基于改进蚁群算法的无人机动态航路规划

研究无人机航路规划,针对基本蚁群算法易于陷入局部最优、规划航路耗时长的问题,对基本蚁群算法进行了改进;引入航路点的动态自适应选择策略和信息素挥发因子动态自适应调整准则,有效克服了基本蚁群算法的不足,并对规划出的航路进行了平滑处理,使其更加满足无人机实际飞行需求。通过仿真分别规划出无人机在静态威胁和动态威胁中的航迹,仿真结果表明,与基本蚁群算法和遗传算法相比,改进的蚁群算法在两种飞行环境中均能规划出较优的航路。     

基于混合多种群自适应蚁群算法的无人机航路规划

针对基本蚁群算法在航路规划中易于过早陷入局部最优解,对蚁群算法进行了改进。提出了具有多种群的蚁群算法,并将导引因子引入到状态转移策略中,减少蚂蚁局部搜索的盲目性,确保蚂蚁最终完成航路搜索。当算法陷入局部收敛时,通过交换各种群的信息素,并对每个种群的挥发系数进行自适应调整,从而扩大了搜索空间,提高了搜索全局性。最后在代价函数简化后的栅格图中对改进算法进行了仿真。仿真结果表明,该方法可以有效防止算法陷入局部最优,是一种有效的航路规划方法。     

优化蚁群算法在无人车自主导航中的应用

由于蚁群算法规划的最优路径存在尖峰和折线,研究利用三阶贝塞尔曲线对蚁群算法进行优化,通过选择可靠的控制点来控制最优路径的整体趋势,从而消除路径上的尖峰并对折线进行平滑处理;将优化后的蚁群算法在无人车自主导航中进行了应用,结果证明优化后的蚁群算法可以为无人车实时规划出一条高质量的最优路径,最优路径不仅有效地避开了障碍物,而且有效消除路径上尖峰和折线。     

基于人工免疫改进的搬运机器人蚁群路径规划

针对搬运机器人在障碍环境下的路径寻优问题,提出一种基于人工免疫改进的蚁群路径规划算法(AI-ACA)。蚁群算法(ACA)的规划依赖于信息素挥发系数、期望启发因子和信息启发因子等参数的选取,传统ACA通过经验来设定这三个参数,但路径寻优中的最优参数因障碍环境而异,为解决经验参数对不同环境路径寻优结果的影响,引入人工免疫算法(AIA),对ACA的相关参数进行迭代优化,以此改善路径寻优结果。仿真结果及在自制机器人平台上测试表明,AI-ACA对于不同障碍环境可以准确地进行路径规划,在同样环境下较所参考的定参数蚁群路径规划效果有明显提升,提高了整个系统的运输效率。     

改进蚁群算法的局部信息动态路径规划

针对传统蚁群算法收敛速度慢、对动态路径变化适应性低的局限性,提出了一种基于局部信息获取策略的动态改进型蚁群算法。该算法利用局部信息获取策略,进行最优局部目标点的获取,然后调用改进蚁群算法获取局部区域内的最优路径,再重复循环获取新的最优局部目标点,直到找到全局目标点。与此同时,将提出的改进型蚁群算法应用于动态路径规划中的路径寻优与避障,仿真结果表明：提出的算法在具有与传统蚁群算法相当的路径优化效果的同时,能够有效适应障碍变化、大大提高了路径规划的收敛速度。     

改进蚁群算法在移动机器人路径规划中的研究

移动机器人合理的路径规划是进行探索任务的前提,针对移动机器人路径规划的复杂性,把蚁群算法引入到机器人路径规划中;普通的蚁群算法存在收敛速度慢、效率低和容易陷入局部最优等缺陷,难以直接应用于机器人路径规划中;提出一种在蚁群算法中改进信息素的更新方式、引入最大最小蚁群系统以及改进状态转移规则的移动机器人路径规划方法,在栅格环境下对移动机器人的路径规划进行仿真测试,仿真结果表明该方法能缩小最优路径的查找范围,降低发现最优路径所需的循环次数,能有效提高最优路径的搜索效率,整体性能优于普通蚁群算法。     

蚁群元胞优化算法在人群疏散路径规划中的应用

针对疏散路径规划问题,以栅格化地图为背景的基础上,提出了蚁群元胞优化算法.首先为统一仿真时间步长,建立以六边形元胞为基础的栅格地图;然后利用静态势场对启发函数进行优化,利用分段更新规则优化信息素更新方式;最后,将模型参数作为粒子群优化算法的粒子位置信息进行优化,求解参数的最优组合值.仿真结果表明:采用蚁群元胞优化模型进行疏散路径规划时,不仅加快了搜索速度,而且增大了解空间,提高了搜索能力,可以有效避免陷入局部最优解.     

基于量子蚁群算法的旅行商问题求解及算法评估

量子蚁群算法是一种将量子理论与传统蚁群算法结合的高效生物进化算法,主要应用于故障诊断、路径规划、图像分割等问题的优化.基于传统蚁群算法的流程,介绍量子蚁群算法中的量子理论基础以及量子理论如何应用于蚁群算法.通过若干旅行商问题实例分析量子蚁群算法较传统蚁群算法的优势.针对目前研究多以离散指标来评估不同算法、难以直观显示不同算法综合差别的问题,提出一种综合评估算法搜索效率的方法,成功应用于量子蚁群算法和传统蚁群算法的对比,具有一定的实践意义.     

基于A*算法的无人机跟踪目标的航迹规划

针对无人机跟踪目标的航迹规划问题,本文提出了一种双评估函数的改进A*算法。首先,根据无人机在跟踪目标时的飞行特点提出了航迹规划策略,并结合无人机的油耗、航迹长短和机动性能等约束条件来设计中间目标点的评估函数和航迹片段的评估函数。之后,采用加权法对A*算法进行改进,以使航迹的优化与时间耗费之间找到平衡点。同时,改进在Open表中插入与删除节点的方式,提高计算效率。最后,通过对跟踪航迹的仿真,表明该算法可以快速、有效地为无人机在跟踪目标时规划出优化的航迹。     

基于Voronoi图和动态自适应蚁群算法的UAV航迹规划

以UAV航迹规划为应用背景,提出了一种基于Voronoi图和动态自适应蚁群算法的航迹规划方法;为了提高航迹规划问题最优解的质量及全局求解能力,克服传统蚁群算法收敛速度慢、容易陷入局部最优等缺点,提出了一种动态自适应蚁群算法;采用动态自适应航迹点选择策略并将信息素更新规则和挥发系数进行动态自适应调整变化来对蚁群算法进行了改进,提高了算法的求解效率;根据战场已知威胁源生成Voronoi加权图,并与所提的动态自适应蚁群算法相结合求解规划空间中的最优航迹;考虑到UAV的物理约束限制,对生成的可行航迹进行平滑优化;仿真结果表明,该方法能够为UAV规划出一条满足要求的可飞航迹,验证了所提方法在解决航迹规划问题时是可行、有效的;