改进的蚁群算法在机器人路径规划上的应用

发布时间：2021-07-14 17:07

　　为了克服传统蚁群算法易陷入局部最优且收敛速度慢的影响,采用栅格地图建立机器人实验环境仿真模型。针对蚁群算法进行改进并将其应用到机器人路径规划上。考虑到从路径规划起点到目标点的方向性、前期存在的易陷入局部最优解以及蚂蚁收敛速度的问题,提出了添加双向搜索方向机制和比例系数引导因子的启发函数,避免了算法在搜索过程中选择与终点方向相背的区域行走或者走回路的弊端。根据不同路段被选择次数不同,设置不同信息素权重,强化了不同路段的重要性,加快算法收敛速度。在matlab软件平台上进行算法仿真,仿真结果验证了该方法的有效性。 

【文章来源】：计算机工程与应用. 2020,56(02)北大核心CSCD

【文章页数】：6 页

【部分图文】：

环境模型1单向搜索算法

环境模型1双向搜索算法

环境模型2单向搜索算法

【参考文献】：
期刊论文
[1]基于改进A*算法的移动机器人路径规划研究[J]. 吴鹏,桑成军,陆忠华,余双,方临阳,张屹.  计算机工程与应用. 2019(21)
[2]蚁群算法在无人驾驶园区参观路线的应用[J]. 郭蓬,张金炜,戎辉,王文扬,高嵩,何佳.  现代电子技术. 2019(11)
[3]未知环境下的蚁群-聚类自适应动态路径规划[J]. 刘新宇,谭力铭,杨春曦,翟持.  计算机科学与探索. 2019(05)
[4]改进蚁群算法在AUV三维路径规划中的研究[J]. 张楠楠,姜文刚,窦刚.  计算机工程与应用. 2019(11)
[5]多启发因素改进蚁群算法的路径规划[J]. 李理,李鸿,单宁波.  计算机工程与应用. 2019(05)
[6]动态学习机制的双种群蚁群算法[J]. 袁汪凰,游晓明,刘升.  计算机科学与探索. 2019(07)
[7]基于模糊蚁群算法的移动机器人轨迹规划研究[J]. 赵宏才,郭佳乐,徐肖鲸,刁少文.  计算机仿真. 2018(05)
[8]带启发信息的蚁群神经网络训练算法[J]. 赵章明,冯径,施恩,舒晓村.  计算机科学. 2017(11)
[9]改进蚁群算法在复杂环境中机器人路径规划上的应用[J]. 李龙澍,喻环.  小型微型计算机系统. 2017(09)
[10]基于改进蚁群算法的移动机器人路径规划[J]. 朱颢东,孙振,吴迪,申圳.  重庆邮电大学学报(自然科学版). 2016(06)



本文编号：3284547