算法，计算简单，收敛速度快，显著提高了求解移动机器人全局最优化问题的计算效 率．     

融合改进A*算法和Morphin算法的移动机器人动态路径规划

在动态未知环境下对机器人进行路径规划,传统A*算法可能出现碰撞或者路径规划失败问题。为了满足移动机器人全局路径规划最优和实时避障的需求,提出一种改进A*算法与Morphin搜索树算法相结合的动态路径规划方法。首先通过改进A*算法减少路径规划过程中关键节点的选取,在规划出一条全局较优路径的同时对路径平滑处理。然后基于移动机器人传感器采集的局部信息,利用Morphin搜索树算法对全局路径进行动态的局部规划,确保更好的全局路径的基础上,实时避开障碍物行驶到目标点。MATLAB仿真实验结果表明,提出的动态路径规划方法在时间和路径上得到提升,在优化全局路径规划的基础上修正局部路径,实现动态避障提高机器人达到目标点的效率。     

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。     

面向机器人全局路径规划的改进蚁群算法研究

针对基本蚁群算法在机器人路径规划过程中路径转弯角度过大、易陷入局部极小值、收敛速度慢等问题,对其进行改进。在分析机器人路径规划环境建模方法基础上,将转角启发函数引入至节点选择概率公式,以增强路径选择指向性,提高算法搜索速度;通过引入当前节点与下一节点之间的距离和下一节点与目标节点距离之和的二次方对启发函数进行改进,使得算法搜索过程更有针对性,并降低陷入局部极小值概率;提出信息素挥发因子自适应更新策略,扩大算法搜索范围,提高收敛速度;利用遗传算法的交叉操作对移动路径进行二次优化,以增强算法的寻优能力,进而以Floyd算法为基础引入路径平滑操作,减少移动路径节点。在MATLAB中与其他算法通过求解多个单模测试函数与多模测试函数进行对比,并在栅格法环境建模中进行机器人全局路径规划仿真对比实验,以验证改进算法在路径寻优速度和质量上更具优越性。仿真结果表明,改进后的蚁群算法具有一定的可行性和有效性。     

基于ACS算法的移动机器人实时全局最优路径规划

以Ant Colony System（ACS）算法为基础提出了一种新的移动机器人实时全局最优路径规划方法.这种方法包括三个步骤:第一步是采用链接图理论建立移动机器人的自由空间模型，第二步是采用Dijkstra算法搜索出一条无碰撞次优路径，第三步是采用ACS算法对这条次优路径的位置进行优化，从而得到移动机器人的全局最优路径.计算机仿真实验的结果表明所提出的方法是有效的，可用于对移动机器人进行实时路径规划.仿真结果也证实了所提出的方法在收敛速度、解的波动性、动态收敛特征以及计算效率等方面都具有比采用精英保留遗传算法的移动机器人路径规划方法更好的性能.     

基于异构双种群全局视野蚁群算法的移动机器人路径规划研究

针对蚁群算法中存在的算法收敛速度慢、逼近最优解能力不足等问题,提出一种基于异构双种群全局视野的蚁群算法,并将其应用于移动机器人路径规划领域。首先,研究基于异构蚁群的并行结构,通过差异化种群的相互协作提高蚁群算法的收敛速度和规划最优路径的能力;然后,研究具有全局视野的自适应步长,解决蚁群算法因局部视野导致无法搜索到最优步长的问题;最后,研究信息素初始化以及信息素更新方式,改进传统蚁群算法运行初期搜索无序性以及信息素更新不合理等问题;实验结果表明,该算法在逼近最优解能力和提高收敛速度等方面较对比方法有着显著提高,在测试的几种仿真地图中,平均路径长度优化了12%,平均迭代次数和平均运行时间分别减少了67%和82%。     

基于改进蚁群算法的机器人路径规划问题研究

针对蚁群算法收敛速度慢,容易陷入局部最优的问题,结合A*算法和蚁群算法提出了一种解决机器人路径规划问题的改进蚁群算法。自适应调整启发函数,在路径的后程借鉴启发式A*算法的估价函数,在ACS算法的启发函数中引入方向信息,提高算法的搜索效率,同时动态调整权重系数改变目标点的方向信息在蚂蚁移动过程中的影响,以平衡ACS算法解的多样性和收敛速度慢之间的关系。仿真实验表明,该算法不但可以提高收敛速度,而且在改善解的质量方面也取得了较好的效果。     

基于改进粒子群算法的移动机器人路径规划

为了提高复杂环境下移动机器人的精准导航作用,提出了移动机器人路径规划的改进粒子群优化(PSO)算法,即利用粒子个体极值的加权平均值,同时加入惯性权重.建立了移动机器人工作环境的栅格模型,利用Matlab软件进行移动机器人路径规划仿真分析.仿真结果表明:改进后的粒子群算法容易使粒子移动到最佳位置,加强了全局寻优能力,在复杂环境中搜索路径性能优于传统算法.     

基于改进蚁群算法的移动机器人平滑路径规划

针对移动机器人提出了基于改进蚁群算法的平滑路径规划方法。为了克服蚁群算 法解决路径规划问题时存在的收敛速度慢的缺点,对启发因子的矩阵初始值及更新方式进行了 改进,启发因子改进后的结果与之前相比,平均路径长度减少了 17.6%,平均收敛代数减少了 93.1%;对于栅格环境下存在障碍物时机器人累计转弯角度大的问题,提出了控制点转移策略, 在上一步改进的基础上,通过对控制路径走向的栅格中心点向栅格角顶点的转移,实现了路径 规划的平滑改进。路径规划仿真结果表明,与平滑改进前相比,平滑改进后机器人的平均路径 长度减少了 4.28%,累计转弯角度减少了 52.58%。     

机器人全局路径规划的混合蚁群系统算法

针对蚁群算法易陷入局部最优的缺点以及收敛速度与局部最优的矛盾,提出一种求解移动机器人全局路径规划的改进混合蚁群系统算法。该算法由两部分组成：Dijkstra算法用于规划出一条次优路径;进一步用改进的蚁群系统算法优化次优路径以获得最优路径。在改进的蚁群系统算法中,首先定义了一种新的启发信息函数来增加种群多样性;然后给出改进的交叉算子避免算法陷入局部最优,并进一步提高解的质量。仿真结果表明：所提出的算法与参考文献中的算法相比搜索效率更高,解的质量更好,性能更优。即使在障碍物复杂的环境中,对于多目标点问题,该算法仍能规划出较好的目标遍历路径,且用时时间较少。     

基于双向搜索的改进蚁群路径规划算法

针对移动机器人在复杂地图环境中移动耗时长、易陷入局部最优等问题,设计了一种基于双向搜索的改进蚁群路径规划算法。基于K-means算法对地图预处理,量化地图的局部复杂度程度,并将局部环境信息融合到状态转移概率函数,使机器人优先选择在复杂程度小的区域进行寻优,减少路径拐点。设定双向搜索规则,改进启发函数,提高算法的局部方向搜索精度和全局搜索效率。针对蚁群算法中蚂蚁遇到U障碍物陷入死锁的问题,提出死锁判断系数,增加了有效蚂蚁的数量,进一步提高了算法性能。仿真结果表明所设计的算法在复杂地图环境中相较于传统蚁群算法移动机器人的路径搜索效率更高。     

基于正反馈自适应遗传算法的机器人路径滚动规划*

针对传统遗传算法求解机器人路径规划问题存在的收敛速度较慢的缺陷,将蚂蚁算法、模拟退火算法、滚动规划和遗传算法相结合,提出了一种新颖的基于正反馈自适应遗传算法的滚动规划。仿真实验表明,即使在复杂的未知环境下,利用本算法也可以规划出一条全局优化路径,且能安全避碰。