CN105387875B - 基于蚁群算法的移动机器人路径规划方法的一种改进 - Google Patents

基于蚁群算法的移动机器人路径规划方法的一种改进 Download PDF

Info

Publication number
CN105387875B
CN105387875B CN201510996879.4A CN201510996879A CN105387875B CN 105387875 B CN105387875 B CN 105387875B CN 201510996879 A CN201510996879 A CN 201510996879A CN 105387875 B CN105387875 B CN 105387875B
Authority
CN
China
Prior art keywords
algorithm
path
robot
dynamic barrier
ant group
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510996879.4A
Other languages
English (en)
Other versions
CN105387875A (zh
Inventor
陈其工
王学梅
高文根
葛愿
禹威威
方磊
王郑
王瑜
吴浙勋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Polytechnic University
Original Assignee
Anhui Polytechnic University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Polytechnic University filed Critical Anhui Polytechnic University
Priority to CN201510996879.4A priority Critical patent/CN105387875B/zh
Publication of CN105387875A publication Critical patent/CN105387875A/zh
Application granted granted Critical
Publication of CN105387875B publication Critical patent/CN105387875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D1/00—Measuring arrangements giving results other than momentary value of variable, of general application
    • G01D1/02—Measuring arrangements giving results other than momentary value of variable, of general application giving mean values, e.g. root means square values
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Feedback Control In General (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及一种移动机器人路径规划方法，包括如下步骤：寻找环境最短路径；当机器人在前进中检测到将与环境中的动态障碍物相碰，则视最短路径上离动态障碍物安全的栅格为局部目标点；确定动态障碍物的运动范围；机器人沿着信息素浓度大的栅格前进；得到一条避开动态障碍物且经过指定点的最优路径。解决了蚁群算法由于自身的局限性而导致的收敛速度慢的问题，将传统蚁群算法中的参数用粒子群算法进行优化后找到一组最优解，且用遗传算法保证其不会陷入局部最优，再将上述参数中的其他参数保持不变，对信息素浓度进行成倍放大，使不同路径上的信息素浓度差异更加明显，从而提高算法的收敛速度。

Description

基于蚁群算法的移动机器人路径规划方法的一种改进
技术领域
本发明涉及移动机器人路径规划技术领域，涉及到移动机器人路径规划收敛速度的快慢，具体涉及一种移动机器人路径规划方法及其算法。
背景技术
随着人类社会的不断发展和生活空间的不断扩大，移动机器人在国防、抗震抢险、防灾救灾、反恐、现代军事武器、制造业以及日常生活的应用越来越广泛，因此必须对移动机器人的动态路径进行更为有效的规划。随着移动机器人技术的迅速发展，应用范围的不断扩大，使得人们对机器人各方面的性能提出了更高的要求。科学家们通过不懈努力，提出了多种移动机器人种路径规划算法，蚁群算法便是其中的一种。它是根据自然界蚂蚁觅食的行为提炼出来的，由于自然界的蚂蚁在觅食的过程中会在走过的路径上留下一种称为信息素的化学物质，且经过该路径的蚂蚁越多，在上面留下的信息素也越多(忽略挥发掉的那一部分)，同时也证明该路径较其他路径更为优越，其他的蚂蚁也能感知到这种物质且朝着信息素浓度高的地方移动。但由于起始时蚁群中每一只蚂蚁的运动是随机性的，虽然在算法初期可以通过信息素的作用的使其向着最优路径方向移动，但是当群体规模越来越大时，寻找最优解的效率就不是很明显了，从而使搜索时间冗长，因此使得算法的收敛速度很慢。
综上所述，现有技术中存在如下技术问题：由于传统蚁群算法自身的局限性使得算法的收敛速度较慢，要求提高算法的收敛速度。
发明内容
本发明的目的在于提供一种移动机器人路径规划方法，解决蚁群算法由于自身的局限性而导致的收敛速度慢的问题，将传统蚁群算法中的参数用粒子群算法进行优化后找到一组最优解，且用遗传算法保证其不会陷入局部最优，再将上述参数中的其他参数保持不变，对信息素浓度进行成倍放大，使不同路径上的信息素浓度差异更加明显，从而提高算法的收敛速度。
针对以上上述现有技术问题和发明目的，本发明提出一种移动机器人路径规划方法，包括如下步骤：
(1)寻找环境最短路径；
(2)当机器人在前进中检测到将与环境中的动态障碍物相碰，则视最短路径上离动态障碍物安全的栅格为局部目标点；
(3)确定动态障碍物的运动范围；
(4)机器人沿着信息素浓度大的栅格前进；
(5)得到一条避开动态障碍物且经过指定点的最优路径。
进一步地，步骤(1)中所述环境为机器人的工作环境，将该工作环境划分为20×20的栅格，每个栅格的长和宽都为10个单位。
进一步地，步骤(1)中按状态转移概率公式寻找环境最短路径。
进一步地，步骤(1)中用蚁群算法寻找环境最短路径。
进一步地，所述蚁群算法采用如下算法步骤：
a.参数用粒子群算法进行优化后找到一组最优解，且用遗传算法保证其不会陷入局部最优；
b.将上述参数中的其他参数保持不变，对传统蚁群算法中各个路径上的信息素浓度进行成倍放大，使不同路径上的信息素浓度差异更加明显；
c.加速蚂蚁朝着信息素浓度高路径移动，从而提高算法的收敛速度。进一步地，步骤(3)中通过传感器收集信息从而确定动态障碍物的运动范围。进一步地，步骤a中蚁群算法中种群个数为25，最大迭代次数为100，用粒子群算法对改进蚁群算法的重要参数进行优化，粒子的个数为30，迭代次数的最高上限为50，惯性衡量值w为0.625，影响机器人自适应学习功能的参数c1和c2都选为1.501。
进一步地，步骤b中，由粒子群算法寻找到改进蚁群算法重要参数的最优组合放大倍数M取为3。
进一步地，步骤c中，坐标系以x轴向右为正方向，y轴向上为正方向，单位为像素，静态障碍物假定为方块，假设动态障碍物是长和宽分别为10个单位的正方形块，动态障碍物沿y轴向上做速度为10单位/秒的匀速直线运动。
与目前现有技术相比，本发明解决了蚁群算法由于自身的局限性而导致的收敛速度慢的问题，将传统蚁群算法中的参数用粒子群算法进行优化后找到一组最优解，且用遗传算法保证其不会陷入局部最优，再将上述参数中的其他参数保持不变，对信息素浓度进行成倍放大，使不同路径上的信息素浓度差异更加明显，从而提高算法的收敛速度。
附图说明
图1为本发明的方案流程图。
图2为本发明蚁群算法原理图。
具体实施方式
下面根据附图对本发明进行详细描述，其为本发明多种实施方式中的一种优选实施例。
在一个优选实施例中，一种移动机器人路径规划方法，包括如下步骤：寻找环境最短路径；当机器人在前进中检测到将与环境中的动态障碍物相碰，则视最短路径上离动态障碍物安全的栅格为局部目标点；确定动态障碍物的运动范围；机器人沿着信息素浓度大的栅格前进；得到一条避开动态障碍物且经过指定点的最优路径。蚁群算法采用如下算法步骤：参数用粒子群算法进行优化后找到一组最优解，且用遗传算法保证其不会陷入局部最优；将上述参数中的其他参数保持不变，对传统蚁群算法中各个路径上的信息素浓度进行成倍放大，使不同路径上的信息素浓度差异更加明显；加速蚂蚁朝着信息素浓度高路径移动，从而提高算法的收敛速度。
优选的蚁群算法参照图1，蚁群算法中种群个数为25，最大迭代次数为100.用粒子群算法对改进蚁群算法的重要参数进行优化，粒子的个数为30，迭代次数的最高上限为50，惯性衡量值w为0.625，影响机器人自适应学习功能的参数c1和c2都选为1.501。由粒子群算法寻找到改进蚁群算法重要参数的最优组合放大倍数M取为3，坐标系以x轴向右为正方向，y轴向上为正方向，单位为像素，静态障碍物假定为方块，假设动态障碍物是长和宽分别为10个单位的正方形块，动态障碍物沿y轴向上做速度为10单位/秒的匀速直线运动。
参照图2，一个优选的移动机器人路径规划方法可以包括如下步骤：初始化--更改禁忌表且按状态转移概率公式选择路径—确定移动方向—求信息素增量—参数优化及避免陷入局部最优—对信息素浓度成倍放大—判断中止准则。
在另一个优选实施例中，方案可以如下：用改进的蚁群算法对移动机器人路径进行规划，对传统蚁群算法中个路径上的信息素浓度进行成倍放大，使各条路径上的信息素浓度差别更加明显，加速蚂蚁朝着信息素浓度高路径移动，从而解决了传统蚁群算法收敛速度慢的问题。
用蚁群算法寻找环境最短路径的过程中，按状态转移概率公式选择路径，如果机器人在前进中检测到将与环境中的动态障碍物相碰，则视最短路径上离动态障碍物安全的栅格为局部目标点，通过传感器收集信息确定动态障碍物的运动范围，机器人沿着信息素浓度大的栅格前进，以最短的时间，寻找一条避开动态障碍物且经过指定点的最优路径。
将机器人的工作环境划分为20×20的栅格，每个栅格的长和宽都为10个单位，蚁群算法中种群个数为25，最大迭代次数为100，用粒子群算法对改进蚁群算法的重要参数进行优化，粒子的个数为30，迭代次数的最高上限为50，惯性衡量值w为0.625，影响机器人自适应学习功能的参数c1和c2都选为1.501。
由粒子群算法寻找到改进蚁群算法重要参数的最优组合放大倍数M取为3，坐标系以x轴向右为正方向，y轴向上为正方向，单位为像素，静态障碍物假定为方块，假设动态障碍物是长和宽分别为10个单位的正方形块，动态障碍物沿y轴向上做速度为10单位/秒的匀速直线运动。
在另一个优选实施例中，针对传统蚁群算法机器人路径规划收敛速度慢且容易陷入局部最优的问题，首先利用遗传算法克服由于蚁群算法自身搜索机制的局限导致的路径规划容易陷入局部最优值的问题，再通过粒子群算法对涉及到的参数进行优化，最后通过对信息素浓度值进行适当倍数的放大，提高算法的收敛速度，最终完成路径规划。具体步骤如下：
1.先采用遗传算法中的轮盘算法来避免蚁群算法陷入局部最优值，具体步骤如下：
步骤1根据适应度函数：
(其中n代表蚂蚁在模拟环境所经过的路径上所包含的栅格的数目，每个蚂蚁个体所经过的路径的长度用字母d表示)。依次计算出群体内每个个体的适应值，得相应的累计值为Hi，最后一个累计值为Hn；
步骤2得出均匀分布的适应度随机数W∈[0，Hn]；
步骤3依次用Hi与步骤2中产生的随机数W进行比较，若Hi≥W，则i被选为复制对象；若Hi≤W，则i被删除；
步骤4重复步骤2和步骤3，直到所需要的个体数目被复制满为止。
通过轮盘算法对个体适应值的筛选，使算法的早熟问题得到了很好的解决
2.对参数进行优化
改进蚁群算法的相关参数用粒子群算法进行优化选择的具体操作步骤如下：
步骤1参数初始化，对遍历搜索次数最大值kmax，惯性衡量值w，粒子个数m，影响机器人自适应学习功能的参数c1和c2进行初始化。
步骤2当前粒子群的位置信息用改进蚁群算法中放大后的信息素浓度值和启发函数表示，起始位置和初速度在位置可变范围内随机的选取。
步骤3将当前群体中适应度最好的粒子的位置和本次循环中每个粒子在解集中的最好位置求出。
步骤4粒子群中每个粒子i的速度vi按公式进行更新，若vi小于Vmin，则vi为Vmin；若vi大于Vmin，则vi为Vmax。
步骤5粒子群中每个粒子i的位置xi按公式对进行更新，若xi小于Xmin，则xi为Xmin；若xi大于Xmin，则xi为Xmax。
对①②两个公式进行说明：其中:下标j表示微粒的第j维，下标i表示微粒i，k表示第k代，h1，h2为加速度常量，通常在(0,2)间取值，和r2是分别属于U(0,1)的两个相互独立的随机函数，表示第k代微粒i在第j维空间的位置，表示第k代微粒i在第j维空间所经历的具有最好适应值的位置，表示第k代整个微粒群在第j维空间所经历过的最好位置表示第k+1代微粒在在第j维空间中的飞行速度。
2.用改进的蚁群算法对机器人动态路径进行规划
新的路径规划具体操作步骤如下：
步骤1初始化参数，对最大迭代次数Kmax、种群个数为Nnum、信息素浓度放大倍数M进行初始化；S和E分别为算法的起点和终点，设Nnum只蚂蚁的起始位置全部在起始点S，且起始时每条路径上的信息素浓度都为0。
步骤2蚂蚁下一步到达的栅格根据自适应启发函数确定。
步骤3在蚂蚁k到达终点E后，按信息素更新公式对路径上的信息素进行更新。
(其中：ρ为参数且ρ∈[0,1]，表示更新后的信息素浓度，表示原先的信息素浓度，σ代表精英蚂蚁的个数，Lbest表示最优路径，Lworst表示最差路径，(i,j)表示从节点i到结点j的一段路径。)
步骤4合理选择和调整放大倍数M，对更新后的信息素浓度按放大倍数M进行放大。
步骤5对循环次数进行判断，若循环次数已达到最大值，则将当前群体中用时最短的径栅格序号和长度输出；否则返回起点S，程序转步骤2。
步骤6机器人在沿着通过以上步骤搜索到的最优路径前进时，如果传感器检测到将与环境中的动态障碍物相撞，则机器人调整前进方向后沿着信息素浓度大的栅格重新探索到一条避开动态障碍物的路径，否则机器人一直走到指定目标点，算法终止。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进直接应用于其它场合的，均在本发明的保护范围之内。

Claims (5)

1.一种移动机器人路径规划方法，其特征在于，包括如下步骤：
(1)寻找环境最短路径；步骤(1)中用蚁群算法寻找环境最短路径；所述蚁群算法采用如下算法步骤：
a.参数用粒子群算法进行优化后找到一组最优解，且用遗传算法保证其不会陷入局部最优；步骤a中蚁群算法中种群个数为25，最大迭代次数为100，用粒子群算法对改进蚁群算法的重要参数进行优化，粒子的个数为30，迭代次数的最高上限为50，惯性衡量值w为0.625，影响机器人自适应学习功能的参数c1和c2都选为1.501；
b.将上述参数中的其他参数保持不变，对传统蚁群算法中各个路径上的信息素浓度进行成倍放大，使不同路径上的信息素浓度差异更加明显；步骤b中，由粒子群算法寻找到改进蚁群算法重要参数的最优组合放大倍数M取为3；
c.加速蚂蚁朝着信息素浓度高路径移动，从而提高算法的收敛速度；
(2)当机器人在前进中检测到将与环境中的动态障碍物相碰，则视最短路径上离动态障碍物安全的栅格为局部目标点；
(3)确定动态障碍物的运动范围；
(4)机器人沿着信息素浓度大的栅格前进；
(5)得到一条避开动态障碍物且经过指定点的最优路径。
2.如权利要求1所述的移动机器人路径规划方法，其特征在于，步骤(1)中所述环境为机器人的工作环境，将该工作环境划分为20×20的栅格，每个栅格的长和宽都为10个单位。
3.如权利要求1或2所述的移动机器人路径规划方法，其特征在于，步骤(1)中按状态转移概率公式寻找环境最短路径。
4.如权利要求1所述的移动机器人路径规划方法，其特征在于，步骤(3)中通过传感器收集信息从而确定动态障碍物的运动范围。
5.如权利要求1所述的移动机器人路径规划方法，其特征在于，步骤c中，坐标系以x轴向右为正方向，y轴向上为正方向，单位为像素，静态障碍物假定为方块，假设动态障碍物是长和宽分别为10个单位的正方形块，动态障碍物沿y轴向上做速度为10单位/秒的匀速直线运动。
CN201510996879.4A 2015-12-24 2015-12-24 基于蚁群算法的移动机器人路径规划方法的一种改进 Active CN105387875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510996879.4A CN105387875B (zh) 2015-12-24 2015-12-24 基于蚁群算法的移动机器人路径规划方法的一种改进

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510996879.4A CN105387875B (zh) 2015-12-24 2015-12-24 基于蚁群算法的移动机器人路径规划方法的一种改进

Publications (2)

Publication Number Publication Date
CN105387875A CN105387875A (zh) 2016-03-09
CN105387875B true CN105387875B (zh) 2018-01-12

Family

ID=55420423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510996879.4A Active CN105387875B (zh) 2015-12-24 2015-12-24 基于蚁群算法的移动机器人路径规划方法的一种改进

Country Status (1)

Country Link
CN (1) CN105387875B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106161204B (zh) * 2016-06-08 2019-05-10 苏州大学 一种基于群体智能的移动社交网络中的数据传输方法
CN106225788B (zh) * 2016-08-16 2019-04-19 上海理工大学 基于路径拓展蚁群算法的机器人路径规划方法
CN106323293B (zh) * 2016-10-14 2018-12-25 淮安信息职业技术学院 基于多目标搜索的两群多向机器人路径规划方法
CN106647757B (zh) * 2016-12-23 2019-06-18 江西理工大学 基于组合个体差分演化的机器人路径规划方法
CN106843236A (zh) * 2017-03-31 2017-06-13 深圳市靖洲科技有限公司 基于权重改进粒子群算法的无人自行车路径规划方法
CN109919345B (zh) * 2017-12-12 2021-06-29 北京京东振世信息技术有限公司 拣货路径规划方法与装置
CN108459310A (zh) * 2018-02-06 2018-08-28 西安四方星途测控技术有限公司 一种重构空间目标三维形状参数的方法
CN108759840B (zh) * 2018-05-25 2022-07-26 北京建筑大学 一种室内外一体化三维导航路径规划方法
CN111353621B (zh) * 2018-12-20 2023-08-29 中国科学院沈阳自动化研究所 一种基于冷热度原理改进蚁群算法的agv路径规划方法
CN110426044A (zh) * 2019-08-09 2019-11-08 华南理工大学 一种基于凸集计算和优化蚁群算法的避障路径规划方法
CN111323016A (zh) * 2019-11-26 2020-06-23 广东工业大学 一种基于自适应蚁群算法的移动机器人路径规划方法
CN110992697A (zh) * 2019-12-19 2020-04-10 江苏金晓电子信息股份有限公司 一种高精度、高拓展性的用于规划交通最优路径的方法
CN112306097A (zh) * 2020-10-29 2021-02-02 杭州电子科技大学 一种新型无人机路径规划方法
CN112286211A (zh) * 2020-12-28 2021-01-29 上海交大智邦科技有限公司 一种不规则布局车间的环境建模及agv路径规划方法
CN114967679B (zh) * 2022-04-24 2024-03-22 河北航瑞信科精密机械有限公司 一种消防机器人路径自适应控制方法及系统
CN115202365A (zh) * 2022-08-10 2022-10-18 广东工业大学 基于构建三维离散点的机器人焊接避障寻优路径规划方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101387888A (zh) * 2008-09-27 2009-03-18 江南大学 基于二进制量子粒子群算法的移动机器人路径规划方法
CN103472828A (zh) * 2013-09-13 2013-12-25 桂林电子科技大学 基于改进蚁群粒子群算法的移动机器人路径规划方法
CN103760907A (zh) * 2013-12-30 2014-04-30 哈尔滨工程大学 一种基于布谷鸟搜索算法的水下潜器三维路径规划方法
CN103903053A (zh) * 2014-01-18 2014-07-02 内蒙古农业大学 一种基于蚁群优化和遗传算法的粗粒度并行算法
CN105160395A (zh) * 2015-09-06 2015-12-16 河南师范大学 谐振式电能发送装置的效率寻优惯性变化粒子群方法
CN105446339A (zh) * 2015-12-22 2016-03-30 安徽工程大学 一种移动机器人路径规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101387888A (zh) * 2008-09-27 2009-03-18 江南大学 基于二进制量子粒子群算法的移动机器人路径规划方法
CN103472828A (zh) * 2013-09-13 2013-12-25 桂林电子科技大学 基于改进蚁群粒子群算法的移动机器人路径规划方法
CN103760907A (zh) * 2013-12-30 2014-04-30 哈尔滨工程大学 一种基于布谷鸟搜索算法的水下潜器三维路径规划方法
CN103903053A (zh) * 2014-01-18 2014-07-02 内蒙古农业大学 一种基于蚁群优化和遗传算法的粗粒度并行算法
CN105160395A (zh) * 2015-09-06 2015-12-16 河南师范大学 谐振式电能发送装置的效率寻优惯性变化粒子群方法
CN105446339A (zh) * 2015-12-22 2016-03-30 安徽工程大学 一种移动机器人路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种障碍环境下机器人路径规划的蚁群粒子群算法;邓高峰等;《控制理论与应用》;20090831;第26卷(第8期);摘要、正文第880-883页及图1-4 *
基于蚁群系统的参数自适应粒子群算法及其应用;杨帆等;《控制理论与应用》;20101130;第27卷(第11期);全文 *

Also Published As

Publication number Publication date
CN105387875A (zh) 2016-03-09

Similar Documents

Publication Publication Date Title
CN105387875B (zh) 基于蚁群算法的移动机器人路径规划方法的一种改进
CN105446339B (zh) 一种移动机器人路径规划方法
CN108444489A (zh) 一种改进rrt算法的路径规划方法
CN109974737B (zh) 基于安全疏散标志和强化学习结合的路径规划方法及系统
CN111381600B (zh) 一种基于粒子群算法的uuv路径规划方法
CN105426992B (zh) 移动机器人旅行商优化方法
CN105301203B (zh) 一种基于烟花算法的气味源定位方法
CN111784079A (zh) 一种基于人工势场和蚁群算法的无人机路径规划方法
CN110726408A (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
CN109242115A (zh) 一种基于gan的风机轮毂测风缺失数据的插补方法
CN114167865B (zh) 一种基于对抗生成网络与蚁群算法的机器人路径规划方法
CN115100238A (zh) 基于知识蒸馏的轻量化单目标跟踪器训练方法
Curran et al. Using PCA to efficiently represent state spaces
CN114489052A (zh) 一种改进rrt算法重连策略的路径规划方法
CN113219981A (zh) 一种基于蚁群算法的移动机器人路径规划方法
Yu et al. Path planning for mobile robot based on fast convergence ant colony algorithm
Muntasha et al. Performance analysis on artificial bee colony algorithm for path planning and collision avoidance in swarm unmanned aerial vehicle
CN107092779B (zh) 一种基于最小交叉位移熵的传感器作动器位置优化方法
CN106951957A (zh) 粒子群优化算法、多计算机并行处理方法及系统
Yang An improved artificial fish swarm algorithm and its application in multiple sequence alignment
Shi et al. Path planning for mobile robots in complex environments based on improved ant colony algorithm.
CN115047907B (zh) 一种基于多智能体ppo算法的空中同构编队指挥方法
CN111290391A (zh) 一种基于独狼蚁群混合算法的移动机器人路径规划方法
Liu et al. Robot path planning using bacterial foraging algorithm
Wang et al. Research on path planning of cleaning robot based on an improved ant colony algorithm

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant