基于避障寻优改进蚁群算法的机器人路径规划

针对蚁群算法在处理路径规划过程中存在收敛速度慢,规划路径冗余等问题,提出了一种基于避障信息和快速寻优策略的改进蚁群算法。为了改善蚁群的首次搜索效率和精度,引入切比雪夫距离改进距离启发函数,在转移概率中增加目标点对机器人的引导作用;采用自适应转移概率调整路径规划过程中节点的选择方式,并根据节点周围的障碍物分布设置初始信息素,使得蚂蚁首次生成有效路径的比率从60%提高至92%;同时删除生成路径的垃圾信息,提高最优路径节点的信息素浓度,平衡了蚁群的局部和全局搜索能力,加快了最优路径的速度;通过平滑生成的路径,减少机器人转弯次数,缩短了路径距离。选择SSA、ACO、IACO、I-ACO等算法在3种栅格环境上进行性能测试。结果表明,改进的蚁群算法路径寻优上优于其他算法。

基于多策略改进蚁群算法的机器人路径规划

针对传统蚁群算法初期容易盲目搜索,收敛速度慢,全局性不强,搜索路径安全性不足等问题,提出了一种改进蚁群算法。通过全局变量改进启发函数,使算法不容易陷入局部最优;用椭圆几何法构造数学模型,来重新分配初始信息素,使算法初期不会盲目搜索;提出自适应有界的信息素迭代方式,增强收敛速度。除距离最优,时间最优外,提出安全最优的邻接矩阵改造方法,避免机器人移动中的磕碰现象。仿真结果表明,改进后算法收敛速度提高,迭代次数减少,初期搜索效率加强,规划路径避开所有障碍物顶点,验证了算法的有效性,优越性和安全性。

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。

基于改进蚁群算法的植保无人机路径规划

针对传统蚁群算法在含障碍植保无人机路径规划中存在的易早熟、易陷入局部最优的问题,提出了一种改进蚁群算法。为降低算法陷入局部最优的概率,对启发因子进行了改进,在路径搜索的后阶段把利用贪心算法求得的从当前点到终点的距离作为新的启发因子。为提高算法的全局搜索能力,对挥发系数进行了自适应改进。采用最大最小蚁群策略对信息素浓度进行限制,避免算法早熟。仿真结果表明在复杂的作业环境下,改进蚁群算法的性能更好,具有更强的路径寻优能力。

基于信息素差异分布策略的路径规划蚁群改进算法

针对传统蚁群算法用于移动机器人路径规划时存在初期盲目性搜索、收敛速度慢以及容易陷入局部最优的问题,提出一种蚁群改进算法。首先根据各节点相对于起始点和目标点连线之间的距离,对初始信息素不平均分配,使其呈正态分布,降低算法搜索初期的盲目性,加快最优解的搜索;其次改进挥发因子,采用双挥发因子原则,控制信息素的挥发,既降低局部最优的可能,又能加快收敛速度;对冗余路径作进一步优化处理,使得路径更优。仿真结果表明,本文蚁群改进算法相对比传统蚁群算法以及其他蚁群改进算法收敛速度更快,收敛性更稳定。

三维路径规划中改进蚁群算法搜索策略

为解决传统蚁群算法收敛速度慢,产生避障路径结果不理想等情况,提出一种静态障碍物环境下的新型贪婪改进蚁群算法。建立算法模型,配置算法参数组合,利用贪婪算法的思想,改变蚁群算法的路径选择方式,使算法拥有极快的收敛速度;改进信息素更新规则,使其随迭代次数进行动态更新,避免算法陷入早熟;改进启发式判断法则。实验结果表明,改进算法在不同复杂程度的环境中可较快获得最优路径,对比其它算法具有更好的性能,验证了算法的可行性。

基于改进避障策略和双优化蚁群算法的机器人路径规划

针对传统蚁群算法在移动机器人路径规划中存在的收敛速度慢、收敛路径质量低、死锁以及动态避障能力差的问题,本文提出基于改进避障策略和双优化蚁群算法(Double optimization ant colony algorithm,DOACO)的路径规划方法。首先,设计新的概率转移函数并对函数中的各分量权重进行自适应调整,以优化算法的收敛速度;然后,利用碰撞检测策略对路径进行再优化,进一步提高算法的性能;最后,针对常规避障策略避障能力差、实时性不足等问题,提出避障行为与局部路径重规划相结合的避障策略。实验结果表明,DOACO算法相对于传统的蚁群算法,不仅能规划出更优的路径,收敛速度也更快,而且新的避障策略也可以有效地应对多种碰撞情况。

智能汽车主动避障的改进蚁群路径规划方法

针对智能汽车主动避障路径规划问题,为有效提高路径规划质量、加快算法的收敛速度,提出了一种改进的自适应蚁群智能规划方法。首先,阐释了传统蚁群算法的原理和具体流程,并分析了传统算法存在的缺陷;其次,提出了信息素因子和启发因子的自适应更新算法以扩大算法的搜索范围、提高全局搜索能力,从而避免算法陷于局部最优;再者,设计了信息素挥发率和信息素浓度函数的自适应调节算法以加快算法的粒子进化速度,从而保证了算法的快速收敛。智能汽车避障实验结果表明,与传统蚁群算法相比,这里改进蚁群算法能够有效加快路径规划速度、提升算法的收敛速度并显著缩短规划的路径长度。

基于蚁群算法的船舶自主避障路径规划

针对船舶在海上航行自主避障问题,文中结合人工势场法对蚁群算法的信息素更新策略、启发信息以及状态转移概率进行改进,来实现船舶避障的全局与局部路径规划。使得船舶在海上航行时,具有自主规划路径和动态避障的能力。通过模拟仿真来验证算法,仿真实验结果表明所改进的蚁群算法能够规划出一条安全且平滑的最优路径,证明了算法的有效性。

基于改进蚁群算法的多起重机协作吊装装备避障性能研究

多起重机协同作业相对于单起重机作业具有更好的稳定性和适应性,在建筑、能源、物流、救援等领域的应用越来越广泛,尤其是大型、重型负载的移动作业。随着吊装系统和工作环境复杂度的不断提高,对多机协作的安全性提出了更高的要求,势必要对多起重机协作吊装过程中避障方法及性能进行研究。因此,在传统蚁群算法的基础上,设计了一种新的启发函数,将待选栅格点与起始点、目标点的距离纳入到参考因素中。改进的蚁群算法增强了全局性,避免陷入局部最优、死锁,改善了避障路径质量。利用数值仿真得到不同避障路径下各台起重机吊绳的索力变化,表明该改进蚁群算法相较于传统蚁群算法在多起重机吊装过程中有效地优化了避障性能。

复杂开放水域的无人船避障路线蚁群规划算法

为了改善避障效果,获得具有较少拐点的最短避障路线,设计复杂开放水域的无人船避障路线蚁群规划算法。在复杂开放水域障碍物栅格化处理的基础上,基于蚁群算法基本原理,获取势场合力、目标点的位置信息相结合的综合启发信息,优化信息素浓度增量,改进状态转移概率,进行蚁群算法的改进处理,实现无人船避障路线规划。结果表明,该算法可实现无人船避障路线规划,设计的避障路线长度相比改进前降低了40.39%、拐点数减少60%。

改进蚁群算法及其在机器人避障中的应用

提出了一种改进蚁群算法.首先针对蚁群算法在构造解过程中收敛速度慢且容易陷入局部最优,提出了在蚁群搜索路径过程中,通过建立α(信息素启发式因子)和β(期望启发式因子)的互锁关系,动态自适应调整α、β;其次针对蚁群算法在面对凹形障碍物易陷入死锁,降低搜索效率,提出了广义信息素更新规则;最后利用栅格法进行静态已知环境建模,通过不同规模TSP的仿真验证了该方法的可行性和有效性,同时将其应用到机器人避障并取得了较好实验效果。

基于融合任务规则优先级蚁群算法的多AGV路径规划实现研究

蚁群算法所具备的合作搜索能力被广泛用于寻找单台AGV最短路径,却不适用解决现实情况中多台AGV同时使用的问题,为此提出了融合任务规则优先级的蚁群算法实现多AGV路径规划,用于解决现实问题中多台AGV同时使用而且存在多种碰撞冲突的情形。通过将AGV运行的路径环境进行建模等针对性措施,把蚁群算法引入到AGV路径规划的现实问题中,然后考虑多AGV路径规划可能存在的不同碰撞冲突类型,并考虑不同AGV拥有不同的任务优先级的现实情况,提出了避免AGV碰撞的策略,形成了基于融合任务规则优先级蚁群算法的多AGV路径规划算法。通过仿真实验结果,证实所提出的算法可以避免多台AGV之间的路径冲突,同时利用了蚁群算法寻求最优路径的能力,改进后的蚁群算法能够用于多AGV路径规划的实际场景中。

基于改进蚁群算法的巡检机器人避障路径规划方法设计

针对机器人进行避障路径规划时存在收敛速度差、规划路径长、迭代次数多以及规划时间长的问题,提出基于改进蚁群算法的巡检机器人避障路径规划方法。首先使用栅格法划分巡检机器人工作环境,通过对像素矩阵等指标的分析,构建栅格地图模型;基于人工势场法提出蚁群路径规划算法,使蚁群适应子空间的搜索;最后在模型中利用该算法,寻找该模型的最佳路径。实验结果表明,运用该方法进行路径规划时,收敛速度高、规划路径短、迭代次数少以及规划时间短。

基于改进蚁群算法的防护策略选择模型

网络攻击的多步性增加了预测攻击路径的难度,难以对攻击提供有效的安全防护,而传统的解决方案需要花费较高的成本来修复大量的网络漏洞。针对上述问题,对网络攻击的防护问题展开研究,提出一种基于改进蚁群算法的防护策略选择模型(Hardening Measures Selection Mode based on an Improved Ant Colony Optimization,HMSMIACO)。该模型由三部分组成:在现有攻击图的基础上,运用能够描述多步原子攻击间因果关系的贝叶斯信念网络构建用于评估网络安全风险的概率攻击图;结合防护成本与收益的量化指标,提出一种能够模拟攻击者决策过程的路径预测算法;鉴于防护策略选择问题是一个NP-hard问题,选择适用于中等规模网络环境的一种改进蚁群算法求解该问题,并获得该网络环境下近似最优的防护策略集。最后,通过实验说明了HMSMIACO在降低网络安全风险问题上的可行性与有效性。

基于改进蚁群算法的改航策略问题研究

航班改航飞行是在空域受危险天气及飞行冲突影响时的一种重要策略。为解决改航问题,恶劣天气条件下,首先基于数值气象预报特征,运用栅格法对空域场景进行改航环境建模。在考虑了空中交通规则及航空器性能的基础上,对航向改变次数、转弯角度、航段距离进行约束,提出基于改进蚁群算法的改航路径规划方法。最后,通过对贵阳—长沙航路的仿真分析,表明该算法能在局部受限区之间搜索到一条安全可行的临时改航航线,达到提高空域利用率的目的。

基于改进自适应蚁群算法的无人帆船路径规划

针对特定环境下的无人帆船路径规划问题,考虑到无人帆船复杂运动特性及目前路径评价指标较为单一等问题,本文提出了一种基于改进自适应蚁群算法的无人帆船路径规划方法。通过对角线优先规则解决蚁群前期寻路的盲目性问题,加快最优路径收敛速度;结合无人帆船在特定风向风速下的航速大小设计启发函数,并在转移概率中增加目标终点对无人帆船的吸引作用,使无人帆船最优路径评价指标更加贴合实际应用;引进不同自适应调整策略分别改进蚁群算法信息素更新机制和搜索步长,达到平衡全局搜索和局部搜索的目的,有效避免无人帆船路径陷入局部最优。本文通过多组仿真对比实验,验证了所提算法的合理性与优越性。

基于改进蚁群算法的船舶电力系统故障重构研究

提出一种采用K阶近邻策略求解子集类问题的改进蚁群算法,应用到船舶电力系统故障重构问题中。将重构问题抽象为子集类优化选择问题,建立适合解决此类问题的蚁群算法模型。根据船舶电力系统故障重构特点,采用K阶近邻策略缩小算法的求解空间以提高寻优求解效率。算例分析及仿真实例表明,改进后的蚁群算法可以有效解决船舶电力系统故障重构问题。

基于蚁群算法的多移动机器人避障路径规划方法

为提高多移动机器人避障路径的规划能力,提出基于蚁群算法的多移动机器人避障路径规划方法。结合小扰动解析方法构建多移动机器人运动学模型,根据运动学特征建立避障路径分布约束参数;通过自适应蒙特卡洛定位法进行故障定位;根据定位信息,结合蚁群算法进行多移动机器人避障路径规划寻优控制。仿真结果表明,采用该方法进行多移动机器人避障路径规划的自适应寻优能力较好,机器人定位精度较高,提高了多移动机器人避障能力。

自适应避障蚁群算法的移动机器人路径规划

传统蚁群算法在解决机器人路径规划的问题上存在收敛慢,容易收敛于次优路径的不足。针对以上不足,研究在状态转移概率、信息素更新方面进行改进。在状态转移概率上引入了一个避障函数因子,减小蚂蚁进入地图陷阱的概率,从而有效减少陷入死锁的蚂蚁数量,加快收敛速度。在信息素方面,加入了随迭代次数变化的信息素挥发因子,增加算法进行全局搜索的可能性,避免算法陷入局部最优。设计三种栅格障碍图对两种算法进行仿真,结果对比均表明,经过改进得到的AOA蚁群算法的初次收敛次数更少,迭代速度大大增强,并且最终规划得到的最小路径长度均比原算法小,与其他的改进算法相比,在找到最优路径的同时,其初次迭代的收敛次数也大大降低。