联合势场与蚁群算法的机器人路径规划

针对全局静态环境下传统蚁群算路径规划时,易陷入局部最优、前期路径有效性差等问题,提出了基于改进人工势场局部搜索和改进蚁群算法全局搜索的机器人路径规划算法.在地图环境栅格化基础上,算法首先利用有效障碍物检测和临时中间目标点改进人工势场算法,以优化其死锁和欠优问题,通过改进人工势场优化蚁群算法的初始路径搜索,避免其早期的交叉等问题,同时构建与收敛相关的负反馈通道,调节全局与局部信息素的自适应更新,以平衡算法的收敛速度与全局搜索能力.简单环境与复杂环境的仿真实验结果表明,所提算法具有较好的全局搜索能力,收敛速度和搜索能力优于已有改进蚁群算法,验证了算法的有效性.     

调运问题中基于栅格模型的快速路径规划方法

针对调运路径规划这一问题,采用栅格模型表示环境地图,通过设定路径搜索方向权重,剔除不必要的搜索区域,提高了搜索效率.仿真结果表明,该算法能有效地提高路径搜索效率,并能搜索到最优路径.     

基于动态自适应蚁群算法的航线规划仿真

蚁群算法是一种新型的基于群体的仿生算法,其在解决飞机航线规划问题中已经获得了较为广泛的应用。在传统蚁群算法的基础上提出了一种动态自适应调整信息素蚁群算法的航线规划算法,即在航线点搜索过程中对信息素强度Q值进行动态自适应调整,并将三维地形、雷达威胁等因素结合到算法中。仿真结果表明,该改进算法能够有效解决扩大搜索空间和寻找最优解之间的矛盾,帮助飞行员更快地规划出一条最优航线,为更好完成作战任务奠定了良好的基础。     

针对应急救援路径规划的一种改进蚁群算法

针对不返回起始点、多个待救援点的应急救援路径规划问题,提出了一种应急救援路径规划的改进蚁群算法,设计了一种新的路径构造方法,为蚁群算法求解该类问题打下了基础。为提高收敛性,改进了信息素更新规则,构造了一种与蚁群算法有效结合的局部搜索算法,提高了算法快速寻优的能力。仿真结果表明:改进蚁群算法能够快速找到一条从救援中心到多个待救援点的优化路径,且收敛速度和最短路径较同类算法更优。     

基于GeoHash索引的A算法优化

A*(A Star)算法进行最短路径计算时,一般采用曼哈顿函数作为最优邻接点的评估标准,在算法执行的过程中,需要对每一步每个邻接点进行计算,判断出当前最优邻接点,然后迭代执行下一步,在数据量较大的情况下,算法的时间复杂度呈几何增长.使用GeoHash索引算法代替曼哈顿函数作为评估标准,在有地理坐标信息的网络拓扑中进行最短路径查找,直接以GeoHash编码索引值作为判断标准,进行快速查找.GeoHash值是经纬度经过一系列编码转换后的实际值,能够拓扑网格中的属性值,减少算法的计算时间,优化算法的时间复杂度.提高A*算法在道路规划、运行调度、无人驾驶路径分析时的最短路径计算时间,可增加实际应用广泛性.     

基于变权重搜索策略无人机航路规划算法

通过对A*算法在路径规划中的应用进行研究,提出了一种新的三维航路动态规划方法,通过对搜索策略引入启发式权重系数,利用加权值自适应方法对算法的评价函数进行设计,改善了传统A*算法在大空间中搜索速度低的缺点,提高航迹点搜索效率,同时将无人机的约束条件有效分割到解空间,便于应用于工程实践。基于优化算法规划的最优航路,设计了导引控制律,使无人机很好地跟随规划的路径,同时生成的期望控制指令充分考虑了无人机本身的机动性能以及实时性要求,解决了航迹规划与航迹跟踪之间的问题,最后进行了仿真验证,结果表明:该方法是可行和有效的,有着较高的优化效率;易于实现,工程实用性强。     

基于几何算法的水下航行器路径规划

在分析水下航行器路径规划影响因素及主要障碍物特点的基础上,提出了一种基于几何算法的水下航行器路径规划算法,并采用该算法对障碍物进行建模和路径规划研究,解决了水下航行器航经多障碍物海区的路径规划问题.最后,通过仿真试验验证了该算法的准确性与可行性.     

道路网络分层的快速路径诱导算法

路径诱导在现代交通和部队机动过程中具有重要应用,传统路径诱导算法(如Dijkstra算法)具有很高的计算复杂度和搜索空间,所规划路径仅仅是数学意义上的最短路径,很难满足实际道路交通导航诱导要求.为了降低路径诱导算法的搜索空间,同时使得规划的结果更能体现驾驶人员行车偏好,提出一种基于道路网络分层的快速路径诱导算法,在利用道路网络中道路的不同等级特性对路网进行分层处理基础上,通过限制算法搜索区域达到快速路径规划的目的.实验结果表明,该算法解算出导航路径中大部分是由快速路段组成,能很好地满足驾驶人员的选路偏好,路径搜索时间和搜索空间也大大减少.     

基于势场启发蚁群算法的远程水中兵器航路规划

针对航行误差较大的远程水中兵器航路规划问题，采用栅格化方法建立海洋环境模型，为使兵器在航行过程中能有效规避障碍并导向目标，提出一种人工势场力为启发因子的改进蚁群算法，利用该方法搜索远程水中兵器从起始点至目标点的最佳路径，算法解决了经典蚁群算法容易陷入局部最优及收敛速度慢的问题。仿真结果表明该规划算法虽有少量的路径损失，但可以有效避免由于误差引起的航行安全问题，是一种有效的远程水中兵器航路规划方法。     

基于分组优化改进粒子群算法的无人机三维路径规划

针对粒子群算法在解决三维路径规划问题中遇到的过早成熟、陷入局部最优等问题,借鉴鸡群算法中的分组优化策略,对粒子群算法中的粒子进行分组处理,并在小组粒子更新时采取模拟退火操作,提高了粒子群算法的局部搜索能力,有效避免了陷入局部最优和早熟的现象。利用MATLAB进行实验仿真,验证了使用鸡群分组优化策略和模拟退火操作改进后的粒子群算法在解决无人机三维路径规划问题上的可行性和有效性,实验结果表明,改进后的算法具有更强的局部搜索能力且规划的航迹稳定性更好。     

蚁群遗传融合算法在移动机器人路径规划中的应用

针对移动机器人路径规划的特点,把智能算法引入到机器人路径规划中。而单一蚁群算法和遗传算法,存在收敛速度慢、效率低或容易陷入局部最优等缺陷,对蚁群算法进行改进,提出一种改进蚁群遗传算法的融合方案,并把该方案应用到移动机器人路径规划中,在栅格环境下进行仿真测试,仿真结果表明该方案能有效提高最优路径的搜索效率,整体性能优于蚁群或遗传单一智能算法。     

约束最短链路不相交路径的启发式算法

文章研究约束最短链路不相交路径(CSDP(k))问题,该问题分为两类:CSDP(k)-和CSDP(k)-。首先引入问题的整数规划模型,通过拉格朗日乘子将复杂约束引入到目标函数中,接着给出了求解CSDP(k)-的一种快速启发式算法FHABIP,并给出了改进的搜索方案。算法实验结果表明该算法快速有效,能得到最优解或很好的近似最优解。     

改进粒子群算法在移动机器人路径规划中的应用

针对机器人路径规划的复杂性和粒子群算法搜索后期易陷入停滞的缺陷,把差分进化算法引入到粒子群算法中,提出了改进粒子群算法的移动机器人路径规划方案。当粒子群算法出现停滞时,通过引入差分进化算法来动态调整变异概率和缩放因子,增加种群中个体的多样性,扩大算法的搜索范围,避免局部最优路径的产生。通过仿真实验,验证了所提方案的有效性和可行性。     

基于改进粒子群算法的多机协同目标分配

针对多机协同空战目标分配的问题,提出了一种改进的粒子群算法,设计了新的粒子群位置和速度更新过程。充分利用粒子群算法的全局搜索能力以及利用贪婪策略的局部最优搜索能力进行混合搜索,显著地提高了搜索能力。仿真结果表明,改进的粒子群算法能够快速解决多机协同作战的目标分配问题,能够找到逼近全局最优点的解。     

动态目标的Field D~*算法及路径的提取计算

FieldD*算法计算的路径消耗较优并较为平滑,但该方法的计算量很大,尤其是在对动态目标的规划时,计算时间无法满足实际要求。针对该缺陷,在对FieldD*计算原理分析的基础上,提出了在目标是动态的情况下,只进行前目标与新目标的路径规划,并对FieldD*计算所得路径消耗只进行局部修改的动态规划算法,该动态算法可以有效减少计算量。将得到的路径消耗值应用到路径的提取算法中,路径提取算法针对路径消耗的不同情况下,提出不同的路径提取方法,并最终得出总体路径消耗最优的路径。在以栅格法建立的数字海图中进行仿真验证,该动态计算和路径提取算法与D*算法相比,计算所得的路径更为平滑,路径的总体消耗也更少,缺点是所需计算时间略长。     

多策略蚁群算法求解诱导维修路径规划

在诱导维修过程中,为了帮助维修者快速找到维修对象,提供高效安全的行走路径,需要对复杂的维修环境进行路径规划。传统的蚁群算法收敛速度慢、易陷入局部最优。为了提高寻优效率,对基本蚁群算法进行改进。提出了对α、β的自适应调整,改变信息素增量的更新方式,以及引入双向搜索策略,有效地提高了算法的收敛速度和全局搜索能力。仿真结果表明,改进的蚁群算法效率高,收敛速度快,能够为处在复杂维修环境中的维修人员提供高效的行进路线。     

双层智能优化算法求解时变网络最短路径问题

边成本为一般函数的时变网络最短路径问题(TDSP),已被证明不存在多项式时间算法。同时智能优化算法被广泛地用于求解该类问题,但多数没有考虑节点的可等待约束。提出了求解TDSP问题的双层智能优化算法,内层遗传算法优化每条可行路径的各节点离开时间,外层蚁群算法优化构建的路径,最终搜索到从起始点到终点的最短时间路径。实验结果表明:双层智能优化算法能快速寻优,并且收敛速度和最优路径较同类算法更优秀。     

基于量子蚁群算法的VRPTW研究

深入研究带时间窗的配送车辆路径问题,建立贴合实际情况的VRPTW模型,并且针对建立的模型,将量子计算的理念与方法融入蚁群算法,改进后的算法更加科学地初始化蚂蚁的位置,使蚂蚁有更大可能性地寻找到最优路径。在搜索的过程中添加量子比特启发式因子,使用局部信息素更新和全局信息素更新相结合的信息素更新方式,全局信息素更新添加了量子旋转门的新模式。并使用2-opt搜索对结果进行进一步的探索,扩大搜索的范围,增加了得到最优解的概率。使新建立的量子蚁群算法能够实现对模型更加高效的求解。     

改进人工势场法与模拟退火算法的无人机航路规划

针对标准人工势场法应用于无人机航路规划存在的缺陷,建立了改进的人工势场模型:当航路点搜索陷入威胁区时,构造惩罚势函数并使用势场强度代替合力矢量控制进行路径规划,解决由于合力矢量为零引起的局部极小问题;利用模拟退火算法搜索威胁区内势场强度更小的点,使得航路点逃离威胁区,解决传统人工势场法中参数对搜索航路点逃离效果的影响;使用变步长法优化算法的收敛速度。仿真结果说明,该方法能够较好地实现无人机航路规划,且快速易行。     

突发威胁下的无人机动态航迹规划研究

针对突发威胁下无人机动态航迹规划的问题,提出了一种避开突发威胁的动态规划算法。利用A*算法生成全局最优航迹并进行平滑处理。当遇到突发威胁时,利用三次样条的二阶连续性及边界条件进行局部航迹规划,能够生成一簇候选路径,根据候选路径中心线与突发威胁中心线之间的夹角对候选路径簇进行旋转调整,使其路径簇完全包围突发威胁且具有对称性。最后综合考虑安全性、平滑性和连贯性的3种代价函数,建立总代价函数,选择出最佳的规避威胁航迹。实验结果表明,该算法能够在众多候选路径中选择出一条完全避开障碍安全平滑的较优航迹,且耗时短,实时性较强。