基于双向搜索的改进A^(*)算法路径规划研究

为了提高A^(*)算法的搜索效率、保证路径的最优性,提出了一种基于双向搜索的改进A^(*)算法,以正向、反向搜索的当前节点互为目标点进行双向搜索。首先,引入加权曼哈顿作为距离启发函数,动态调整代价函数的权重比,以保证算法的实时性和路径的优越性;其次,针对双向路径搜索过程中存在的局部路径最优问题,在启发函数中加入偏离最优距离作为代价因素。仿真实验结果表明,该算法的搜索效率更高、遍历节点和路径代价更少,验证了算法的有效性。

路径搜索策略研究

针对城市道路网车辆导航系统中经典Dijkstra最短路径搜索算法中存在的计算效率问题，研究基于启发式策略和双向搜索策略的双向启发式优化搜索算法，并探讨路网的分层搜索策略．采用启发信息减少搜索范围、双向搜索分解搜索空间，从而提高了算法的执行效率．实际路网仿真结果表明：相比经典Dijkstra算法，启发式策略搜索效率可提升70％～80％，双向搜索策略在不损失搜索精度下进一步提高搜索效率5％～10％，而分层搜索策略可以极大提高大规模路网车辆导航长距离下路径搜索效率．

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。

改进飞鼠搜索算法的自适应图像增强

为了实现灰度图像增强最佳参数的自动寻优,提出一种改进飞鼠搜索算法的自适应图像增强方法.在普通树上的飞鼠位置更新中引入双向搜索策略,提高获得最好解的可能性;利用螺旋觅食策略更新位于橡子树上的飞鼠位置,提升算法的收敛速度和搜索精度.在CEC 2017测试集上,将所提算法BCSSA与蝙蝠算法、鲸鱼优化算法、基本的SSA和2种改进的SSA进行对比分析,结果表明, BCSSA具有更高的稳定性和更快的收敛速度.最后,将所提出的BCSSA应用于灰度图像增强,与经典的直方图均衡化方法和SSA进行了4种评价指标的性能比较,证明了BCSSA的优越性.

城市区域物流无人机路径规划

针对城市区域物流无人机路径规划问题,采用栅格法进行环境建模,综合考虑无人机性能、任务性质和城市环境等影响要素,以航程、高度变化和危险度最小为目标函数,构建多约束物流无人机路径规划模型.改进A^*(A-star)算法求解:为合理预估距离,采用欧氏距离与曼哈顿距离线性组合的方式设计启发函数;为提高搜索效率,引入双向搜索策略;为保证平稳飞行,采用B样条(B-spline)法进行路径优化.结果表明:模型可以实现多目标优化,具有有效性;算法与传统A^*算法相比,规划时间少,规划路径航程短,高度变化少,飞行安全稳定.分析参数权重值得出:当3个子目标代价权重系数分别为0.4、0.1和0.5,2种距离权重系数分别为0.15和0.85时,规划路径最优.

基于改进A*算法的物流无人机路径优化

无人机物流运输已经成为目前学术界的一个热点研究方向,通过考虑任务要求、空域环境、无人机性能等因素,采用栅格法模拟无人机三维运输环境,从而构建物流无人机路径优化模型。利用A*算法和RRT算法,以及通过利用双向搜索策略、优化欧氏距离与others线性组合的方式改进的A*算法进行仿真,然后比较几种算法的仿真效果。结果表明:传统A*算法存在效率低的问题,RRT算法存在模拟效果不好的缺点,采用改进的A*算法能快速找到最优的路径。

改进的蚁群算法在定制公交路径规划中的应用

针对传统蚁群算法规划的路径会出现收敛速度慢且容易陷入局部最优等问题,提出了一种基于蚁群算法改进的综合路径规划算法,并应用到定制公交问题中。首先,改进双向搜索策略,对概率转移做出改进,增大前期搜索范围,提升全局搜索能力;引入狼群分配策略,改变信息素更新规则,增强算法收敛性能;另外,以公交运营成本和乘客上座率作为优化目标,车辆核载人数、乘客预定时间为约束条件,构建综合评估模型,从而使规划出的路线更好的符合乘客和运营公司的利益;最后,通过改进的粒子群算法进行参数优化,求解符合本问题的最优参数,提升算法整体性能。仿真实验结果表明,改进后的蚁群算法规划的路径更加合理,能有效避免局部最优问题,求解时间更短。