改进型蚁群算法在路径规划中的研究

发布时间：2021-07-30 12:23

　　为了解决蚁群算法在路径规划中初始信息素匮乏、路径搜索规划速度慢、需要更多的迭代次数才能找出近似最优解、准确性在搜索空间很大的情况下会出现无法找到最优解的问题,提出一种适用于全局路径规划的改进型蚁群算法。在规划路径初始时利用A*算法先建立每个节点间最优路径代价函数,以减少蚁群算法在路径搜索中的盲目性;引入"虚拟终点",以减小蚁群算法的搜索空间,降低迭代次数,提高蚁群算法的效率和路径规划准确性。通过多次实验,表明改进型蚁群算法在路径搜索效率和路径规划能力上都明显提高。 

【文章来源】：制造业自动化. 2020,42(02)CSCD

【文章页数】：5 页

【部分图文】：

10×10二维栅格

A*算法主要是OPEN列表和CLOSE列表,每次将OPEN列表中f(n)输出值最小的节点放到CLOSE列表中,在CLOSE列表中将上一步从OPEN列表中移入的节点对比,确定该节点是否为路径目标点,如果节点与当前约束条件符合,搜索该节点附近邻域所有可能节点,可以把OPEN列表看成是一个优先队列,主要值为g(n)确定,优先级最高的就先确定为通过节点,由此如图2中选取的路径段为理论最优路径,方格Y可以设定为“虚拟终点”。2.3 算法融合

如图3所示,点S为起始点,点G为终点,在点S与点G之间加入“虚拟终点”A、B,这样路径S-A、A-B、B-G搜索最短直线距离,以及对信息素更新和蚁群算法启发函数的改进,避免了蚁群在寻优路径时走偏,图3为理想情况下算法融合后的理论最优路径规划图。2.4 改进型蚁群算法流程

【参考文献】：
期刊论文
[1]基于改进蚁群算法的移动机器人全局路径规划[J]. 占伟,屈军锁,芦鑫,侯磊超.  现代电子技术. 2018(24)
[2]基于改进粒子群算法的路径规划[J]. 贾会群,魏仲慧,何昕,张磊,何家维,穆治亚.  农业机械学报. 2018(12)
[3]基于改进蚁群算法的机器人焊接路径规划[J]. 吴明晖,黄海军,王先伟.  焊接学报. 2018(10)
[4]路径规划算法的研究与发展[J]. 杨俊成,李淑霞,蔡增玉.  控制工程. 2017(07)
[5]基于遗传蚂蚁混合算法的AUV全局路径规划[J]. 潘昕,吴旭升,侯新国,冯源.  华中科技大学学报(自然科学版). 2017(05)
[6]基于动态反馈A*蚁群算法的平滑路径规划方法[J]. 黄辰,费继友,刘洋,李花,刘晓东.  农业机械学报. 2017(04)
[7]改进蚁群算法求解移动机器人路径规划[J]. 张成,凌有铸,陈孟元.  电子测量与仪器学报. 2016(11)
[8]改进人工势场法的机器人路径规划[J]. 尹国强,贾云伟,张慧.  制造业自动化. 2015(23)
[9]基于改进遗传算法的室内移动机器人路径规划[J]. 李天旭,陈广大.  制造业自动化. 2015(20)
[10]基于改进A*算法的AGV路径规划[J]. 李伟光,苏霞.  现代制造工程. 2015(10)



本文编号：3311398