基于A*算法的角色与群体路径寻找方法的研究
发布时间：2020-12-14 23:32
当今社会,随着科学的进步和发展,交通网络越来越发达,人们在旅游、出差或者其他出行时,不仅会关心费用问题,而且对里程和所需要的时间等问题也特别感兴趣。例如,当前所在城市到目的地城市的最短距离、以及如何根据最短距离行驶等。为了更方便出行,急需建立起一个可实现最短路径规划的交通咨询系统,如谷歌地图、百度地图等均具有相似的功能。此类系统可以方便的解决人们所面临的有关交通的问题。此类问题为最短路径问题,该问题的解决可以在运输系统、电子导航系统以及人工智能等领域中具有重要应用,因此具有很重要的实际应用价值。A*算法是目前最短路径问题所采用的理论基础,因此是一种非常经典的最短路径算法。常见的寻路、路径规划问题都可由A*算法解决。本文提出了针对运用A*算法寻找出的锯齿路径的平滑处理策略,并建立了 A*算法的群体模型,通过比较各种不同方式的环境地图,测试出基于A*算法的路径寻求算法的实际表现效果,并分析它们的适用情况和在路径寻找中的应用范围。本文的主要工作如下:首先,本文对路径算法在国内外的应用和发展前景作了简单的总结和说明,并介绍了最短路径的定义以及现有的几种最短路径算法。其次,本文通过对目前比较主流...
【文章来源】：扬州大学江苏省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
图３．３?Ａ＊算法模拟路径示意图??图３．３就是在有障碍物的情况下，Ａ＊算法求出的路径，它不需要像Ｄｉｊｋｓｔｍ算法一样，??
?扬州大学硕士学位论文?１８??图３．１是用Ｄｉｊｋｓｔｒａ算法对某一块区域进行最短路径的寻找，颜色越深代表边的距离??越长，付出的代价越大。??最佳优先搜索算法（ＢＦＳ）算法和Ｄｉｊｋｓｔｒａ算法比较类似，但不同的是ＢＦＳ算法能预先??评估任意节点到目标节点的值。而且ＢＦＳ算法不能保证找到一条最短路径，它只能保证在??找到近似值的同时，提高了寻路过程的速度，能迅速的靠近目标节点。??丨?ｆ?？?ｆｉ?Ｉ?ｔ?；?ｊ?＆?＞?Ｉ?｜?＊?ｊ?丨．．ｉ?丨?ｉ?１?ｆ?丨?｛?ｌ??ＺＣ?丁一?ｒＣ?＝—１１Ｌ．１Ｊ．．Ｉ???－丄．ｊｚ?一??ｊ?！?ｉ??二＝１＝讲．．ｐ?■二二：＾：二其：??＝：ｐｉ〒二一二十一Ｔ－?＾?Ｊ；，???？」、、■顯?－?：??［?ｊ???＂ＪＪ＇Ｊ；?ｚｔｔ．Ｊ．ＺＺ?Ｚ?Ｚ?ＺｌＩＺ?Ｉ??＇?发為靈■鐵戀?Ｉ—＼…！??：?－ｉ－．．．．．．??—４，上二—ｉｉ；?－一，￣ｉ?ｈ??：Ｉｐ：「■＇ｊ．??：－－１?愈??Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?ｊ?ｊ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?ｊ?１?Ｉ?Ｉ?Ｉ?Ｉ?１??图３．２?ＢＦＳ算法模拟路径示意图??图３．２显示就是ＢＦＳ算法找出的路径，不是非常准确。这还仅仅是没有障碍物情况下，??最短路径都是偏向于直线，如果有障碍物，那么用Ｄｉｊｋｓｔｒａ算法会非常慢，如果用ＢＦＳ算??法，虽然运行速度很快，但是找到路径未必会很准确。而Ａ＊算法则是把ＢＦＳ算法中的启??发式思想和传统的Ｄｉｊｋｓｔｒａ算法融合在一起，又能很快的找到路径，还能保证路径的准确??
）和ＢＦＳ算法（靠近目标点的结点）的信息块结合起来。??在Ａ＊算法的术语中，ｇ（ｎ）表示从初始结点到任意距离结点ｎ的代价，ｈ（ｎ）表示从结点ｎ到??目标点的启发式评估代价；当从初识点向目标点移动时，Ａ＊很好的平衡了这两者：每次进??行主循环判断时，它会检查ｆ（ｎ）最小的结点ｎ，其中ｆ（ｎ）＝ｇ（ｎ）＋ｈ（ｎ）。??启发式函数ｈ（ｎ）则是明确了?Ａ＊从任意结点ｎ到目标结点的最小代价评估值。选择一??个好的启发式函数是重要的。??ｌ－ｉｖ．?＾?Ｊｉ?－＇Ｉ１?Ｂ３ａＤｙ１?｜??图４．１?Ａ＊算法示例图??如上图（４．１），我们将搜索区域划分成像素点，我们可以用方块来代替像素点，本图??可以拆分成７＊６＝４２个方块。在Ａ＊算法中需要用到２张列表：ｏｐｅｎ列表，存放所有被考虑??来寻找最短路径的方块；ｃｌｏｓｅｄ列表，存放不会再被考虑的方块。??我们可以给每个方块一个Ｇ＋Ｈ的值。Ｇ是起始点Ａ到目标方块的移动距离。由此我??们可以发现，起始点Ａ到相邻的８个小方块的移动量为１，并且该值Ｇ会随着目标方块的??移动而逐渐增大。Ｈ则是从当前方块到目标点的移动量的一个估算值。通常启发式函数就??是Ｈ函数，启发式函数越精确，搜索出来的路径就越逼近最优值。??对于距离，如果可以对角线移动，一般设置为七。如果有不同的地形，那么可以把相??应的移动量调整的大一点，例如沼泽、水等等。??
【参考文献】：
期刊论文
[1]基于改进A~*算法的室内移动机器人路径规划[J]. 王殿君. 清华大学学报(自然科学版). 2012(08)
[2]动态不确定环境下多目标路径规划方法[J]. 魏唯,欧阳丹彤,吕帅,冯宇轩. 计算机学报. 2011(05)
[3]移动机器人路径规划技术综述[J]. 朱大奇,颜明重. 控制与决策. 2010(07)
[4]未知环境下改进的基于BUG算法的移动机器人路径规划[J]. 康亮,赵春霞,郭剑辉. 系统仿真学报. 2009(17)
本文编号：2917211
【文章来源】：扬州大学江苏省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
图３．３?Ａ＊算法模拟路径示意图??图３．３就是在有障碍物的情况下，Ａ＊算法求出的路径，它不需要像Ｄｉｊｋｓｔｍ算法一样，??
?扬州大学硕士学位论文?１８??图３．１是用Ｄｉｊｋｓｔｒａ算法对某一块区域进行最短路径的寻找，颜色越深代表边的距离??越长，付出的代价越大。??最佳优先搜索算法（ＢＦＳ）算法和Ｄｉｊｋｓｔｒａ算法比较类似，但不同的是ＢＦＳ算法能预先??评估任意节点到目标节点的值。而且ＢＦＳ算法不能保证找到一条最短路径，它只能保证在??找到近似值的同时，提高了寻路过程的速度，能迅速的靠近目标节点。??丨?ｆ?？?ｆｉ?Ｉ?ｔ?；?ｊ?＆?＞?Ｉ?｜?＊?ｊ?丨．．ｉ?丨?ｉ?１?ｆ?丨?｛?ｌ??ＺＣ?丁一?ｒＣ?＝—１１Ｌ．１Ｊ．．Ｉ???－丄．ｊｚ?一??ｊ?！?ｉ??二＝１＝讲．．ｐ?■二二：＾：二其：??＝：ｐｉ〒二一二十一Ｔ－?＾?Ｊ；，???？」、、■顯?－?：??［?ｊ???＂ＪＪ＇Ｊ；?ｚｔｔ．Ｊ．ＺＺ?Ｚ?Ｚ?ＺｌＩＺ?Ｉ??＇?发為靈■鐵戀?Ｉ—＼…！??：?－ｉ－．．．．．．??—４，上二—ｉｉ；?－一，￣ｉ?ｈ??：Ｉｐ：「■＇ｊ．??：－－１?愈??Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?ｊ?ｊ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?ｊ?１?Ｉ?Ｉ?Ｉ?Ｉ?１??图３．２?ＢＦＳ算法模拟路径示意图??图３．２显示就是ＢＦＳ算法找出的路径，不是非常准确。这还仅仅是没有障碍物情况下，??最短路径都是偏向于直线，如果有障碍物，那么用Ｄｉｊｋｓｔｒａ算法会非常慢，如果用ＢＦＳ算??法，虽然运行速度很快，但是找到路径未必会很准确。而Ａ＊算法则是把ＢＦＳ算法中的启??发式思想和传统的Ｄｉｊｋｓｔｒａ算法融合在一起，又能很快的找到路径，还能保证路径的准确??
）和ＢＦＳ算法（靠近目标点的结点）的信息块结合起来。??在Ａ＊算法的术语中，ｇ（ｎ）表示从初始结点到任意距离结点ｎ的代价，ｈ（ｎ）表示从结点ｎ到??目标点的启发式评估代价；当从初识点向目标点移动时，Ａ＊很好的平衡了这两者：每次进??行主循环判断时，它会检查ｆ（ｎ）最小的结点ｎ，其中ｆ（ｎ）＝ｇ（ｎ）＋ｈ（ｎ）。??启发式函数ｈ（ｎ）则是明确了?Ａ＊从任意结点ｎ到目标结点的最小代价评估值。选择一??个好的启发式函数是重要的。??ｌ－ｉｖ．?＾?Ｊｉ?－＇Ｉ１?Ｂ３ａＤｙ１?｜??图４．１?Ａ＊算法示例图??如上图（４．１），我们将搜索区域划分成像素点，我们可以用方块来代替像素点，本图??可以拆分成７＊６＝４２个方块。在Ａ＊算法中需要用到２张列表：ｏｐｅｎ列表，存放所有被考虑??来寻找最短路径的方块；ｃｌｏｓｅｄ列表，存放不会再被考虑的方块。??我们可以给每个方块一个Ｇ＋Ｈ的值。Ｇ是起始点Ａ到目标方块的移动距离。由此我??们可以发现，起始点Ａ到相邻的８个小方块的移动量为１，并且该值Ｇ会随着目标方块的??移动而逐渐增大。Ｈ则是从当前方块到目标点的移动量的一个估算值。通常启发式函数就??是Ｈ函数，启发式函数越精确，搜索出来的路径就越逼近最优值。??对于距离，如果可以对角线移动，一般设置为七。如果有不同的地形，那么可以把相??应的移动量调整的大一点，例如沼泽、水等等。??
【参考文献】：
期刊论文
[1]基于改进A~*算法的室内移动机器人路径规划[J]. 王殿君. 清华大学学报(自然科学版). 2012(08)
[2]动态不确定环境下多目标路径规划方法[J]. 魏唯,欧阳丹彤,吕帅,冯宇轩. 计算机学报. 2011(05)
[3]移动机器人路径规划技术综述[J]. 朱大奇,颜明重. 控制与决策. 2010(07)
[4]未知环境下改进的基于BUG算法的移动机器人路径规划[J]. 康亮,赵春霞,郭剑辉. 系统仿真学报. 2009(17)
本文编号：2917211
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2917211.html
