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。     

基于改进A*算法的AGV路径规划

相对于传统的物流仓库来说, 现在很多的自动化仓库不再使用工人去分拣货物, 而是使用自动引导车完成货物的分拣, 将“从人到货”的工作模式变为“从货到人”, 这种工作模式的转变, 不仅解放了工人的劳动力, 同时还实现了自动化仓库的机械化与自动化的结合, 大幅度地提升工作效率. 自动引导车在自动化仓库分拣货物的过程中一个重要的环节就是路径规划问题. 针对仓库中自动引导车的路径规划问题, 对传统的A*算法提出改进. 传统A*算法规划出来的路线具有路径过长、转折角度较大、路径不够平滑的缺陷. 针对以上缺陷, 提出动态加权以及改变搜索邻域的方法对传统A*算法进行改进, 因此减少了搜索节点, 提高了搜索速度. 同时多次使用高阶贝塞尔曲线对改进后的A*算法规划出来的路线进行平滑处理, 减少了转折点. 最后进行3组仿真实验对比, 证实本文提出的改进是有参考价值的.     

融合改进A*蚁群和滚动窗口法的平滑路径规划

针对蚁群算法应用于移动机器人路径规划时,出现的死锁、收敛慢、易陷入局部最优以及路径不平滑的问题,提出了一种融合改进A*蚁群算法与滚动窗口法的平滑路径规划方法.首先,用改进的A*算法初始化蚁群信息素,解决前期蚁群效率低的问题.然后,改进状态转移概率函数,在函数中考虑可行路径"活跃度"以及终点位置,避免死锁现象.同时,基于不平等原则机制更新蚁群的信息素,避免陷入局部最优路径,加快算法的收敛速度.其次,融合滚动窗口法,在全局路径规划的基础上,结合动态避障策略进行局部实时路径规划.最后,使用贝塞尔曲线对所规划出的路径进行平滑度处理,使平滑后的路径更加接近实际运动路径.为确保算法表现出最好的性能,利用带精英策略的遗传算法对该算法中的参数进行自主优化选择.三组实验结果表明,无论是简单还是复杂的静态或动态障碍物存在的环境中,该算法均有不错的效果.     

结合B样条优化的UAV多区域路径规划融合算法

为解决无人机(UAV,Unmanned Aerial Vehicle)在多个目标区域之间快速找到最佳遍历路径的类旅行商问题(TSP,Travelling Salesman Problem),设计一种基于蚁群算法、A*算法以及三次B样条优化的融合规划算法;尽管蚁群算法相对其他优化算法在解决TSP问题上有较为良好的表现,但其规划路径处理时间长、生成路径转折多、路径质量和安全性较差;算法首先改进传统A*算法的节点扩展方式,快速生成两两目标区之间的局部路径,然后将蚁群算法和改进A*算法融合使用进行全局路径规划,最后结合改进三次B样条对路径进行平滑处理;基于栅格地图的仿真结果证明了该算法相比传统算法具有更好的高效性和稳定性。     

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。     

游戏中路径搜索算法研究

路径搜索是游戏中非常重要的一部分,A*算法是最常用的搜索算法,但是使用A*算法搜索出的路径的真实性常常不能让人满意。本文介绍A*搜索算法及存在的路径问题,针对该算法在游戏中暴露的问题,提出一种平滑改进的算法,较好地解决了这个问题。     

基于物流机器人的路径规划研究

本文描绘了物流机器人的路径规划问题。针对标准A*算法的路径规划时间长、计算节点多的问题,提出了在标准A*算法的基础山,使用改进的双向搜索的A*算法。通过使用MATLAB进行仿真和实验平台进行实验对标准A*算法和优化后的A*算法进行了对比,结果表明:改进的A*算法比标准的A*算法进行路径规划的时间更短,并且使用的节点更少。     

改进蚁群算法在旅游路线规划中的应用研究

在研究了基本蚁群算法后提出了偶遇算法,提高了蚁群算法蚂蚁一次周游的质量。针对旅游路线规划的问题,改进了路径的求法,使蚁群算法可以实现动态规划,从而实现旅游景区的负载均衡。提出一种基于改进蚁群算法的旅游路线规划问题求解的有效方法。实验结果表明该方法具有较好的有效性和实用性。     

基于改进蚁群算法的机器人路径规划方法

根据传统蚁群算法在机器人的路线规划中具有收敛速度慢、容易陷入局部最优解的缺陷,提供了一个经过改进的蚁群算法。使用栅格法建立路径矩阵,建立一种转角启发函数,增加选择指定路径的概率,提高算法的搜索速度;将A^*算法与改进蚁群算法结合,提出一种改进的距离启发函数,避免了陷入局部最优解;并提出一种可根据迭代次数而改变的信息素挥发因子,增强了全域搜寻能力。根据相关数据分析,与Ant Colony Algorithm with Multiple Inspired Factor(ACAM)算法相比,改进的蚁群算法对于解决算法收敛速度慢、防止进入局部最优解等方面效果更好。     

基于改进蚁群算法的机器人路径规划研究

机器人自主移动导航是近年来研究的热点.针对蚁群优化(ACO)算法存在收敛速度慢以及易陷入局部最优的问题,提出了一种改进的ACO算法来解决机器人路径规划问题.上述算法将改进的人工势场(APF)算法和蚁群算法相结合,采用改进APF算法进行初始地图规划,减少了ACO算法初始规划的盲目性.算法利用A*算法的评估函数以及路径转折角度来改进启发函数,引入启发信息递增函数,免于局部最优的同时保证收敛速度.改进算法的信息素更新机制和路径评价函数,提高了算法的全局最优性,使得到的路径更符合实际需求.通过改进该算法的信息素更新机制和路径评价函数,提高了算法的全局最优性,得到的路径更符合实际需求.仿真结果表明,改进算法能提升收敛速度和最优解.     

遗传-蚁群算法在智能交通中的应用

随着私家车的增多,城市交通问题越来越严重。为了解决这个问题,人们将计算机技术运用于城市智能交通系统(intelligent transportation systems,ITS)中。行车路径规划是城市智能交通体系中重要的一个环节。目前,有不少路径优化算法被提出用于解决行车路径规划问题,但各有不足。因此,提出了一种混合遗传蚁群算法(GACHA)。从基本蚁群算法入手,结合遗传和蚁群算法的各自优点,将两种算法的寻优过程循环多次结合。在蚁群算法的一次迭代循环后,将蚁群算法产生的较优解代替遗传算法中的部分个体,用以加快遗传算法的迭代速度。同时,将遗传算法算出的解设为较优路径来更新蚁群算法中的信息素分配,实现参数调整。多次相互指导能有效解决蚁群算法前期效率低和遗传算法后期冗余迭代的问题。实验结果表明,遗传-蚁群混合算法可以有效地避免陷入局部最优解,提高计算效率。它具有良好的优化和收敛性,能够准确地找到满足路网综合要求的最优路径。     

基于改进的最大最小蚁群算法求解电力线路最佳抢修路径

电力线路最佳抢修路径就是一条物资点到故障点耗费时间最少的交通路径。最大最小蚁群算法改善了基本蚁群算法的过早停滞现象,适合于求解大规模问题,但仍存在收敛速度慢、求解质量差等缺点。针对最大最小蚁群算法的不足,提出了一种改进的最大最小蚁群算法来求解电力线路最佳抢修路径。该算法采用分段函数设置状态转移规则,结合噪声扰动方法进行局部搜索,并利用变异思想和A*算法产生邻域解。仿真实验表明,在求解电力线路最佳抢修路径时,该算法比其他改进蚁群算法具有更多的优越性,并分析了噪声扰动方法的参数对求解质量的影响。     

改进蚁群和鸽群算法的机器人路径规划

针对复杂环境下移动机器人路径规划中存在的迭代速度慢和路径欠优等问题,提出将全局与局部规划算法相结合的路径规划方法。首先,利用同步双向A^*算法对蚁群算法的信息素进行优化,并对蚁群算法的转移概率和信息素更新机制进行改进,从而使算法的全局寻优速度更快,缩短移动机器人的路径长度;进一步地,将静态路径用于鸽群算法的初始化;然后,利用改进的鸽群算法对移动机器人进行了局部路径规划,通过引入模拟退火准则的方法解决局部最优问题,利用对数S型传递函数对鸽群数量的步长进行优化,从而能更好地避免与动态障碍物的碰撞。最后,利用B样条曲线对路径进行平滑化和重规划。仿真结果表明,该方法在全局静态和局部动态阶段均能生成路径长度短、评价值低的平滑路径,且收敛速度快,适合移动机器人在动态复杂环境中的穿行。     

基于人工免疫改进的搬运机器人蚁群路径规划

针对搬运机器人在障碍环境下的路径寻优问题,提出一种基于人工免疫改进的蚁群路径规划算法(AI-ACA)。蚁群算法(ACA)的规划依赖于信息素挥发系数、期望启发因子和信息启发因子等参数的选取,传统ACA通过经验来设定这三个参数,但路径寻优中的最优参数因障碍环境而异,为解决经验参数对不同环境路径寻优结果的影响,引入人工免疫算法(AIA),对ACA的相关参数进行迭代优化,以此改善路径寻优结果。仿真结果及在自制机器人平台上测试表明,AI-ACA对于不同障碍环境可以准确地进行路径规划,在同样环境下较所参考的定参数蚁群路径规划效果有明显提升,提高了整个系统的运输效率。     

基于变邻域蚁群算法的自动光学检测路径规划

在确定取像窗口最少数量及其约束移动范围的前提下,为解决蚁群算法用于自动光学检测路径规划存在的问题,提出一种基于变邻域蚁群算法的自动光学检测路径规划方法。针对蚁群算法收敛速度慢、易陷入局部最优解的问题,提出含有3种邻域结构的变邻域路径搜索方法,改进蚁群算法以快速获得质量优异的可优化路径;针对取像窗口位置可调整的问题,提出变邻域窗口位置调整方法,进一步改善可优化路径,获得最短路径。实验结果表明,该算法比基本的蚁群算法具有更高的求解效率和求解质量,有效提升了自动光学检测系统的在线检测效率。     

优化蚁群算法在反舰导弹航路规划中的应用

应用基本蚁群算法解决反舰导弹航路规划问题,会有收敛速度慢、计算时间长、易于过早陷入局部最优等缺点。针对该问题,引入轮盘式选择策略、精英策略以及路径优化策略对传统蚁群算法进行优化,并将优化算法应用于反舰导弹航路规划中;同时通过对反舰导弹的可行航向进行限定,缩小了航路规划的最大搜索范围。仿真实验表明,基于优化蚁群算法的反舰导弹航路规划不仅缩短了最优航路长度,而且提高了最优航路搜索过程的收敛速度。     

基于改进蚁群与动态窗口法的AGV动态路径规划

针对全局静态路径规划算法无法有效躲避动态障碍物、局部动态路径规划算法缺少全局环境信息指导规划路径质量差或无法成功到达目标点等问题,提出了一种结合改进蚁群算法和动态窗口法的全局动态路径规划算法,实现在动态环境中的全局最优路径实时规划。对传统蚁群算法提出了初始信息素不均匀、双向分布、引入放大系数[A]增大相邻栅格启发信息差异、选择最优路径时考虑转弯次数的影响等改进策略;改进动态窗口法的距离评价子函数和初始航向角;提取改进蚁群算法规划的全局最优路径的转折点作为子目标点来引导动态窗口法沿着全局最优路径方向进行实时动态路径规划。经过不同环境下的仿真实验结果表明,提出的全局动态路径规划算法可以通过实时动态路径规划实现有效躲避动态障碍物的同时规划全局最优路径。     

改进蚁群算法在机器人路径规划上的研究

基于蚁群算法在路径规划过程中出现收敛速度慢、易陷入局部最优,且在复杂环境下的寻优能力弱等缺陷,提出了一种适用于机器人路径规划的改进蚁群算法。在预规划路径基础上建立初始信息素矩阵,避免算法前期盲目搜索,提高搜索速度;将改进蚁群算法和A*算法进行有机融合,进一步提高蚁群算法搜索方向性和收敛速度。制定信息素更新规则时引入拐点评价函数,提高搜索路径的光滑性,提高机器人安全性和降低能耗;提出回退策略有效减少蚂蚁死亡数量,提高路径规划方法的鲁棒性。仿真实验表明,在相同的环境下,改进的蚁群算法在机器人路径规划中搜索效率和收敛速度明显优于其他算法。     

改进蚁群和鸽群算法的机器人路径规划

针对复杂环境下移动机器人路径规划中存在的迭代速度慢和路径欠优等问题，提出将全局与局部规划算法相结合的路径规划方法。首先，利用同步双向A^*算法对蚁群算法的信息素进行优化，并对蚁群算法的转移概率和信息素更新机制进行改进，从而使算法的全局寻优速度更快，缩短移动机器人的路径长度；进一步地，将静态路径用于鸽群算法的初始化；然后，利用改进的鸽群算法对移动机器人进行了局部路径规划，通过引入模拟退火准则的方法解决局部最优问题，利用对数S型传递函数对鸽群数量的步长进行优化，从而能更好地避免与动态障碍物的碰撞。最后，利用B样条曲线对路径进行平滑化和重规划。仿真结果表明，该方法在全局静态和局部动态阶段均能生成路径长度短、评价值低的平滑路径，且收敛速度快，适合移动机器人在动态复杂环境中的穿行。