基于改进和声搜索算法的移动机器人调度

为了提高药物管理系统中移动机器人集群调度的速度和精度,建立一种以移动机器人为载体的集群调度模型,并采用离散-连续双映射编码方式进行调度编码。为了提高调度算法解算性能,提出一种融合最优估计优化方法的改进和声搜索(improved harmony search,IHS)算法,结合最优迭代和有向搜索进行调度最优搜索,提高算法的计算速度和精度;根据全局最优和声进行自适应带宽调整和全随机交叉变异,扩大算法搜索范围和样本多样性,提高算法搜索和计算全局最优解的能力;同时,使用标准测试函数进行改进算法在连续区间上的验证,效果良好。对比试验结果表明,同一测试条件下,所提改进算法和对照算法相比具有更加优异的最优解搜索能力,调度结果精确度均有不同程度提高。可见,IHS算法对于优化自动药物系统调度系统性能具备良好的效果。

基于模糊控制蚁群算法的移动机器人路径规划

AGV(automated guided vehicle)等移动机器人在不同环境,特别是复杂环境中的路径规划存在着算法收敛速度慢、收敛路径冗余节点多的问题。为克服上述问题,提出一种基于改进蚁群算法的全局路径规划算法(FOACO)。首先,引入一种新的信息素初始化分布规则,提高初始信息素的启发作用;同时,在传统蚁群算法的信息素更新策略中引入模糊控制器和收敛状态信息素增量参数,来提高信息素更新效果和启发作用;引入新的自适应调整信息素权重因子和蒸发率规则,进一步提高算法的收敛速度和最优路径搜索能力;引入几何优化算法进行冗余节点的去除和最短路径的更新优化,动态更新最终路径。实验结果表明,在不同仿真环境,FOACO算法可以有效地减少最优路径搜索的迭代次数,加快算法收敛速度,进一步优化路径冗余节点、缩短最优路径,整体效果优于传统蚁群算法。

融合改进A^(*)与DWA算法的机器人动态路径规划

传统A^(*)算法是移动机器人全局路径规划的常用算法之一,但是算法搜索效率低、规划路径转折点多、面对复杂环境中随机出现的动态障碍物无法实现动态路径规划。针对这些问题,在考虑全局最优的基础上将改进A^(*)与DWA算法融合,量化环境中的障碍物信息,根据此信息调节A^(*)算法启发函数的权重,提高算法的效率和灵活性。基于Floyd算法思想设计路径节点优化算法,删除冗余节点,减少转折,提高路径平滑度。基于全局最优设计DWA算法的动态窗口评价函数,用于区分已知障碍物和未知动态、静态障碍物,提取改进A^(*)算法规划路径的关键点作为DWA算法的临时目标点,在全局最优的基础上实现了改进A^(*)与DWA算法融合。实验结果表明,在复杂环境中,融合算法规划路径既能保证全局最优,又能及时有效地躲避环境中出现的动静态障碍物,实现复杂环境中的动态路径规划。