基于独狼蚁群混合算法的移动机器人路径规划
发布时间：2021-09-05 03:18
针对移动机器人路径规划问题,提出了一种基于独狼搜索机制的自适应精英蚁群混合算法.首先,在精英蚁群算法中引入了独狼视场机制并设计了自适应增强函数,用以改进精英蚁群算法搜索机制中蚁群的寻径能力.然后,为了消除混合算法中的停滞现象,引入了独狼逃跑策略并构造了一种信息素优化机制,用来提高混合算法的全局搜索能力,帮助寻径个体突破当前的路径停滞问题,避免算法陷入局部最优.最后通过仿真分析和测试,进行了针对性的对比试验,结果表明:混合算法在多种环境下的路径规划均拥有较好的收敛速度和高效的寻径能力.
【文章来源】：华中科技大学学报(自然科学版). 2020,48(01)北大核心EICSCD
【文章页数】：6 页
【部分图文】：
节点图原理
第1期张毅，等：基于独狼蚁群混合算法的移动机器人路径规划·131·4实验及数据分析为了验证算法性能，搭建了栅格地图模型．由于蚁群算法(ACO)在经过了许多学者的验证，因此分别对ACO和独狼蚁群混合算法(WAH)进行仿真．在3组不同尺寸的栅格地图中进行实验，每组地图分别采用不同的障碍物覆盖率构建环境，仿真程序采用Python语言，计算机配置为：4核Inteli57400CPU@3.00GHz，8GiB运行内存，Windows10操作系统．图3～5示例为不同障碍物覆盖率的栅格地图仿真实验结果，图中：绿色节点表示仿真机器人的图3A环境下路径仿真结果图4B环境下路径仿真结果图5C环境下路径仿真结果起点；红色节点表示终点；蓝绿色表示关键测试位置；蓝色实、虚折线分别表示应用WAH和ACO的仿真机器人在200次迭代下生成的最优路径．从图3～5可以看出：相对于ACO，WAH在局部细节上较为平滑，全局路径上更加高效；在蓝绿色关键测试位置上，WAH表现优越．图6为对应图5环境下仿真机器人在m=200次迭代中的最短路径长度变化．相对于ACO，WAH在整体上搜索的路径长度更短；并且由于WAH引入了早熟优化机制，在大约30次迭代后没有像ACO呈现长期的停滞，反而不断突破现有路径，搜索出新的更优路径．表1给出了ACO和WAH在不同栅格环境下的测试数据，可以看出：WAH能在更短的时间内搜索图6路径收敛曲线表1ACO与WAH在不同栅格环境下的测试数据地图尺寸障碍物覆盖率/%所用时间/s路径长度ACOWAHACOWAH20×20105.45.041.640.220×20406.15.443.441.235×351012.510.851.648.635×
第1期张毅，等：基于独狼蚁群混合算法的移动机器人路径规划·131·4实验及数据分析为了验证算法性能，搭建了栅格地图模型．由于蚁群算法(ACO)在经过了许多学者的验证，因此分别对ACO和独狼蚁群混合算法(WAH)进行仿真．在3组不同尺寸的栅格地图中进行实验，每组地图分别采用不同的障碍物覆盖率构建环境，仿真程序采用Python语言，计算机配置为：4核Inteli57400CPU@3.00GHz，8GiB运行内存，Windows10操作系统．图3～5示例为不同障碍物覆盖率的栅格地图仿真实验结果，图中：绿色节点表示仿真机器人的图3A环境下路径仿真结果图4B环境下路径仿真结果图5C环境下路径仿真结果起点；红色节点表示终点；蓝绿色表示关键测试位置；蓝色实、虚折线分别表示应用WAH和ACO的仿真机器人在200次迭代下生成的最优路径．从图3～5可以看出：相对于ACO，WAH在局部细节上较为平滑，全局路径上更加高效；在蓝绿色关键测试位置上，WAH表现优越．图6为对应图5环境下仿真机器人在m=200次迭代中的最短路径长度变化．相对于ACO，WAH在整体上搜索的路径长度更短；并且由于WAH引入了早熟优化机制，在大约30次迭代后没有像ACO呈现长期的停滞，反而不断突破现有路径，搜索出新的更优路径．表1给出了ACO和WAH在不同栅格环境下的测试数据，可以看出：WAH能在更短的时间内搜索图6路径收敛曲线表1ACO与WAH在不同栅格环境下的测试数据地图尺寸障碍物覆盖率/%所用时间/s路径长度ACOWAHACOWAH20×20105.45.041.640.220×20406.15.443.441.235×351012.510.851.648.635×
【参考文献】：
期刊论文
[1]智能工厂综述[J]. 张泉灵,洪艳萍. 自动化仪表. 2018(08)
[2]基于改进势场蚁群算法的机器人路径规划[J]. 王晓燕,杨乐,张宇,孟帅. 控制与决策. 2018(10)
[3]多峰函数优化的黄金分割斐波那契树优化算法[J]. 张松海,施心陵,李鹏,董易,李孙寸. 电子学报. 2017(04)
[4]一种基于时间窗的自动导引车动态路径规划方法[J]. 胡彬,王冰,王春香,杨明. 上海交通大学学报. 2012(06)
[5]自适应蚁群算法在空间机器人路径规划中的应用[J]. 金飞虎,高会军,钟啸剑. 哈尔滨工业大学学报. 2010(07)
[6]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)
[7]采用基于模拟退火的蚁群算法求解旅行商问题[J]. 刘波,蒙培生. 华中科技大学学报(自然科学版). 2009(11)
[8]受生物群体智能启发的多机器人系统研究[J]. 蓝艇,刘士荣. 机器人. 2007(03)
本文编号：3384563
【文章来源】：华中科技大学学报(自然科学版). 2020,48(01)北大核心EICSCD
【文章页数】：6 页
【部分图文】：
节点图原理
第1期张毅，等：基于独狼蚁群混合算法的移动机器人路径规划·131·4实验及数据分析为了验证算法性能，搭建了栅格地图模型．由于蚁群算法(ACO)在经过了许多学者的验证，因此分别对ACO和独狼蚁群混合算法(WAH)进行仿真．在3组不同尺寸的栅格地图中进行实验，每组地图分别采用不同的障碍物覆盖率构建环境，仿真程序采用Python语言，计算机配置为：4核Inteli57400CPU@3.00GHz，8GiB运行内存，Windows10操作系统．图3～5示例为不同障碍物覆盖率的栅格地图仿真实验结果，图中：绿色节点表示仿真机器人的图3A环境下路径仿真结果图4B环境下路径仿真结果图5C环境下路径仿真结果起点；红色节点表示终点；蓝绿色表示关键测试位置；蓝色实、虚折线分别表示应用WAH和ACO的仿真机器人在200次迭代下生成的最优路径．从图3～5可以看出：相对于ACO，WAH在局部细节上较为平滑，全局路径上更加高效；在蓝绿色关键测试位置上，WAH表现优越．图6为对应图5环境下仿真机器人在m=200次迭代中的最短路径长度变化．相对于ACO，WAH在整体上搜索的路径长度更短；并且由于WAH引入了早熟优化机制，在大约30次迭代后没有像ACO呈现长期的停滞，反而不断突破现有路径，搜索出新的更优路径．表1给出了ACO和WAH在不同栅格环境下的测试数据，可以看出：WAH能在更短的时间内搜索图6路径收敛曲线表1ACO与WAH在不同栅格环境下的测试数据地图尺寸障碍物覆盖率/%所用时间/s路径长度ACOWAHACOWAH20×20105.45.041.640.220×20406.15.443.441.235×351012.510.851.648.635×
第1期张毅，等：基于独狼蚁群混合算法的移动机器人路径规划·131·4实验及数据分析为了验证算法性能，搭建了栅格地图模型．由于蚁群算法(ACO)在经过了许多学者的验证，因此分别对ACO和独狼蚁群混合算法(WAH)进行仿真．在3组不同尺寸的栅格地图中进行实验，每组地图分别采用不同的障碍物覆盖率构建环境，仿真程序采用Python语言，计算机配置为：4核Inteli57400CPU@3.00GHz，8GiB运行内存，Windows10操作系统．图3～5示例为不同障碍物覆盖率的栅格地图仿真实验结果，图中：绿色节点表示仿真机器人的图3A环境下路径仿真结果图4B环境下路径仿真结果图5C环境下路径仿真结果起点；红色节点表示终点；蓝绿色表示关键测试位置；蓝色实、虚折线分别表示应用WAH和ACO的仿真机器人在200次迭代下生成的最优路径．从图3～5可以看出：相对于ACO，WAH在局部细节上较为平滑，全局路径上更加高效；在蓝绿色关键测试位置上，WAH表现优越．图6为对应图5环境下仿真机器人在m=200次迭代中的最短路径长度变化．相对于ACO，WAH在整体上搜索的路径长度更短；并且由于WAH引入了早熟优化机制，在大约30次迭代后没有像ACO呈现长期的停滞，反而不断突破现有路径，搜索出新的更优路径．表1给出了ACO和WAH在不同栅格环境下的测试数据，可以看出：WAH能在更短的时间内搜索图6路径收敛曲线表1ACO与WAH在不同栅格环境下的测试数据地图尺寸障碍物覆盖率/%所用时间/s路径长度ACOWAHACOWAH20×20105.45.041.640.220×20406.15.443.441.235×351012.510.851.648.635×
【参考文献】：
期刊论文
[1]智能工厂综述[J]. 张泉灵,洪艳萍. 自动化仪表. 2018(08)
[2]基于改进势场蚁群算法的机器人路径规划[J]. 王晓燕,杨乐,张宇,孟帅. 控制与决策. 2018(10)
[3]多峰函数优化的黄金分割斐波那契树优化算法[J]. 张松海,施心陵,李鹏,董易,李孙寸. 电子学报. 2017(04)
[4]一种基于时间窗的自动导引车动态路径规划方法[J]. 胡彬,王冰,王春香,杨明. 上海交通大学学报. 2012(06)
[5]自适应蚁群算法在空间机器人路径规划中的应用[J]. 金飞虎,高会军,钟啸剑. 哈尔滨工业大学学报. 2010(07)
[6]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)
[7]采用基于模拟退火的蚁群算法求解旅行商问题[J]. 刘波,蒙培生. 华中科技大学学报(自然科学版). 2009(11)
[8]受生物群体智能启发的多机器人系统研究[J]. 蓝艇,刘士荣. 机器人. 2007(03)
本文编号：3384563
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3384563.html
