融合改进A^(*)算法和动态窗口法的AGV路径规划

为了使AGV能够在变化的环境中快速响应新的任务,设计了一种融合改进A*算法和动态窗口法的路径规划算法。首先,将对数衰减因子作为权重引入启发函数改进A^(*)算法,避免搜索过多的节点;其次,提出一种策略提取改进A*算法求解路径中的关键节点,减少路径中的转折点;然后,重新设计动态窗口法的评价函数,使AGV与障碍物保持一定距离的同时,可以快速到达目标点。最后,通过仿真实验与传统A*算法和动态窗口法进行对比,实验结果显示,该融合算法规划的求解速度更快,路径质量更高。

离散制造系统环境下基于深度Q学习的AGV路径规划

针对传统深度Q学习算法在AGV路径规划问题容易过估计和收敛效果不好的问题,提出一种改进的双深度Q学习算法,通过引入优先经验回放机制和基于启发式信息的连续奖励函数,提高AGV智能体的有效训练,利用贪婪策略和玻尔兹曼策略结合的动作选择策略在与环境交互的训练中引导AGV智能体充分探索环境。仿真实验结果表明,所提出的算法能够规划出良好的AGV路径,而且在算法的稳定性和收敛速度上有所提升。