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%。     

基于双向搜索策略的改进蚁群路径规划算法

针对在多障碍物地形中将传统蚁群算法运用在移动机器人路径规划问题上出现收敛速度慢,容易陷入局部最优,易于陷入死锁等一系列问题,提出了一种改进蚁群算法。在传统蚁群算法的基础上,根据蚂蚁周围可行栅格距离目标点的远近,自适应地调整启发函数,加快算法收敛速度;针对传统蚁群所用的回退和死亡策略,提出了一种最优路径保留策略,提高了算法性能;使用两组不同种类的蚂蚁分别从起始点和目标点进行双向搜索的方法来构建最优路径,进一步提升了算法的搜索效率。实验表明该方法与传统的蚁群算法相比减少了搜索时间,降低了迭代次数,明显提高了算法的寻优效率。     

动态蚁群算法在梯级水库优化调度中的应用

针对蚁群算法缺乏全局搜索与局部寻优之间的动态调整,蚁群难以保持较好的多样性,算法极易陷入局部最优的问题,以余弦递减的策略动态调整启发式因子的变化,从而平衡算法的全局搜索和局部寻优。同时,利用混沌搜索的随机性和遍历性,对蚁群每次迭代找到的路径进行混沌扰动,从而提高算法跳出局部最优的能力,避免算法早熟收敛。将改进的蚁群算法应用于梯级水库的联合优化调度,模拟计算结果表明了算法的有效性。将其结果与逐步优化法和标准蚁群算法的计算结果进行对比,体现了算法在求解速度和求解精度上的优势。     

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。     

基于人工势场法的移动机器人路径规划研究现状与展望

路径规划是移动机器人领域的热点研究方向，人工势场法已在工业机器人路径规划中得到广泛应用，近年来正逐步应用于农业工程的路径规划问题中。首先对路径规划中人工势场法的原理及传统人工势场法存在的缺陷进行分析，针对人工势场法中的局部极小值和目标不可达问题的多重改进方法进行原理分析和方法总结，并根据人工势场法在工业机器人中的应用对已有的算法融合方法进行分类综述。最后通过对多种改进方法的比较，对农业机器人路径规划所需满足的实时性以及障碍物的多变性进行应用展望，可以利用现有的算法融合研究，结合农业生产的实际情况，对不同农业生产应用场合的融合算法选择机制进行深入研究，以满足现代农业生产中对机器人路径规划的需求。     

基于动态反馈A*蚁群算法的平滑路径规划方法

针对移动机器人提出了一种基于动态反馈A~*蚁群算法的平滑路径规划方法。首先,为了克服蚁群算法收敛速度慢的缺点,提出了简化A~*算法来优化初始信息素设置以解决初次搜索的盲目性,并借鉴多策略进化机制加强算法的全局搜索能力。其次,为了进一步提高算法在路径规划中的适应能力,解决陷入局部极小和停滞问题,引入闭环反馈思想来实现参数的动态自适应调节。最后,结合三次B样条曲线对所规划的路径进行平滑处理,以满足移动机器人实际运动路径的要求。通过仿真表明:与原蚁群算法相比,动态反馈A~*蚁群算法平均可减少10.4%的路径成本和65.8%的计算时长。同时,该算法在动态和静态环境中,均能快速规划出一条光滑优质路径。     

基于含避障角人工势场法的机器人路径规划

针对基于距离的人工势场法(Artificial potential field,APF)存在的局部极小值问题,提出了一种含避障角的人工势场法的避障路径规划方法。在平面环境中,采用斜率判定路径规划过程中的位置关系,通过机器人当前点到障碍物的距离与障碍物的影响半径二者之差得出人工势场法中的排斥力,并对排斥力的偏转角进行调整;另外,在空间环境中利用圆弧插补理论将机器人平面避障问题转换为空间避障问题;基于机器人构型配置对改进人工势场法进一步完善以满足实际避障要求。仿真和实验研究结果表明,含避障角的人工势场法,在单个或多个障碍物环境中进行避障路径规划时解决了局部极小值的问题,同时实现了6自由度机器人末端在避障时的轨迹曲线平滑无振荡,验证了所提出避障路径规划方法的可行性。     

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。     

基于改进蚁群算法的蔬菜大田无人农机路径优化

推进蔬菜机械化与无人化种植能够保障优良的蔬菜规模化种植技术效益,有力保证蔬菜质量与品质,有利于蔬菜规模化生产种植技术产业体系的发展。利用无人拖拉机作业GPS定位点集将实际农业作业区域转化为规则矩形,在此基础上建立以无人拖拉机总转弯距离最短为优化模型,采用蚁群算法对无人拖拉机耕地作业路径序列进行搜索。同时考虑到传统蚁群算法易陷入局部最优、全局搜索能力不足等问题,提出一种基于和声搜索策略的改进蚁群算法,通过引入sigmoid函数与和声搜索机制改善路径搜索能力,得到高质量耕地作业路径序列。将传统蚁群算法(AC)、精英蚁群算法(ELAC)作为对比算法,将传统梭形、回形作业方法作为路径对比作业方法,针对不同耕地作业规模进行无人拖拉机作业路径搜索试验。结果表明,本文算法得到的总转弯距离较梭形耕法降低35.53%～43.08%、较回形耕法降低24.98%～86.88%。精英蚁群算法在小规模作业区域中性能较优,但随着蔬菜大田规模扩大,改进和声蚁群算法优化效果更明显。     

基于改进蚁群系统的动态交通分配

现有动态交通分配模型大多使用数值算法求解,无法保证分配结果的准确性。蚁群算法作为一种分布并行计算的启发式算法,能够高效求解网络分配问题,但是,现有算法虽然保证了局部搜索效率,却忽略了全局搜索能力和对出行状况变化的动态反馈。本文在算法中插入阻抗计算步骤,将每步蚂蚁择路结果通过计算生成决策因子,并据此自适应调整算法参数,模拟实际出行者易于得到实时路况信息而有趋向性的择路行为,在保证局部搜索效率的前提下,增加算法求解质量和全局搜索能力。最后,分别使用改进前后的算法求解模型进行对比。结果表明,改进算法的分配结果更优,且路网流量分配更均衡,离散程度小,路网利用率高。改进算法求解模型具有理论结合实际的优势。     

基于改进蚁群算法的棉花异性纤维目标特征选择方法

为提高基于机器视觉的棉花异性纤维在线分类的精度和速度,提出一种基于改进蚁群算法的棉花异性纤维图像目标特征选择方法。采用初始选择概率预处理方案,设置特征初始概率,降低了冗余特征影响,缩短了算法搜索时间;利用分段变异运算及取优舍劣策略,对棉花异性纤维的颜色、纹理、形状3类特征进行分段变异,避免了算法局部收敛,选出了全局最优特征集。实验结果表明,改进的蚁群算法比基本蚁群算法优化能力更强,搜索时间更短,优化得到的棉花异性纤维特征子集的特征个数比原特征集减少了2/3,分类正确率由84%提高到93%。     

考虑非线性摩擦模型的机器人动力学参数辨识

针对机器人动力学参数辨识的问题,提出了一种基于人工蜂群算法的辨识方法。考虑到关节摩擦特性,引入非线性摩擦模型,推导了机器人动力学模型的非线性形式。设计满足速度、加速度边界条件的五阶傅里叶级数作为激励轨迹来采集实验数据;利用人工蜂群算法,以蜂群为搜索单位,通过群体间的信息交流方式与优胜劣汰机制,对模型中的未知参数进行了辨识。最后,对得到的辨识模型进行了分析与验证,结果表明通过辨识得到关节预测力矩与测量力矩有较高的匹配度,所建立的非线性模型能够更好地描述机器人的动力学特性。