基于自适应蚁群算法的农用智能机器人路径规划

针对田间农用智能机器人路径规划问题,结合蚁群算法特点,提出一种基于自适应蚁群算法的路径规划方法,目的是在信息采集、田间巡检、果蔬采摘及作物搬运等操作中,利用所提方法为农用智能机器人搜索出一条距离最短的优化路径,确保其能沿着该优化路径顺利达到指定作物种植区,完成指定工作任务。该方法通过引入自适应调整信息素挥发系数、更改信息素更新机制和限定信息素阈值等策略,对传统蚁群算法进行了优化改进。仿真结果显示,在100 m×100 m作物种植区模型内,改进算法能有效解决农用智能机器人路径规划问题;改进算法规划的最佳路径长度较传统蚁群算法和禁忌搜索算法分别减少3.745 1 m和16.387 6 m;改进算法规划最佳路径所需程序迭代次数较传统蚁群算法和禁忌搜索算法分别减少13代和31代,结果表明,与传统蚁群算法和禁忌搜索算法相比,改进算法具有较强的全局搜索能力和较好的收敛性能。     

基于改进势场蚁群算法的移动机器人最优路径规划

首先,针对传统人工势场算法存在死锁及局部路径欠优等问题,对其进行改进。利用障碍物检测算法识别出有效障碍物和有效路径中间点,通过引力场和边界条件规划出起点到中间点的局部路径,将中间点置为新的起点进行反复迭代,直至起点与目标点重合则规划完成。其次,针对蚁群算法容易陷入局部最优以及收敛速度较慢等问题,对其进行改进。以改进人工势场算法规划出的路径启发蚁群进行路径搜索,从而避免算法早期由于盲目搜索而导致的路径交叉及收敛速度慢等问题,同时以收敛次数构建负反馈通道,使全局信息素和局部信息素的更新速率跟随收敛次数的变化自适应调节,从而保证了算法全程中收敛速度与全局搜索能力的协调与统一。最后,在Matlab中对本文算法、基本蚁群算法以及文献[23]所述算法分别进行仿真实验。结果表明:在相同的环境模型下,本文算法的收敛速度和搜索能力均优于另两种算法;在给定的简单环境模型下进行路径规划时,本文算法的迭代次数为3次,运行时间为0. 892 s,最优路径长度为28. 627 m;在给定的复杂环境模型下进行路径规划时,本文算法的迭代次数为8次,运行时间为3. 376 s,最优路径长度为31. 556 m,所寻路径对环境的覆盖率为73. 63%。     

基于势场蚁群算法的移动机器人全局路径规划方法

针对移动机器人路径规划蚁群算法收敛速度慢和人工势场法易陷入局部最优的问题,提出一种以栅格地图为环境模型,在蚁群算法搜索过程中加入针对具体问题的人工势场局部搜索寻优算法,将人工势场法中力因素转换为局部扩散信息素,使蚁群倾向于具有高适应值的子空间搜索,减少了蚁群算法在盲目搜索路径过程中产生的局部交叉路径及蚂蚁"迷失"数量,提高了蚁群对障碍物的预避障能力。对不同参数组合下2种算法及其它改进算法仿真结果做了比较,验证了基于势场蚁群算法的全局路径规划能够加快寻优过程且具有较强的搜索能力,收敛速度提高近1倍。     

基于有效拐点和最短最小路径的蚁群路径规划方法

为了提高蚁群算法路径寻优的收敛精度和收敛速度,提出一种基于有效拐点的栅格图和基于最短距离最小步数路径（最短最小路径）的蚁群算法,用于搜索地面移动机器人从起点到终点的最短路径。在标准蚁群算法路径规划中,蚂蚁的搜索方式是有限方向有限邻域,本文采取无限邻域的搜索方式,可取捷径搜索任何可直通的栅格点,并提出有效拐点的概念,减小了单步搜索量。提出最短最小路径的概念,并用其取代欧氏距离作为启发值,提高了启发值的准确度和可靠性,同时用起点到终点的最短最小距离指导信息素更新,提高了蚁群算法迭代的质量。最后,在不同规模、不同障碍比例的栅格地图环境下进行实验,结果表明用最短最小路径距离取代欧氏距离的合理性,并验证了本文方法可以在降低计算量的同时,以更快的收敛速度搜索到距离更短、步数更少的路径。     

基于PSO-EACO的农业机器人路径规划仿真研究

针对农业机器人在完成采摘、质量检测、信息采集等作业中路径规划低效问题,采用粒子群(PSO)和改进蚁群(EACO)融合算法对路径规划进行改进。该融合算法先通过带有惯性权重的粒子群算法找到初始路径,然后将该种群看作蚁群算法的初始信息素来分布,从而进行精密搜索,避免盲目搜索带来的低效,提高搜索速度。结果表明:融合后的PSOEACO算法得出的路径长度比改进的EACO算法缩短2.5%,完成任务用时缩短5.1%。本算法能够规划出最优行走路径,提高农业机器人的工作效率。     

基于改进蚁群算法的农业机器人路径规划研究

针对农业机器人路径规划实时性和稳定性差的问题,采用人工势场法,并结合Memetic算法与精英排序法优化基本蚁群算法。该算法用势场法获得路径初始化种群,对每代路径进行Memetic算法中的交叉组合操作,将每代蚂蚁产生的路径分别进行优化排序,根据蚂蚁路径的优劣程度,对信息素进行更新;同时,加入精英小组蚂蚁产生的信息素,从而加快了算法的收敛速度,提高了算法的稳定性。实验表明:改进后算法的平均最优路径长度提高了12.56%,收敛代数提高55.86%,算法用时提高了65.3%,最优解百分比增加了40%。本算法能够快速有效地规划出最优路径,提高了农业机器人的工作效率。     

基于改进蚁群算法的农田平地导航三维路径规划方法

为解决农田平地机无人驾驶作业时缺乏局部规划,进而实现平地路径在线调整的问题,以平地作业土方合理运卸且路径最短为目的,提出了一种基于改进蚁群算法的农田平地导航三维路径规划方法。基于农田三维地势模型,采用改进的蚁群算法规划三维路径：以平地作业土方运载为决策方向,建立新的路径搜索节点,对比平地机作业时平地铲运载土方量和经过栅格计算所需的挖填土方量,根据土方运载任务设置信息素更新规则和启发函数,获取农田平地的最佳三维路径;基于平地机的运动学模型,设置农田平地机转向约束条件,根据约束条件对路径进行平滑优化,并建立三维路径规划的效果评价标准。仿真结果表明：相比于原始蚁群算法,该方法的路径规划效果评价指标提高33.3%以上,可以更好地指导农田平地机实现局部平地任务,而且大大缩短了路径生成时间和路径长度,使路径更为平滑,更适用于辅助农田平地的自动导航作业。     

基于蚁群算法的机器人能量管理策略

当电池载有量有限的工业轮式机器人在复杂地形中工作时,需要探索并规划出一条最省能量的行走路线,本文为此提出了一种改进的蚁群算法来满足此要求。将原有单一维度的信息素根据需求进行升维处理,使其在模型中具有更加有效的表达及信号传输能力。对比结果发现,改进后的蚁群算法比原始蚁群算法探索到的路径能耗更低。     

基于动态扩展邻域蚁群算法的移动机器人路径规划

针对蚁群算法易陷入局部最优、路径转折点多、收敛速度慢的问题,提出一种基于动态扩展邻域蚁群算法（Dynamic extended neighbourhoods ant colony optimization,DENACO）。在蚂蚁搜索方式上采用动态扩展邻域方法,并定义新的信息素计算方式和增量规则,在取得更优收敛路径长度的同时,减少路径转折点数量及路径节点数量;引入自适应调整因子改进启发函数,提高算法的全局搜索能力,并设定迭代阈值,提升算法的收敛速度;提出一种路径节点双优化策略,对规划好的路径进一步优化,提高路径综合质量。不同复杂度及不同规模栅格地图中的仿真实验表明,DENACO算法所规划的路径更优,路径转折点数量减少,收敛速度加快,路径节点数量明显减少,表明算法具有更高的可行性和适用性。     

基于蚁群算法的移动机器人全局路径规划方法研究

依据蚁群算法的特点,对移动机器人的全局路径规划方法进行了研究。采用栅格法描述移动机器人的环境信息,仿真分析了蚁群算法的主要参数如蚁群数量m、启发因子α、期望启发因子β和信息素挥发系数ρ等对规划路径的长度和路径规划效率的影响。研究结果表明,当算法的参数匹配时,获得的规划路径不仅长度短,且路径规划效率高。通过仿真找到了最佳匹配参数组。基于仿真结果,对工作在不同环境下的移动机器人进行了全局路径规划仿真实验,研究结果验证了蚁群算法最佳匹配参数组的准确性。