基于蚁群算法及博弈论的多Agent路径规划算法

针对多Agent路径规划问题,提出了一个两阶段的路径规划算法。首先,利用改进的蚁群算法来为每个Agent规划出一条从起始点到目标点,不与环境中静态障碍物碰撞的最优路径。在蚁群算法的改进中引入反向学习方法来对蚂蚁位置进行初始化分布,提高了算法的全局搜索能力;利用粒子群算法中的自适应惯性权重因子来调节信息素强度Q值,使其自适应地变化,避免陷入局部最优;对信息素挥发因子ρ进行调节,提高算法的迭代速度。其次,若多Agent之间存在动态碰撞,利用博弈论构建多Agent之间的动态避障模型,并利用虚拟行动法来解决博弈的求解问题及多Nash均衡的选择问题,确保每个Agent能够快速学习到最优Nash均衡。仿真实验结果表明改进蚁群算法与传统蚁群算法相比在搜索精度与搜索速度上有明显的提高,与Mylvaganam的多Agent动态避障算法相比,所提算法减小了路径总长度并提高了收敛速度。     

求解旅行Agent问题的自适应蚁群算法

针对现有的蚁群算法在求解旅行Agent问题中所存在的全局最优解的收敛速度不强和一致性欠佳等问题,在蚁群算法的基础上,利用算法的迭代次数来动态自适应地修改选择路径上的信息素的更新规则和信息素的挥发系数,从而使Agent在路径选择中这两方面的能力得到了提高。实验结果表明,相比现有的解决旅行Agent问题的蚁群算法,该算法在求解全局最优解的收敛速度和一致性方面具有更强的优势。     

基于改进蚁群和DWA算法的机器人动态路径规划

路径规划技术是移动机器人研究领域中的一个重要分支,使得机器人能够在多障碍物环境中安全快速地找到一条相对最优路径.针对全局路径规划时蚁群算法盲目性搜索、易陷入局部最优、收敛速度慢以及局部路径规划时DWA算法难以有效地规避动态障碍物等问题,提出一种改进蚁群算法与DWA算法的融合算法.首先,采用GRRT-Connect算法不等分配初始信息素,解决陷阱地图中局部最优问题;然后,增加蚁群接力搜索方法以解决蚂蚁禁忌表自死锁问题,并利用切片取优方法优化最优路径选择机制得到全局最优路径;接着,以最优路径关键点为子目标点运行DWA算法,提出自适应调节速度方法进行最优行驶;最后,提出预计算方法规避动态障碍物达到局部规划效果.仿真结果表明,与现有文献结果相比,融合算法最优路径长度缩短了10.28%,收敛速度加快了6.55%,验证了所提出算法的有效性和优越性.     

基于蚁群算法的机器人路径规划

针对移动机器人规避障碍和寻找最优路径问题,提出了在复杂环境下移动机器人的一种路径规划方法.采用了栅格法建立了机器人工作平面的坐标系,整个系统由全局路径规划和局部避碰规划两部分组成.在全局路径规划中,用改进蚁群算法规划出初步全局优化路径;局部避碰规划是在跟踪全局优化路径的过程中,通过基于滚动窗口的环境探测和碰撞预测,对动态障碍物实施有效的局部避碰策略,从而使机器人能够安全顺利的到达目标点.仿真实验的结果表明了所述方法能在较短时间内找到最佳路径并规避障碍.     

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。     

多仓储机器人协同路径规划与作业避碰

针对多仓储移动机器人协同作业问题,提出了一种基于全局规划和局部调整的路径规划方法,以获得较短、无碰、避障的可行路径.在路径规划时根据当前节点到终点的距离和局部路径与起点至终点的欧氏路径的夹角设计新启发式函数,驱使机器人沿最短路行进;根据可选节点的数量提出避障规则,提高避障能力;依据路径长度对信息素进行比较更新,以精炼搜索空间、提高收敛性能,对蚁群算法加以改进寻找各自最优路径.在作业避碰时设计避碰规则有效解决仓储机器人间作业碰撞,找到最优或近优路径组合.实验结果表明了本方法的可行性、有效性.     

基于改进烟花-蚁群混合算法的智能移动体避障路径规划

针对二维静态环境下智能移动体避障路径规划问题,提出改进烟花-蚁群混合算法求解最优路径.首先,鉴于基本烟花算法的不足,提出增加“先锋火花”和采用“镜面映射”规则处理越界先锋火花的改进方法;然后,将改进烟花算法得到的最短路径作为参照路径,使其换算成蚁群算法的初始信息素分布,以解决蚁群算法收敛速度慢和初始信息素不足的缺点;最后,进行3种不同环境下的仿真实验,结果表明所提出的算法能够快速寻得高精度的最优路径,在应对复杂环境时也表现出良好的求解性能.所提出的算法为复杂环境下智能移动体避障路径规划提供了一种新思路.     

动态复杂环境下的机器人路径规划蚂蚁预测算法

研究了一种新颖的动态复杂不确定环境下的机器人路径规划方法和动态避障码蚁预测算法.该方法模拟蚂蚁的觅食行为,由多组蚂蚁采用最近邻居搜索策略和趋近导向函数相互协作完成全局最优路径的搜索.在此基础上用虚拟蚂蚁完成与动态障碍物碰撞的预测,并用蚁群算法进行避障局部规划.理论和仿真实验结果均表明,即使在障碍物非常复杂的地理环境,用文中算法也能迅速规划出优化路径,且能安全避碰.     

一种基于蚁群优化算法的旅行Agent问题求解

旅行Agent问题解决移动Agent在不同主机间移动时如何规划最优的迁移路线，是复杂的组合优化问题。蚁群算法作为一种新的生物进化算法，具有并行、正反馈和启发式搜索等特点。本文在蚁群算法的基础上，通过修改它的信息素轨迹更新规则，并引入自适应的信息素挥发系数，来求解旅行Agent问题。实验结果表明了本文算法的可行性。     

基于蚁群优化的历史灾害关联分析方法

对历史灾害进行3维时空网络建模,通过寻找网络中的相似空间向量来挖掘灾害节点间的链式关联关系.同时通过将向量发现问题转化为一种路径优化问题来利用蚁群算法进行求解,并将蚁群算法寻找最优路径过程中的信息素参数作为算法结果进行关注,以解决仅求解最优路径所存在的路径竞争问题.MATLAB仿真结果表明该方法具有较高的精确性和实用性.     

蚁群算法在移动机器人路径规划中的应用综述

路径规划是移动机器人领域的一个研究热点,蚁群算法在移动机器人的路径规划得到广泛应用。介绍了常见的几种蚁群算法,从蚁群算法结构、参数选取及优化、信息素优化等方面对已有的蚁群算法方法进行了分类综述,同时对多蚁群优化算法、融合蚁群算法在移动机器人路径规划的应用进行了分类比较与分析。从蚁群算法的理论研究、算法融合、多蚁群算法研究等方面对蚁群算法在移动机器人路径规划中的未来研究内容和研究热点进行展望。     

改进蚁群算法求解最短路径问题

针对蚁群算法在求解最短路径问题时存在容易陷入局部最优解的问题,对经典蚁群算法提出三方面改进。首先,在初始化信息素浓度时加入方向引导,加快初始搜索速度;其次,在局部信息素浓度更新过程中采用信息素重分配思想,避免由路径信息素衰减过程导致的最优路径信息素浓度过分减少;最后,在全局信息素更新过程中引入动态因子,使其自适应地更新较优路径信息素浓度,以提高全局搜索能力。仿真实验结果表明,该改进算法可以保证收敛速度,并提高算法搜索到最优路径的几率。     

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。     

蚁群算法在移动Agent迁移中的应用研究

移动Agent提供了一种全新的分布计算范型 .移动Agent技术给分布式系统的设计、实现和维护都带来了新的活力 .旅行Agent问题是一类复杂的组合优化问题,目的在于解决移动Agent在不同主机间移动时如何根据移动Agent的任务和其他约束条件来规划最优的迁移路线 .蚁群算法作为一种新的生物进化算法,具有并行、正反馈和启发式搜索等特点,是一种解决旅行Agent问题的有效手段,受到了广泛的关注,但它与其他进化算法一样存在易陷入局部最小的缺点 .在蚁群算法的基础上,通过修改它的信息素轨迹更新规则,引入自适应的信息素挥发系数来提高收敛速度和算法的全局最优解搜索能力,从而使得移动Agent在移动时以最优的效率和最短的时间来完成迁移 .仿真结果表明,改进的算法在解的性能和收敛速度上均优于相关算法 .     

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。     

DEM中基于遗传与蚁群的混合路径规划算法

现有启发式算法在DEM路径规划中因数据量巨大,效率较低。针对该问题,提出一种基于遗传和蚁群的混合路径规划算法。该算法在遗传过程中,通过在初始群体生成阶段构建选择因子,使得在节点搜索时更加倾向于终点方向,提高初始群体生成效率;对变异过程中变异节点的变异区间进行限制,避免产生路径断点;在蚁群寻优过程中,根据遗传过程产生的路径信息,采用自适应信息素初始化与更新策略,提高算法搜索效率。测试结果表明,混合算法能够在规则网格DEM数据下搜索出符合条件的路径,并具有较好的效率。     

基于改进蚁群算法的钻井救援车辆路径规划

为了解决救援车辆路途时间过长导致钻井事故应急救援不及时的问题, 提出一种基于改进蚁群算法的钻井救援车辆路径规划方法. 首先针对基本蚁群算法易陷入局部最优, 且在求解转移概率时仅依据信息素含量和路径长度, 未考虑实际路网中影响道路通行的外界因素等不足, 通过引入路径权重因子和改进路径选择策略, 对基本蚁群算法进行了改进; 然后利用改进的蚁群算法, 以用时最少为目标建立了救援车辆路径规划模型; 最后进行了救援车路径规划仿真实验和实际应用测试, 结果表明本文提出的方法可以合理规划出一条全局最优的救援路径, 能有效地解决钻井救援车辆路径规划问题.     

一种栅格模型下机器人路径规划的改进蚁群算法

提出了一种静态环境下机器人路径规划的改进蚁群算法。该算法使用栅格法对机器人的工作空间进行建模,通过模拟蚂蚁的觅食行为,采用折返的迭代方式对目标进行搜索。在搜索过程中,以移动方向一定范围内最大信息素和目标引导函数作为启发式因子。此外,根据蚁群算法处理本问题时信息素散播的特点,重构了信息素的更新策略和散播方式。仿真实验结果表明,这些改进措施使最优路径的寻找快速而高效,即使在障碍物非常复杂的环境下,也能迅速地规划出一条最优路径。