基于蚁群粒子群融合的机器人路径规划算法

针对复杂环境下中移动机器人路径规划问题,提出了一种基于蚁群粒子群融合的路径规划算法。该算法首先利用粒子群路径规划的环境建模方法快速规划出起始点到目标点的初始路径。然后根据产生的路径进行信息素的分配,最后经改进的蚁群算法进行进一步寻优,从而找出最优路径。经仿真证明,该方法在寻得最优路径的基础上可大大降低寻优的时间,尤其是对于复杂环境下的路径规划,其效果尤为明显。     

动态环境下改进蚁群算法的多Agent路径规划

针对动态环境下的多Agent路径规划问题,提出了一种改进的蚁群算法与烟花算法相结合的动态路径规划方法。通过自适应信息素强度值及信息素缩减因子来加快算法的迭代速度,并利用烟花算法来解决路径规划过程中的死锁问题,避免陷入局部最优。在多Agent动态避碰过程中,根据动态障碍物与多Agent之间的运行轨迹是否相交制定相应的避碰策略,并利用路径转变函数解决多Agent的正面碰撞问题。仿真实验表明,该方法优于经典蚁群算法,能够有效解决多Agent路径规划中的碰撞问题,从而快速找到最优无碰路径。     

移动机器人路径规划的参数模糊自适应窗口蚁群优化算法

针对蚁群算法存在的不足,提出一种改进蚁群优化算法——参数模糊自适应窗口蚁群优化算法.首先利用模糊控制优化α,β和ρ参数,同时为蚂蚁建立动态搜索窗口,在为每只蚂蚁建立近邻城市表时加入混沌信息,并据此进行初始信息素分布.另外,引入了城市节点活跃度的概念,并将其作为未来信息,用以指导蚂蚁进行解的构造和信息素更新.仿真结果表明,即使在复杂的环境下,所提出的算法仍能快速规划出安全的最优路径.     

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。     

基于栅格模型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.仿真试验结果表明,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,算法也能迅速地规划出一条最优路径.     

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.     

基于改进势场蚁群算法的机器人路径规划

提出一种全局静态环境下移动机器人路径规划的改进势场蚁群算法.该算法采用人工势场法求得的初始路径和机器人与下一个节点之间的距离综合构造启发信息,并引入启发信息递减系数,避免了传统蚁群算法由于启发信息误导所致的局部最优问题;依据零点定理, 提出初始信息素不均衡分配原则,不同的栅格位置赋予不同的初始信息素,降低蚁群搜索的盲目性,提高算法的搜索效率;设定迭代阈值,自适应调节信息素挥发系数,使得该算法具有较高的全局搜索能力,避免出现停滞现象.仿真结果验证了所提出算法的可行性和有效性.     

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.     

移动机器人路径规划的改进蚁群优化算法

针对蚁群算法易陷入局部最优的缺点,提出了一种复杂静态环境下移动机器人路径规划的改进蚁群优化算法—差分演化混沌蚁群算法.该算法利用差分演化算法进行信息素的更新,同时对可能出现的停滞现象,在信息素更新时加入了混沌扰动因子,算法还采用了一个新的评价函数;从而增强了算法的逃逸能力,避免了路径死锁现象,也提高了最优路径的搜索效率.仿真结果表明:即使在障碍物非常复杂的环境,本算法仍能快速规划出安全的优化路径.效果令人满意.     

一种障碍环境下机器人路径规划的蚁群粒子群算法

针对机器人在障碍环境下寻找最优路径问题, 提出了一种障碍环境下机器人路径规划的蚁群粒子群算法.该方法有效地结合了粒子群算法和蚁群算法的优点, 采用栅格法进行环境建模, 利用粒子群算法的快速简洁等特点得到蚁群算法初始信息素分布, 以减少迭代次数, 加快算法的收敛速度; 同时利用蚁群算法之间的可并行性, 采用分布式技术实现蚂蚁之间的并行搜索, 求解精度高等优点, 求精确解. 仿真实验结果证明了该方法的有效性, 是机器人路径规划的一种较好的方法.