基于改进蚁群算法的机器人全局路径规划

针对机器人的全局路径规划问题,结合人工势场法提出一种改进蚁群算法。首先改进人工势场法中的斥力函数,解决局部最优和目标不可达的问题;其次在蚁群算法的启发函数中加入人工势场法中的引力函数,有效提高算法的收敛速度;然后为提高算法的搜索能力,在蚁群算法的状态转移函数中加入改进后的人工势场合力和改进后的启发函数;最后算法输出结果采用三角剪枝法进行优化。通过MATLAB仿真和ROS实验验证了改进算法的有效性。

基于改进蚁群算法的电动叉车路径规划技术研究

针对电动叉车路径快速规划问题,从启发信息、信息素更新规则和平滑策略出发,研究一种改进的蚁群算法。该算法采用人工势场法求得当前节点与目标点距离,引力函数的引用使机器人在搜索过程中有较为明确的目标点范围,从而构建的启发信息能有效提高机器人收敛速度;提出一种改进的信息素更新规则,根据最优最差蚂蚁策略使得信息素在更小的区间内变化,减缓信息素的正反馈累计过程,使蚁群较大程度地遍历所有可能最优路径,降低局部最优解产生的概率;构建三角剪枝算法,顺次取路径中三个节点,连接首尾节点,其间经历的元素集合与障碍物元素集合并集为空,则无冲突,可省略其三个节点的中间节点,以此打破传统蚁群算法八自由度搜索和步长只能为1或2的规则限制。经Matlab仿真分析,验证了文中算法的可行性和高效性。

从不确定数据集中挖掘频繁Co-location模式

把挖掘频繁co-location模式的经典算法Join-based算法扩展到了UJoin-based算法,解决了从不确定数据集中挖掘频繁co-location模式的问题。针对UJoin-based算法中ED(expected distances)计算开销大的问题,介绍了两种剪枝技术:边界矩形剪枝技术和三角不等式剪枝技术,其中,在三角不等式剪枝部分,分别讨论了取1个锚点、5个锚点和9个锚点的不同情况。通过大量实验证明了剪枝策略有效避免了大量的ED计算,提高了算法的效率。