基于改进蚁群算法的机器人全局路径规划

针对传统蚁群算法存在初始信息素缺乏、收敛速度慢以及无法有效躲避障碍物等问题,文中提出了一种基于改进蚁群算法的全局路径规划。引入正态分布函数改进传统启发函数,提高了算法效率,缩短了算法收敛所需时间。自适应调整信息素挥发系数,限定信息素范围,避免过早收敛。对算法路径平滑处理,缩短路径长度,从而实现机器人的全局路径规划。仿真结果表明,在20×20环境下,文中算法平均迭代次数比传统蚁群算法减少了28代,收敛速度更快。平均拐点减少了33.3%,使路径更为平滑,克服了初始信息素缺乏,加快了收敛速度,减少了拐点数量,能够有效躲避环境中的障碍物,证明了该算法的可行性。

基于改进A*算法的自主式机器人路径规划

针对传统的A*算法存在遍历子节点数量多、搜索自由度底、搜索方向夹角大所导致的路径搜索效率不高的问题进行了研究,提出一种改进的A*算法。首先增加节点数量,删除重复方向,建立16邻域搜索方式,扩大搜索角度。然后在新邻域搜索方式上,利用当前节点与目标点的方向信息局部调整搜索区间。改进启发函数和评价函数权重系数,在节点不陷入局部最优解的情况下,合理地缩小了搜索邻域。最后,在不同障碍物比例、不同栅格地图规模等16种模拟场景下进行实验。实验结果显示:改进A*算法相对于传统算法的搜索效率显著提高,极大地减少了搜索子节点的数量,提升了算法搜索的能力。