多策略改进粒子群优化AGV模糊PID控制

为解决AGV在复杂环境下控制精度低下、响应速度慢和鲁棒性差等问题,提出一种基于改进粒子群优化模糊PID控制方法。在粒子群算法(PSO)引入Logistic混沌映射对种群进行初始化,其次对惯性权重和学习因子进行非线性控制更新,提升种群寻优能力和避免陷入局部最优;选取9个测试函数验证改进PSO算法效果。仿真结果表明改进PSO在寻优精度和收敛速度都优于其他3种算法,而且不易陷入局部最优。最后对被控系统进行效果验证,结果表明改进PSO优化模糊PID控制器在常规和外部干扰两种环境下控制性能都优于传统PID和模糊PID,具有高可靠性、高控制精度,满足系统要求。

基于模糊控制蚁群算法的移动机器人路径规划

AGV(automated guided vehicle)等移动机器人在不同环境,特别是复杂环境中的路径规划存在着算法收敛速度慢、收敛路径冗余节点多的问题。为克服上述问题,提出一种基于改进蚁群算法的全局路径规划算法(FOACO)。首先,引入一种新的信息素初始化分布规则,提高初始信息素的启发作用;同时,在传统蚁群算法的信息素更新策略中引入模糊控制器和收敛状态信息素增量参数,来提高信息素更新效果和启发作用;引入新的自适应调整信息素权重因子和蒸发率规则,进一步提高算法的收敛速度和最优路径搜索能力;引入几何优化算法进行冗余节点的去除和最短路径的更新优化,动态更新最终路径。实验结果表明,在不同仿真环境,FOACO算法可以有效地减少最优路径搜索的迭代次数,加快算法收敛速度,进一步优化路径冗余节点、缩短最优路径,整体效果优于传统蚁群算法。

融合改进A^(*)与DWA算法的机器人动态路径规划

传统A^(*)算法是移动机器人全局路径规划的常用算法之一,但是算法搜索效率低、规划路径转折点多、面对复杂环境中随机出现的动态障碍物无法实现动态路径规划。针对这些问题,在考虑全局最优的基础上将改进A^(*)与DWA算法融合,量化环境中的障碍物信息,根据此信息调节A^(*)算法启发函数的权重,提高算法的效率和灵活性。基于Floyd算法思想设计路径节点优化算法,删除冗余节点,减少转折,提高路径平滑度。基于全局最优设计DWA算法的动态窗口评价函数,用于区分已知障碍物和未知动态、静态障碍物,提取改进A^(*)算法规划路径的关键点作为DWA算法的临时目标点,在全局最优的基础上实现了改进A^(*)与DWA算法融合。实验结果表明,在复杂环境中,融合算法规划路径既能保证全局最优,又能及时有效地躲避环境中出现的动静态障碍物,实现复杂环境中的动态路径规划。