Cooperative Search of UAV Swarm Based on Ant Colony Optimization with Artificial Potential Field

An ant colony optimization with artificial potential field(ACOAPF)algorithm is proposed to solve the cooperative search mission planning problem of unmanned aerial vehicle(UAV)swarm.This algorithm adopts a distributed architecture where each UAV is considered as an ant and makes decision autonomously.At each decision step,the ants choose the next gird according to the state transition rule and update its own artificial potential field and pheromone map based on the current search results.Through iterations of this process,the cooperative search of UAV swarm for mission area is realized.The state transition rule is divided into two types.If the artificial potential force is larger than a threshold,the deterministic transition rule is adopted,otherwise a heuristic transition rule is used.The deterministic transition rule can ensure UAVs to avoid the threat or approach the target quickly.And the heuristics transition rule considering the pheromone and heuristic information ensures the continuous search of area with the goal of covering more unknown area and finding more targets.Finally,simulations are carried out to verify the effectiveness of the proposed ACOAPF algorithm for cooperative search mission of UAV swarm.

Ant Colony Optimization with Potential Field Based on Grid Map for Mobile Robot Path Planning

For the mobile robot path planning under the complex environment,ant colony optimization with artificial potential field based on grid map is proposed to avoid traditional ant colony algorithm's poor convergence and local optimum.Firstly,the pheromone updating mechanism of ant colony is designed by a hybrid strategy of global map updating and local grids updating.Then,some angles between the vectors of artificial potential field and the orientations of current grid are introduced to calculate the visibility of eight-neighbor cells of cellular automata,which are adopted as ant colony's inspiring factor to calculate the transition probability based on the pseudo-random transition rule cellular automata.Finally,mobile robot dynamic path planning and the simulation experiments are completed by this algorithm,and the experimental results show that the method is feasible and effective.

Research on UAV cloud control system based on ant colony algorithm

In the cloud era, the control objects are becoming larger and the information processing is more complex, and it is difficult for traditional control systems to process massive data in a timely manner. In view of the difficulty of data processing in the cloud era, it is extremely important to perform massive data operations through cloud servers. Unmanned aeriel vehicle(UAV) control is the representative of the intelligent field. Based on the ant colony algorithm and incorporating the potential field method, an improved potential field ant colony algorithm is designed. To deal with the path planning problem of UAVs, the potential field ant colony algorithm shortens the optimal path distance by 6.7%, increases the algorithm running time by39.3%, and increases the maximum distance by 24.1% compared with the previous improvement. The cloud server is used to process the path problem of the UAV and feedback the calculation results in real time. Simulation experiments verify the effectiveness of the new algorithm in the cloud environment.

基于改进蚁群算法的农业机器人多田块路径规划方法与试验

[目的]针对丘陵地区因田块碎片化和障碍物影响农业机器人作业的情况,提出一种基于改进蚁群算法和A算法相结合的多田块路径规划方法。[方法]通过无人机构建农田遥感影像,利用栅格法对农田进行环境建模,再进行子区的划分与合并,在蚁群算法中引入区域启发函数,对不同区域内的移动代价作区分,通过人工增加最优路径中的信息素浓度并建立自适应信息素挥发系数,对信息素更新方法进行改进,以此求解作业子区间的最优遍历顺序,利用具有启发式搜索功能的A算法进行子区连接路径规划,最终实现多田块路径规划。[结果]MATLAB仿真试验结果表明,在子区数量为40时,采用改进蚁群算法进行规划的平均路径长度比传统的蚁群算法减少了3.19%,平均迭代收敛次数减少了79.5%;在路径遍历仿真试验中,农业机器人遍历路径覆盖率能达到100%,路径重复率为6.48%。利用农田无人机遥感影像和田间作业参数进行自然环境的仿真试验,进一步验证了该方法的有效性。[结论]本研究提出的方法能有效解决丘陵地区农业机器人多田块路径规划问题,可为丘陵地区农业机器人大面积作业提供路径参考与技术支持。

基于AIS轨迹和改进蚁群算法的船舶航线规划方法

在保证船舶航线安全的前提下,以最短航程为目标,提出基于AIS轨迹和改进蚁群算法的船舶航线规划方法。对船舶AIS数据进行预处理,去除船舶AIS数据中的冗余数据,完成船舶AIS数据提纯;采用基于粒子群与K均值混合聚类算法的核心转向点筛选与识别方法,筛选并识别船舶AIS数据中船舶航线核心转向点数据;通过基于改进蚁群算法的航线规划方法,以核心转向点数据为基础,构建航线网络,在此网络中,通过人工势场法对蚁群算法进行改进,对船舶航线进行寻优,实现船舶航线规划。经实验验证,本文方法能够规划出安全合理的船舶航线。

智慧工地物料配送动态时间窗车辆路径优化

智慧工地物料配送是建筑业提升建造效率的重要环节。为有效解决智慧工地物料配送路径优化问题,依托运筹学理论将其转化为带时间窗的车辆路径规划问题。以总配送路径最短为目标函数,建立动态时间窗车辆路径(VRPDTW)数学模型,构建全局最优理论模型。运用改进人工势场算法分析障碍物和中间节点,再代入基础蚁群算法进行施工现场全局路径规划,对VRPDTW数学模型进行优化。并通过仿真实验对模型进行实证检验。结果表明:改进算法和VRPDTW模型可实现全局优化,能够有效解决智慧工地场景下物料连续配送问题,相较于基础算法,改进算法使路径规划的准确度提高,成本降低,效率提升,具有理论意义和行业应用价值。

基于改进融合蚁群算法的AGV路径规划

针对传统蚁群算法在AGV寻路时存在收敛速度慢、转角次数多且不够平滑等问题,在蚁群系统算法(Ant Colony System,ACS)的基础上,提出一种改进融合蚁群算法。首先通过势场引力函数来改进蚁群系统的启发函数;其次,采用一种改进自适应伪随机转移策略,在信息素更新中引入自适应挥发因子;然后,采用三次B样条曲线平滑策略进行优化;最后,在栅格地图中进行仿真,结果表明,改进算法达到缩短路径长度和减少转角次数的目的,同时提高算法的收敛性和路径平滑性,相较于传统蚁群算法能明显提升寻路效率。

Path Planning for AUVs Based on Improved APF-AC Algorithm

With the increase in ocean exploration activities and underwater development,the autonomous underwater vehicle(AUV)has been widely used as a type of underwater automation equipment in the detection of underwater environments.However,nowadays AUVs generally have drawbacks such as weak endurance,low intelligence,and poor detection ability.The research and implementation of path-planning methods are the premise of AUVs to achieve actual tasks.To improve the underwater operation ability of the AUV,this paper studies the typical problems of path-planning for the ant colony algorithm and the artificial potential field algorithm.In response to the limitations of a single algorithm,an optimization scheme is proposed to improve the artificial potential field ant colony(APF-AC)algorithm.Compared with traditional ant colony and comparative algorithms,the APF-AC reduced the path length by 1.57%and 0.63%(in the simple environment),8.92%and 3.46%(in the complex environment).The iteration time has been reduced by approximately 28.48%and 18.05%(in the simple environment),18.53%and 9.24%(in the complex environment).Finally,the improved APF-AC algorithm has been validated on the AUV platform,and the experiment is consistent with the simulation.Improved APF-AC algorithm can effectively reduce the underwater operation time and overall power consumption of the AUV,and shows a higher safety.

蚁群算法引导人工势场法的机器人路径规划

提出了一种将改进蚁群算法和人工势场法相融合的算法。使用改进蚁群算法规划出一条全局最优路径,在全局最优路径的引导下采用人工势场法进行局部路径规划,规划出机器人的实时最优路径。仿真实验证明,所提算法规划出的路径不仅具有全局最优路径的信息,同时还具备规避未知障碍物和动态障碍物的能力。

基于信息地图和改进蚁群算法的多无人机覆盖优化方法

为提高多无人机组成的传感器网络在特定任务区域的覆盖效率,提出一种基于蚁群算法的优化方法。利用信息地图机制实现多架无人机的信息交互从而对区域进行协同搜索覆盖。实验结果表明:该方法能有效提高多无人机传感器网络的区域覆盖效率,并防止无人机间的相互碰撞。

基于混合蚁群算法的无人化农机路径寻优研究

针对智慧农业中复杂环境下无人化农机路径规划寻优过程中存在的迭代速度慢、路径安全性较低等问题,融合人工势场、量子行为以及基于B样条的平滑策略提出了混合蚁群算法。该方法在迭代初期引入人工势场法,以解决迭代速度慢问题以及实现全局最优平衡;在路径寻优的中期加入量子行为优化信息密度阈值,改进算法状态选择概率,避免算法陷入局部最优,以提高获取优质解的能力;在迭代后期融合基于B样条的平滑策略,优化最优路径,提高无人化农机避障能力。仿真试验结果表明,基于混合蚁群算法的无人化农机在复杂环境作业时,路径寻优能力得到有效提升,路径优化响应速度提升了73倍,路径优化后距离缩短超过11.8%。

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。

基于蚁群混合人工势场法的多机器人编队运动

针对多机器人路径规划问题提出了一种基于蚁群混合人工势场法的集成编队路径规划方法,该方法基于领航者跟随法构造多机器人的编队队形,利用改进蚁群优化(ACO)算法为领航者提供复杂障碍物环境下的全局路径,结合改进人工势场(APF)法决策避障。在全局路径规划阶段,通过改进ACO算法提高了路径的最优性和安全性;在局部路径规划阶段,通过优化APF法的引力、斥力系数以及避障函数解决了标准APF法下机器人易陷入局部最优、易受复杂环境干扰等问题;为提高多机器人的编队运动能力,领航者采取自适应导航策略以提高路径追踪能力,跟随者自适应修正运动速度以较好地维持编队队形。实验结果表明,所提方法成功地协调了多机器人的路径规划和编队问题。

复杂地质条件下矿用智能巡检机器人自动避障研究

为机器人在复杂地质条件下规划最佳井下避障巡检路线,合理指导矿用智能巡检机器人高效率巡检,研究复杂地质条件下矿用智能巡检机器人自动避障方法。以最快前进运动和保持目标方向统一为矿用智能巡检机器人巡检目标函数,建立巡检路径规划数学模型;以模型为基础,通过改进蚁群算法获取从矿用智能巡检机器人初始点位置到终止点位置的最优路径;利用人工势场法将最优路径与自动避障问题相结合,通过叠加引力和斥力的势场合力,判断复杂地质条件下障碍物位置,实现矿用智能巡检机器人在复杂的地质环境中自动避障规划。实验结果表明,该方法可实现复杂地质条件下矿用智能巡检机器人避障路径规划,矿用智能巡检机器人可在最短时间内成功躲避障碍物,用较少的迭代次数便可获取最短避障路径。

基于蚁群势场算法的建筑材料运输机器人智能避障方法

针对现有建筑材料运输机器人避障中存在的全局寻优能力差,易与移动障碍物发生碰撞的不足,设计了一种蚁群势场算法;首先分析了蚁群算法下蚂蚁个体信息素浓度的累积过程,通过构建人工势场求解引力和斥力的合作,将其作为优选蚁群算法启发因子的重要约束条件;其次引入SA算法对蚁群势场算法做二次优化,将降温的过程视为一个全局优化的过程;最后在局部避碰方面构建了质量点模型,通过评估机器人当前位置、运行速度和障碍物位置等信息建立惩罚函数,并将惩罚函数值降至最低,避免出现与障碍物的碰撞;实验结果显示:提出算法有更高的迭代效率,复杂动态条件下最短行进距离为110.6 m, 4种传统算法的最短行进距离分别为135.5、137.6、137.2和130.4 m,而且在该算法控制下,未出现局部与其他移动机器人的碰撞情况。

基于势场蚁群算法的仓储搬运机器人避障控制方法

针对现有仓储搬运机器人避障控制算法存在的路径寻优易陷入局部最优解,及多机器人同时作业易发生碰撞等问题,对物流机器人的避障控制进行了研究,并提出一种基于改进势场蚁群的控制算法;对机器人搬运过程中的移动轨迹进行了研究,给出了机器人空间运动学方程;采用了蚁群算法对经典人工势场算法进行优化,提升全局寻优能力并平衡引力和斥力的相互作用关系;在仓储搬运机器人的局部区域避障方面,基于策略梯度算法对人工势场做二次优化,通过分析下一动作指令的发生概率,改善多机器人同时作业时行进路径选择的随机性;经测试,提出控制算法的路径最短,完成单次运输任务耗时仅为12.3 s,而且在复杂路径规划条件下,机器人之间发生碰撞的次数也显著少于传统避障控制算法,经实际应用能够满足提升仓储物流管理效率的需求。

基于改进蚁群算法的船舶路径规划算法与避碰仿真实验

近年来,船舶正逐渐向智能化和自主化方向发展,船舶路径规划作为实现船舶智能化的基础,已成为学术界的研究热点。蚁群算法作为最常用的元启发式算法之一,在解决路径规划问题上取得了不错的效果,但仍然存在若干缺陷。为解决蚁群算法实现船舶路径规划时存在的迭代速度慢、路径安全性较低等问题,采用启发式和融合式策略改进算法:在蚁群算法迭代初期,引入人工势场,提高算法迭代效率;将路径长度、路径安全性和路径平滑性约束函数融入信息素更新规则,保障船舶航行路径安全;构建混合蚁群静态路径规划算法,加入船舶避碰方法,搭建船舶动态路径规划算法。为验证路径规划算法的可行性和稳定性,设计各种仿真环境并进行了对比分析,结果表明,改进后的蚁群算法收敛速度快,且路径规划更加贴合实际。

基于蚁群算法与人工势场法的移动机器人路径规划

针对复杂环境下移动机器人路径规划困难的问题,提出了一种将全局路径规划蚁群算法与局部路径规划人工势场法相融合的混合型算法。首先,采用多因素启发函数和新的蚂蚁行进机制来解决传统蚁群算法路径质量差且易陷入对角障碍的问题;其次,针对传统蚁群算法收敛速度慢的情况,设计了自适应挥发系数和动态权重系数;接着,通过引入虚拟目标点、相对距离和安全距离的概念,解决了传统人工势场法易陷入局部极小值、目标不可达以及过度避障的问题;最后,将改进蚁群算法规划路径的转折点作为局部子目标点来调用改进的人工势场法进行二次规划。仿真表明改进蚁群算法较传统算法以及其他算法在路径长度方面优化了9.9%和2.0%,在路径转折次数方面优化了81.8%和63.6%,在收敛速度方面优化了94.2%和63.6%;改进人工势场法有效解决了自身问题;而以二者为基础的混合型算法则充分地结合了二者的优势,在复杂的静态和动态环境中具有极高的环境适应性和路径规划效率。

基于改进蚁群算法的全局船舶路径规划方法

为解决船舶在静态环境和动态环境下的全局路径规划问题,采用人工势场法计算迭代初期的船舶受力方向,并对引力势场函数进行修改提高混合蚁群算法的迭代效率;设计伪随机状态转移规则,通过强化优秀路径的选择来提高算法的收敛性;更新信息素时考虑路径的长度、安全性以及平滑程度,以规划更加安全的航行路径。仿真结果表明,改进后的蚁群算法比原始蚁群算法收敛速度更快,获取最优解的质量更高,可实现静态和动态环境下的全局船舶路径规划。

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。