基于A^(*)-动态窗口法的无人船动态路径规划算法

为使无人船在复杂的海上环境具备自主路径规划能力,保证其能够在未知环境中避开障碍物并准确到达目的地,结合A^(*)算法的全局最优特性和动态窗口法的实时性,提出了一种新的无人船动态路径规划算法。将A^(*)算法规划的路径点作为动态窗口法的局部目标点,并在中间路径点不可达时及时重新规划全局路径,形成了A^(*)-动态窗口法。动态环境下的仿真结果表明:该融合算法能引导无人船通过平滑的路径顺利到达目标点,证明了该算法的合理性和有效性,而与多种传统算法的对比结果,验证了所提A^(*)-动态窗口法的优越性。

基于改进哈里斯鹰优化算法的动态路径规划研究

针对传统栅格地图下的路径规划算法存在多峰值优化、无法实时避障等问题,提出了一种基于改进哈里斯鹰优化算法的动态路径规划方法。首先,提出方形邻格邻近扩散方法初始化哈里斯鹰种群位置,在路径规划问题模型下增加种群多样性;然后,提出一种非线性能量因子优化算法在搜索和开发之间的更新比例,提高全局搜索性能;最后,引入动态窗口法提高机器人实际运行路径的平滑程度,构造结合全局路径的动态窗口评价函数以改善动态窗口法前瞻性不足的问题。实验结果表明,所提方法可以兼顾实时避障和路径最优的需求。

融合改进A^(*)算法与动态窗口法的移动机器人路径规划

为解决移动机器人在随机障碍物环境的导航过程中,使用A星(简称A^(*))算法出现碰撞导致路径规划失败的问题,设计了一种融合改进A_(*)算法和动态窗口法(dynamic window approach,DWA)的全局动态路径规划方法。首先,从以下两方面改进传统A^(*)算法:混合使用4邻域和8邻域A^(*)搜索算法,与通过删除冗余路径点和转折点来提高路径的平滑性;接着将改进A^(*)算法与DWA融合,利用融合算法使移动机器人进行全局实时动态路径规划。Matlab仿真试验结果表明,改进后的A^(*)算法较传统A^(*)算法不会使机器人穿越障碍物及其顶点,这有效减少了碰撞,从而提高了安全性;融合DWA后,在获得全局最优路径的基础上,能避开静态随机障碍物和动态障碍物,这证明了融合算法有良好的路径规划能力。

融合改进A^(*)算法和优化动态窗口法的路径规划

针对传统A^(*)算法在栅格数量较多时存在折点多、耗时长,以及动态窗口法在复杂环境下灵活性差的问题,提出一种融合改进A^(*)算法和优化动态窗口法的路径规划算法。首先,在传统栅格地图上建立一层粒度值更大的拓扑层地图,接着将拓扑层规划出的路径在栅格地图上进行优化,删除冗余节点、提高路径平滑度。通过增加机器人在不同场景下的运动状态来优化动态窗口法。最后,将全局规划的关键点作为局部规划的临时目标点,实现两种算法的融合。通过对比试验,证明融合算法不仅保证了全局路径较优而且减少了折点数、耗费时间,还提高了机器人在动态环境下路径的平滑度和灵活性。

融合改进A^(*)算法和DWA算法的全局动态路径规划

针对常规A^(*)算法存在的路径规划中冗余节点过多、拐点过多、规划路径与障碍间的距离过短、容易产生碰撞等问题,提出了一种将改进A^(*)算法与动态窗口法相结合的新方法。该算法通过对栅格地图中的障碍栅格进行量化处理,提取环境信息,并根据这些信息对A*算法的启发函数和子节点选择策略进行调整。此外,为了优化路径的平滑度和安全性,设计了一种路径节点平滑处理算法。仿真实验结果表明,融合动态窗口法的融合算法不仅能够保证所规划路径的全局最优性,而且能够有效地避开随机障碍物。

融合A^(*)与DWA算法的水面船艇动态路径规划

为解决水面船艇路径规划同时要求全局最优、实时避障和航迹安全可靠的问题,提出了一种基于融合A^(*)算法与动态窗口算法(DWA)的水面船艇路径规划方法。首先通过引入启发函数动态加权策略,提高A^(*)算法的搜索效率;然后综合考虑水面船艇的运动特性,采用一种路径转角节点角度削弱策略,减少转角,缩短全局路径长度;最后,基于全局因素影响与航迹安全约束对DWA算法的轨迹评价函数进行改进,并以全局路径提供子目标点引导DWA算法进行局部规划的方式完成算法融合。实验结果表明,融合算法相比于现有算法的总转向角度分别减少了45.6%、46.0%,验证了融合算法的有效性与可行性,并且相较于其他传统算法更具优越性。

融合RRT^(*)与DWA算法的移动机器人动态路径规划

为实现移动机器人在复杂动态障碍物环境中的避障,提出一种改进的快速随机扩展树(rapidly-exploring random tree,RRT^(*))与动态窗口法(dynamic window approach,DWA)相融合的动态路径规划方法。基于已知环境信息,利用改进RRT^(*)算法生成全局最优安全路径。通过消除RRT^(*)算法产生的危险节点,来确保全局路径的安全性;使用贪婪算法去除路径中的冗余节点,以缩短全局路径的长度。利用DWA算法跟踪改进RRT^(*)算法规划的最优路径。当全局路径上出现静态障碍物时,通过二次调整DWA算法评价函数的权重来避开障碍物并及时回归原路线;当环境中出现移动障碍物时,通过提前检测危险距离并转向加速的方式安全驶离该区域。仿真结果表明:该算法在复杂动态环境中运行时间短、路径成本小,与障碍物始终保持安全距离,确保在安全避开动态障碍物的同时,跟踪最优路径。

基于BD-RRT算法的动态路径规划研究

针对Bi-RRT算法规划路径不平滑、路径生成冗余、规划时间长和动态环境不适用等问题,展开了基于BD-RRT(bidirectional-dynamic-RRT)算法的动态路径规划研究,以解决实际场景中障碍物变化时的避障问题。在路径生长方面,提出动态步长增长策略提高对障碍物附近点的采样精度,减少采样点以增强算法的探索能力;在环境发生改变时,引入动态RRT算法,可以修剪首次规划路径中有碰撞的节点,在无碰撞的节点的基础上继续重规划;采取B样条曲线平滑生成的路径以达到减少能耗的目的。仿真结果表明,在静态环境中,BD-RRT算法较其它传统算法能生成更简短有效的路径,路径规划的时间更短,生成的路径更加平滑,且平均路径规划长度与时间分别为Bi-RRT算法的21.1%和95.3%,证明了改进的有效性;在动态环境中,BD-RRT算法的平均重规划时间和路径长度都短于Extended-RRT,仅为该算法的5.2%和95.8%,有着更好的动态环境实用性。

基于蚁群算法融合改进动态窗口法的动态路径规划方法

针对传统的动态窗口法在动态环境中,难以选取最佳路径,且路径不够平滑的问题,提出了一种基于蚁群算法融合改进动态窗口法的动态路径规划方法。首先,利用蚁群算法优秀的全局规划能力规划一条全局最优路径,将全局路径的转折点依次设置为动态窗口法的局部路径规划目标点,然后,在传统动态窗口法的距离评价函数基础上,引入了考虑最小避障转角半径的修正系数1±ξ,可以根据障碍物大小来调整避让阈值,减小了其避障幅度,最终利用改进的动态窗口法以转折点为目标实现全局路径的迅速生成。仿真结果证明了蚁群算法融合改进动态窗口法在动态环境中相对于传统算法得到的路径更佳且更为平滑。

基于动态扩展邻域蚁群算法的移动机器人路径规划

针对蚁群算法易陷入局部最优、路径转折点多、收敛速度慢的问题,提出一种基于动态扩展邻域蚁群算法(Dynamic extended neighbourhoods ant colony optimization,DENACO)。在蚂蚁搜索方式上采用动态扩展邻域方法,并定义新的信息素计算方式和增量规则,在取得更优收敛路径长度的同时,减少路径转折点数量及路径节点数量;引入自适应调整因子改进启发函数,提高算法的全局搜索能力,并设定迭代阈值,提升算法的收敛速度;提出一种路径节点双优化策略,对规划好的路径进一步优化,提高路径综合质量。不同复杂度及不同规模栅格地图中的仿真实验表明,DENACO算法所规划的路径更优,路径转折点数量减少,收敛速度加快,路径节点数量明显减少,表明算法具有更高的可行性和适用性。

基于动态规划算法的资源应急分配优化模型

针对电力突发事件的资源应急分配问题,文中提出了基于动态规划的阶段优化模型。该模型依据各需求点的初始时刻需求,以最小化资源超时到达造成的损失为优化目标,进行资源的应急优化分配。同时考虑后续时刻资源需求的动态变化,基于上一阶段的优化目标叠加下一时刻资源需求缺乏量的惩罚项,从而实现不同时刻需求点之间资源的转运调度。文中采用自适应惯性系数和飞行时间来提高算法的收敛速度,并将所提IPSO应用于两阶段动态规划模型的求解。以人力资源数据进行的仿真结果表明,文中算法迭代40次即可收敛,显著优于传统PSO。且与单阶段优化模型在后续时刻出现明显人力资源缺乏的情况不同,该模型能够满足各需求点的动态需求,进而对应急资源进行合理分配。

融合改进Dijkstra算法和动态窗口法的移动机器人路径规划

为解决移动机器人在智能制造车间的全局路径规划和局部动态避障问题,提出一种融合改进的Dijkstra算法和改进的DWA算法,对传统Dijkstra算法的路径进行平滑优化,使得路径轨迹更加平滑,动态改变DWA算法中速度评价权重函数,提高避障效率。仿真结果表明,改进Dijkstra算法路径平滑优化后,平均路程缩短比例为0.65%,平均偏航角震荡次数减少了67.70%,改进后的DWA算法运行路程缩小9.68%,路径转折次数降低了33%,运行时间缩短3.88%。基于改进的Dijkstra算法和改进的DWA算法提出一种融合算法,仿真和样机实验结果表明:面对静态、动态障碍物,机器人运行线速度平缓,轨迹光滑,角速度波动明显,证明机器人运动稳定,实时调整方位,具有良好的避障能力。并且多次机器人循环定点实验中机器人纵向(X轴方向)平均误差≤30 mm,横向(Y轴)平均误差≤30 mm,定位精度满足工业需求。

改进蚁群算法的城市给水管路路径动态规划设计方法

目前现代城市需水量远大于古代城市,给水管网的规划和设计显得极为重要,因此,现提出改进蚁群算法的城市给水管路路径动态规划设计方法。基于改进蚁群算法进行给水管路的模型构建,该模型为充分发挥数据库与给水管路路径动态规划功能奠定了数据基础,进而实现了动态规划城市给水管路路径的设计。实验结果表明:改进蚁群算法的城市给水管路路径动态规划设计方法后的流速结果与未改进前的流速进行比较,各管路的水流速度要远远大于之前的流速。同时证明改进蚁群算法的城市给水管路路径动态规划设计方法具有良好的性能。

基于改进A-star与DWA相融合的移动机器人动态路径规划算法

A-star算法常用于移动机器人的全局路径规划,但在复杂场景中A-star算法存在耗时长、搜索节点过多、路径不平滑、不能避开环境中未知的障碍物等问题。针对于此,本文提出一种融合路径规划算法。首先,在A-star算法的基础上引入环境中的障碍物信息和搜索节点到起始位置的距离信息动态调节启发函数的权重,减少搜索节点数,提升A-star算法的性能;然后,利用自适应分段步长的高阶贝塞尔曲线对路径进行优化,减少转折点提升路径的平滑性;最后,将改进A-star算法规划的全局路径作为引导,将路径节点作为DWA算法的中间目标,实现全局路径规划和局部规划的融合,使移动机器人在找到全局最优路径的同时,能够避开环境中的未知障碍物,实现移动机器人的动态路径规划。仿真结果验证了该算法的有效性。

蓝桥杯赛题“填充”的贪心与动态规划算法分析

为了更好地帮助老师和学生了解当前大学生程序设计竞赛的命题方向以及侧重点,以2023年蓝桥杯大赛为例,运用贪心和动态规划两种解题思路,分析了一道颇具代表性的比赛题。通过对本赛题的分析,表明了要在大学生程序设计竞赛中取得成绩,不仅需要有扎实的编程基本功,还要在平时的训练中注重锻炼逻辑推理能力、洞察力和抗压能力,因而通过鼓励学生参与程序设计竞赛可有力提升学生的综合素质。

基于自适应动态鲸鱼优化算法的路径规划研究

针对鲸鱼优化算法(WOA)求解路径规划问题时存在收敛慢、精度低以及局部最优等缺陷,提出一种自适应动态鲸鱼优化算法(ADWOA)来实现对路径的合理规划。首先,引入改进后的Circle混沌映射提高初始种群质量;然后,使用非线性收敛因子和自适应惯性权重平衡算法的全局寻优和局部寻优,加快算法收敛速度;最后,使用动态的螺旋更新系数,提高算法跳出局部最优的能力。通过仿真实验验证了自适应动态鲸鱼优化算法在机器人路径规划时的有效性。

改进Q-Learning的路径规划算法研究

针对Q-Learning算法学习效率低、收敛速度慢且在动态障碍物的环境下路径规划效果不佳的问题,本文提出一种改进Q-Learning的移动机器人路径规划算法.针对该问题,算法根据概率的突变性引入探索因子来平衡探索和利用以加快学习效率;通过在更新函数中设计深度学习因子以保证算法探索概率;融合遗传算法,避免陷入局部路径最优同时按阶段探索最优迭代步长次数,以减少动态地图探索重复率;最后提取输出的最优路径关键节点采用贝塞尔曲线进行平滑处理,进一步保证路径平滑度和可行性.实验通过栅格法构建地图,对比实验结果表明,改进后的算法效率相较于传统算法在迭代次数和路径上均有较大优化,且能够较好的实现动态地图下的路径规划,进一步验证所提方法的有效性和实用性.

煤矿履带式定向钻机路径规划算法

煤矿履带式定向钻机路径规划过程中存在机身体积约束和实际场景下的行驶效率需求,而常用的A^(*)算法搜索速度慢、冗余节点多,且规划路径贴近障碍物、平滑性较差。提出一种以改进A^(*)算法规划全局路径、融合动态窗口法(DWA)规划局部路径的煤矿履带式定向钻机路径规划算法。考虑定向钻机尺寸影响,在传统A^(*)算法中引入安全扩展策略,即在定向钻机和巷道壁、障碍物之间加入安全距离约束,以提高规划路径的安全性;对传统A^(*)算法的启发函数进行自适应权重优化,同时将父节点的影响加入到启发函数中,以提高全局路径搜索效率;利用障碍物检测原理对经上述改进后的A^(*)算法规划路径剔除冗余节点,并使用分段三次Hermite插值进行二次平滑处理,得到全局最优路径。将改进A^(*)算法与DWA融合,进行煤矿井下定向钻机路径规划。利用Matlab对不同工况环境下定向钻机路径规划算法进行仿真对比分析,结果表明:与Dijkstra算法和传统A^(*)算法相比,改进A^(*)算法在保证安全距离的前提下,加快了搜索速度,搜索时间分别平均减少88.5%和63.2%,且在一定程度上缩短了规划路径的长度,路径更加平滑;改进A^(*)算法与DWA融合算法可有效躲避改进A^(*)算法规划路径上的未知障碍物,路径长度较PRM算法和RRT^(*)算法规划的路径分别平均减小5.5%和2.9%。

基于改进萤火虫算法与动态窗口法融合的移动机器人动态路径规划

针对传统萤火虫算法无法有效躲避未知障碍物、收敛速度慢、易陷入局部最优等问题,对其进行了改进,并将其与动态窗口法相结合,从而提出了一种移动机器人动态路径规划新算法。通过3种策略对萤火虫算法进行了改进。首先,采用Skew Tent混沌映射产生混沌序列对萤火虫种群进行初始化,提高萤火虫算法的全局收敛速度;其次,引入自适应步长平衡萤火虫算法全局和局部最优;最后采用差分进化算法通过变异、交叉和选择操作加强萤火虫算法的搜索能力。然后将改进萤火虫算法与动态窗口法相结合,使移动机器人在全局最优路径的基础上进行实时动态路径规划,在能保证全局最优路径的基础上有效躲避未知障碍物。基于MATLAB进行了仿真,仿真结果验证了所提算法的有效性。

基于改进RRT-Connect算法的全局路径规划

针对RRT-Connect算法在复杂环境内的路径规划中存在探索性弱、收敛速度慢、冗余节点多、搜索路径较长等问题,提出一种改进的RRT-Connect算法。通过引入高质量随机点和动态步长的方法,提高了生成随机树的质量并减少了冗余节点数量;采用正向寻优和逆向贪婪的方式,改善了搜索路径较长的问题。实验结果表明,改进RRT-Connect算法平均路径规划时间缩短26.41%,平均路径规划长度缩短19.05%,平均路径规划节点个数减少41.91%,证明了改进RRT-Connect算法相比于原算法规划效率更高,规划时间更少,规划路径质量更优。