改进势场蚁群算法下的物料传输平台路径规划

针对传统蚁群算法收敛速度慢、易陷入局部最优与人工势场法目标不可达等问题,在物料传输分拣平台的路径规划中提出了一种改进势场蚁群算法。全局路径规划时,通过增设物料传输时下一节点位置与目标点位置间的距离与动态权重系数以优化启发函数,并考虑信息素启发因子、距离期望函数因子及信息素挥发因子在不同时刻的重要程度不同,采用了因子自适应更新策略。在局部路径规划中,通过引入物料与目标点的距离调节因子和模糊斥力点,改进了传统人工势场法。最后,将全局路径中的拐点作为局部路径中的子目标点,设计了改进势场蚁群融合算法,并对物料传输路径规划进行了仿真分析。仿真结果表明,改进势场蚁群算法可使传输路径长度缩短13.1%,拐点数目减少71.4%,并能有效避开障碍物,从而验证了算法的合理性。

基于改进势场与蚁群算法的机器人路径规划法

针对经典势场与蚁群联合机器人路径规划算法,易陷入局部最优、路径震荡且对不同复杂障碍物环境适应性差等问题,提出了基于改进的势场与蚁群算法的机器人路径规划算法。算法首先利用斥力距离值引入和增设虚拟子目标点改进经典人工势场算法,以优化其目标不可达和局部欠优问题,并通过过滤振荡点平滑最优路径,其次在改进势场优化蚁群初始路径筛选基础上,通过挥发因子的自适应设置与全局搜索策略的改进,提高蚁群算法对不同复杂障碍环境的适应性和全局最优路径的有效性。实验结果表明,所提算法能够有效避免经典算法的局部最优问题,路径较为平滑,对不同障碍物环境具有较好的适应性,全局搜索能力和收敛速度优于实验采用的已有算法,从而验证了该算法的有效性。

基于多目标的动态环境智能车路径规划算法

针对传统算法无法适用多目标及动态环境的智能车路径规划问题,文中基于改进A*算法与势场蚁群算法进行了面向多目标的动态环境智能车路径规划算法研究。根据多目标的特征,采用改进A*算法识别完整的周边环境,并进行全局路径规划。对于实验场景中出现的局部变化或障碍物移动,将人工势场算法与蚁群算法相结合,获得了改进势场蚁群算法,以实现在原有全局路径规划基础上的局部修改。通过优化仿真得到了文中所提算法的最优参数值,并与蚁群算法进行对照测试。结果显示,所提算法相比对照组路径长度缩短了2.7%,具有良好的综合性能。

连续切换轮系下变尺寸物料的传输模型与路径规划

传统物流设备大多存在传输方式单一、线路柔性调整困难等问题。面向一种呈蜂窝状布局形式的模块化物料传输平台,在三轮模型与牛顿-欧拉动力学的基础上,基于全向轮系分别推导了适用于变尺寸物料传输的运动学通用模型与动力学通用模型,以确保传输的准确性和平稳性。将融合生成的改进势场蚁群(IACSPF)算法用于物料传输路径规划,提高了算法收敛速度并能避免陷入局部最优。最后通过仿真及实验对不同尺寸物料的传输轨迹、速度及路径规划进行了验证分析。研究结果表明,变尺寸物料能以最优路径稳定地传输至目标点附近,轨迹与速度均值的相对误差分别小于4.27%和8.33%,规划路径的长度、时间及拐点数优化率分别为20.77%、55.39%、73.33%,且安全距离较大,验证了所建通用传输模型的合理性以及IACSPF算法的有效性。

基于IAPF-ACO的工业机器人运动规划

针对蚁群算法运动规划收敛慢且精度不佳的问题,提出一种改进势场蚁群(improved artificial potential field ant colony optimization, IAPF-ACO)算法。斥力计算模型引入目标调节因子解决势场寻优不可达且易陷入局部最优问题。蚁群算法计算框架加入改进势场模型,即启发信息函数中增加势场信息因子。三维障碍物空间仿真规划表明:IAPF-ACO算法在离散环境与聚集环境规划路径质量较优、规划结果较为稳定。在MATLAB搭建工业机器人仿真模型,关节空间内对规划路径点平滑处理,避障仿真结果表明,工业机器人末端位移是一条安全、平滑的运动轨迹。