CN109141430B - 基于模拟退火蚁群算法的电力巡检机器人路径规划方法 - Google Patents
基于模拟退火蚁群算法的电力巡检机器人路径规划方法 Download PDFInfo
- Publication number
- CN109141430B CN109141430B CN201811026526.1A CN201811026526A CN109141430B CN 109141430 B CN109141430 B CN 109141430B CN 201811026526 A CN201811026526 A CN 201811026526A CN 109141430 B CN109141430 B CN 109141430B
- Authority
- CN
- China
- Prior art keywords
- path
- points
- inspection
- solution
- point
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Abstract
本发明公开了一种基于模拟退火蚁群算法的电力巡检机器人路径规划方法。该方法为:根据室外变电站环境构建地图,规划电力巡检机器人的运行路径与停靠点,根据停靠点坐标信息构建拓扑地图;根据巡检任务,利用经典的Dijkstra算法得到任意两个巡检点的局部最短路径,同时构建无向图;根据路径长度以及经过的停靠点数,将全局最优路径规划问题转化为多目标的旅行商问题,并利用模拟退火蚁群算法在无向图的基础上规划全局最优路径;用局部最短路径替换全局最优路径中的局部路径,得到完整的最终路径。本发明收敛速度快、全局搜索能力高,具有复杂度低、可行性高、速度快的优点。
Description
技术领域
本发明涉及巡检机器人路径规划技术领域,特别是一种基于模拟退火蚁群算法的电力巡检机器人路径规划方法。
背景技术
随着社会需求的增加,变电站的数量逐年增多、规模越来越大,变电站巡检工作量更加繁重,传统的人工巡检方式劳动强度大,工作效率低,不适宜在恶劣的环境下工作,无法继续满足日益提高的行业要求。在室外大型变电站的环境下,电力巡检机器人可以替代人工巡检,通过自主导航定位对电力设备进行自主巡检,并且可以通过图像处理技术对数据信息进行智能分析,因此应用前景越来越广泛。
路径规划是电力巡检机器人的核心技术之一。针对固定的变电站环境,电力巡检机器人路径规划的任务是寻找一条从起始点到目标点的路径短、停靠次数少的最优路径。目前,移动机器人的路径规划方法有传统算法、图形学的方法、智能仿生学算法等。如传统算法中的模拟退火算法(SA)可适用于大规模的优化问题,算法简单、运行效率高,但存收敛速度慢、随机性差。如智能仿生学算法中的蚁群算法(ACA),其具备正反馈性、并行性和较强的鲁棒性,有良好的全局优化能力,但是易陷入局部最优解。目前,任何的单一路径规划算法都不能完美解决所有实际中的路径规划问题。
发明内容
本发明的目的在于提出一种基于模拟退火蚁群算法的电力巡检机器人路径规划方法,使得在室外变电站环境下机器人能够自主规划最优巡检路径。
实现本发明目的的技术解决方案为:一种基于模拟退火蚁群算法的电力巡检机器人路径规划方法,包括以下步骤:
步骤1、根据室外变电站环境构建地图,规划电力巡检机器人的运行路径与停靠点,根据停靠点坐标信息构建拓扑地图;
步骤2、根据巡检任务,利用经典Dijkstra算法得到任意两个巡检点的局部最短路径,同时构建无向图;
步骤3、根据路径长度以及经过的停靠点数,将全局最优路径规划问题转化为多目标的旅行商问题,并利用模拟退火蚁群算法规划全局最优路径;
步骤4、用局部最短路径替换全局最优路径中的局部路径,得到完整的最终路径。
作为一种具体示例,步骤1中所述的根据室外变电站环境构建地图,规划电力巡检机器人的运行路径与停靠点,根据停靠点坐标信息构建拓扑地图,具体为:
步骤1-1、激光导航系统利用电力巡检机器人自身携带的激光测距传感器和里程计构建特征稀疏环境的二维地图;
步骤1-2、规划电力巡检机器人的运行路径与停靠点:
将机器人的运行路径简化为直线路径,并在运行路径上设置停靠点;停靠点分为关键点与巡检点:关键点为机器人能够更改运动方向位置,可完成直行、转弯、掉头动作的点,巡检点为电力巡检机器人停靠并执行变电站设备检测的点;
步骤1-3、根据全部停靠点坐标信息,构建变电站拓扑地图G(i,j,wi,j);其中,i={1,2,...,n}、j={1,2,...,n}表示巡检点,边(i,j)上的权值wij表示(i,j)之间的距离。
作为一种具体示例,步骤2所述的根据巡检任务,利用经典Dijkstra算法得到任意两个巡检点的局部最短路径,同时构建无向图,具体为:
步骤2-1、读取拓扑地图各巡检点的坐标信息以及连通关系,计算连通两巡检点的距离;
步骤2-2、以距离为权值建立邻接矩阵;若两巡检点不连通,则距离为无穷大;
步骤2-3、读取巡检任务,利用Dijkstra算法求得任意两巡检点间最短距离,并记录距离最短时的路径序列与两巡检点之间经过停靠点的个数,然后根据巡检任务中需要到达的巡检点构建新的地图Gnew(i',j',w'),其中i'、j'即巡检点,边(i',j')上的权值w'ij为步骤1-3中得到的(i,j)之间最短距离,同时构建无向图Gc(i',j',wc'i,j),wc'ij为(i',j')经过的停靠点数。
作为一种具体示例,步骤3中所述的根据路径长度以及经过的停靠点数,将全局最优路径规划问题转化为多目标的旅行商问题,并利用模拟退火蚁群算法规划全局最优路径,具体为:
步骤3-1、参数初始化;设置路径解(d,n)用于储存路径规划计算过程中的解,d为路径距离,n为经过停靠点的个数,路径解(d,n)组成的解集为S;
步骤3-2、设置退火初始温度T=Tmax,蚂蚁数量m为巡检点个数,设置所有蚂蚁的起点为v0;
步骤3-3、蚂蚁k根据下式选择下一巡检点:
式中,τij(t)表示t时刻蚂蚁残留在(i,j)之间的信息素浓度,初始时刻信息素浓度τ0相同;蚂蚁使用伪随机比例规则,则蚂蚁以概率q0从位置i转移到位置j,其中位置j是使得[τij(t)]α·[ηij(t)]β达到最大的位置;q0∈(0,1)为常数,而q∈(0,1)为随机数;j∈allowK表示蚂蚁k没有到过的位置;
其中,dmin、dmax分别为两节点间的最短路径、最长路径,nmin、nmax分别为两节点间的最少节点个数、最多节点个数;
然后,根据下式局部更新信息素浓度:
τij=(1-ξ)τij+ξτ0
其中,ξ为可调参数;
重复步骤3-3直至蚂蚁k访问完所有节点;
步骤3-4、所有蚂蚁完成搜索任务,得到初始路径解集S1,更新最短距离d*,最少经过停靠点数n*,根据下式计算每只蚂蚁的偏离度D,得到当前全局最优路径A0:
其中,d*、n*是当前最优解,w1、w2权值表示路径距离、节点数的重要程度;偏离度D越小即全局路径解越优,满意度越高;
步骤3-5、将当前最优路径A0作为初始解,执行解中任意节点互换、逆转、平移的操作,对当前全局最优路径根据模拟退火原理产生新解,若新解为非劣解,则更新d*,n*,重新计算A0的偏离度;
新解是否非劣解的判断依据如下式:
其中ΔD=D-D0表示新解与初始解偏离度的差,T为当前的温度,T∈[Tmin,Tmax];
步骤3-6、对全局最优路径A0进行全局信息素更新,更新依据为:
其中Dbest表示当前最优解的偏离度,ρ为信息素挥发系数;
利用偏离度指导更新全局信息素;
步骤3-7、根据下式进行降温操作:
T=T·a
其中a为降温系数,a∈(0,1),若T<Tmin则退出循环,输出全局最优路径A0,否则转步骤3-3。
作为一种具体示例,步骤4中所述的用局部最短路径替换全局最优路径中的局部路径,得到完整的最终路径,具体为:
将步骤3-7中计算出的全局最优路径中的局部路径用局部最短路径替换,得到完整的最优路径,即为完整的停靠点坐标序列。
本发明与现有技术相比,具有以下显著优点:(1)路径规划方法综合考虑了路径距离与经过节点数两个因素,在规划短距离路径的同时使经过的节点数相对较少,提高了机器人巡检的快速性;(2)利用Dijkstra算法计算任意两个巡检点的最短路径并构建无向图,简化了后续的模拟退火蚁群算法所需探索的路径,降低了计算的复杂性,提高了算法的快速性;(3)利用偏离度作为评价路径解的优劣标准,将以距离短、节点数少为目标的路径规划问题转化为以偏离度最小为目标的路径规划问题,即将多目标问题转化为单目标问题,降低了计算的复杂性,保证了算法的可行性;(4)以蚁群系统为基础,局部信息素更新可使蚂蚁对没有被选中的边具有更强的探索能力;同时利用偏离度指导全局信息素更新,即只对最优路径的信息增强,增大最优和最差路径的信息素差异,从而加快收敛速度;(5)在蚁群算法的基础上引入模拟退火机制,能够概率性地跳出局部最优解并趋于全局最优解,有效的增加解的多样性,避免蚁群算法的早熟现象。
附图说明
图1为本发明基于模拟退火蚁群算法的电力巡检机器人路径规划方法的流程图。
图2为本发明实施例中的电力巡检机器人在变电站环境中构建的拓扑地图。
图3为本发明实施例中的基于模拟退火蚁群算法的路径规划方法流程图。
具体实施方式
下面参考附图并结合实施例来详细说明本发明。
结合图1,本发明的一种基于模拟退火蚁群算法的电力巡检机器人路径规划方法,包括以下步骤:
步骤1、根据室外变电站环境构建地图,规划电力巡检机器人的运行路径与停靠点,根据停靠点点坐标信息构建拓扑地图,如图2所示。
步骤1-1、激光导航系统利用电力巡检机器人自身携带的激光测距传感器和里程计构建特征稀疏环境的二维地图。
步骤1-2、规划电力巡检机器人的运行路径与停靠点:
将机器人的运行路径简化为直线路径,并在在运行路径上设置停靠点;停靠点分为关键点与巡检点:关键点为机器人可以更改运动方向位置,可完成直行、转弯、掉头动作的点,如十字路口,直角路口,T字路口等;巡检点为电力巡检机器人停靠并执行变电站设备检测的点;检测任务完成之后运行到下一个停靠点。
步骤1-3、根据全部停靠点坐标信息,构建变电站拓扑地图G(i,j,wi,j)。其中,i={1,2,...,n}、j={1,2,...,n}表示巡检点,边(i,j)上的权值wij表示(i,j)之间的距离。
步骤2、根据巡检任务,利用经典的Dijkstra算法得到任务中的任意两个巡检点的局部最短路径,记录最短路径、路径序列以及经过停靠点的个数,构建无向图Gnew(i',j',w')与Gc(i',j',wc')。
步骤2-1:读取拓扑地图各巡检点的坐标信息以及连通关系,计算连通两巡检点的距离;
步骤2-2:以距离为权值建立邻接矩阵;若两巡检点不连通,则距离为无穷大;
步骤2-3:读取巡检任务,利用Dijkstra算法求得任意两巡检点间最短距离,以及记录距离最短时的路径序列与两巡检点之间经过停靠点的个数,构建新的地图Gnew(i',j',w'),其中i'、j'即巡检点,边(i',j')上的权值w'ij为步骤1-3中得到的(i,j)之间最短距离,同时构建无向图Gc(i',j',wc'i,j),wc'ij为(i',j')经过的停靠点数。
步骤3、根据路径总距离短以及经过停靠点数少的目标,将全局最优路径规划问题转化为多目标的旅行商问题,利用模拟退火蚁群算法求解。模拟退火蚁群算法求解流程图如图3所示。
步骤3-1、参数初始化;设置路径解(d,n)用于储存路径规划计算过程中的解,d为路径距离,n为经过停靠点的个数,路径解(d,n)组成的解集为S;
步骤3-2、设置退火初始温度T=Tmax,蚂蚁数量m为巡检点个数,设置所有蚂蚁的起点为v0(充电屋);
步骤3-3、蚂蚁k根据下式选择下一巡检点:
τij(t)表示t时刻蚂蚁残留在(i,j)之间的信息素浓度,初始时刻浓度τ0相同;蚂蚁使用伪随机比例规则,则蚂蚁以概率q0从位置i转移到位置j,其中位置j是使得[τij(t)]α·[ηij(t)]β达到最大的位置;q0∈(0,1)为常数,而q∈(0,1)为随机数;j∈allowK表示蚂蚁k没有到过的位置;
其中,dmin、dmax分别为两节点间的最短路径、最长路径,nmin、nmax分别为两节点间的最少节点个数、最多节点个数;
然后,根据下式局部更新信息素:
τij=(1-ξ)τij+ξτ0
其中ξ为可调参数;
重复步骤3-3直至蚂蚁k访问完所有节点;信息启发算子α和期望启发算子β分别为1和4;随机概率q0=0.5,局部信息素更新参数ξ=0.95。
步骤3-4、所有蚂蚁完成搜索任务,更新最短距离d*,最少经过节点数n*,根据下式计算每只蚂蚁的偏离度D,得到当前全局最优路径A0:
其中d*、n*是当前最优解,w1、w2权值表示路径距离、节点数的重要程度;偏离度D越小即全局路径解越优,满意度越高;距离权值w1=0.7,节点数权值w2=0.3。
步骤3-5、将当前最优路径A0作为初始解,执行解中任意节点互换、逆转、平移的操作,对当前全局最优蚂蚁根据模拟退火原理产生新解,若新解为非劣解,则更新d*,n*,重新计算A0的偏离度,根据式(9)判断是否接受新解;
新解是否非劣解的判断依据如下式:
其中ΔD=D-D0表示新解与初始解偏离度的差,T为当前的温度,T∈[Tmin,Tmax];
步骤3-6、对最优路径A0进行全局信息素更新,更新依据为:
τij(t+1)=(1-ρ)τij(t)+ρΔτij best,ρ∈(0,1)
其中Dbest表示当前最优解的偏离度,ρ为信息素挥发系数;信息挥发系数ρ=0.5;
利用偏离度指导更新全局信息素;
步骤3-7、根据下式进行降温操作:
T=T·a
其中a为降温系数,a∈(0,1);若T<Tmin则退出循环,输出最优路径A0,否则转步骤3-3。退火算法中参数为:初始温度Tmax=1000,停止温度Tmin=0.001,降温系数为a=0.98。
步骤4、用局部最短路径替换计算出的全局最优路径中的局部路径,得到完整的最优路径,即为完整的停靠点坐标序列,具体为:
将步骤3-7中计算出的全局最优路径中的局部路径用局部最短路径替换,得到完整的最优路径,即为完整的停靠点坐标序列。
在特殊巡检任务中,机器人处于C关键点,需巡检7、5、6、3号巡检点,则模拟退火蚁群规划的全局路径为C->7->5->6->3,利用计算的局部最短路径替代每两个巡检点之间的路径,得到完整路径为C->7->D->G->5->H->6->I->J->3,总长度为1320m,经过的关键点个数5,偏离度D=0.1。
Claims (4)
1.一种基于模拟退火蚁群算法的电力巡检机器人路径规划方法,其特征在于,包括以下步骤:
步骤1、根据室外变电站环境构建地图,规划电力巡检机器人的运行路径与停靠点,根据停靠点坐标信息构建拓扑地图;
步骤2、根据巡检任务,利用经典Dijkstra算法得到任意两个巡检点的局部最短路径,同时构建无向图;
步骤3、根据路径长度以及经过的停靠点数,将全局最优路径规划问题转化为多目标的旅行商问题,并利用模拟退火蚁群算法规划全局最优路径,具体为:
步骤3-1、参数初始化;设置路径解(d,n)用于储存路径规划计算过程中的解,d为路径距离,n为经过停靠点的个数,路径解(d,n)组成的解集为S;
步骤3-2、设置退火初始温度T=Tmax,蚂蚁数量m为巡检点个数,设置所有蚂蚁的起点为v0;
步骤3-3、蚂蚁k根据下式选择下一巡检点:
式中,τij(t)表示t时刻蚂蚁残留在(i,j)之间的信息素浓度,初始时刻信息素浓度τ0相同;蚂蚁使用伪随机比例规则,则蚂蚁以概率q0从位置i转移到位置j,其中位置j是使得[τij(t)]α·[ηij(t)]β达到最大的位置;q0∈(0,1)为常数,而q∈(0,1)为随机数;j∈allowK表示蚂蚁k没有到过的位置;
其中,dmin、dmax分别为两节点间的最短路径、最长路径,nmin、nmax分别为两节点间的最少节点个数、最多节点个数;
然后,根据下式局部更新信息素浓度:
τij=(1-ξ)τij+ξτ0
其中,ξ为可调参数;
重复步骤3-3直至蚂蚁k访问完所有节点;
步骤3-4、所有蚂蚁完成搜索任务,得到初始路径解集S1,更新最短距离d*,最少经过停靠点数n*,根据下式计算每只蚂蚁的偏离度D,得到当前全局最优路径A0:
其中,d*、n*是当前最优解,w1、w2权值表示路径距离、节点数的重要程度;偏离度D越小即全局路径解越优,满意度越高;
步骤3-5、将当前最优路径A0作为初始解,执行解中任意节点互换、逆转、平移的操作,对当前全局最优路径根据模拟退火原理产生新解,若新解为非劣解,则更新d*,n*,重新计算A0的偏离度;
新解是否非劣解的判断依据如下式:
其中ΔD=D-D0表示新解与初始解偏离度的差,T为当前的温度,T∈[Tmin,Tmax];
步骤3-6、对全局最优路径A0进行全局信息素更新,更新依据为:
其中Dbest表示当前最优解的偏离度,ρ为信息素挥发系数;
利用偏离度指导更新全局信息素;
步骤3-7、根据下式进行降温操作:
T=T·a
其中a为降温系数,a∈(0,1),若T<Tmin则退出循环,输出全局最优路径A0,否则转步骤3-3;
步骤4、用局部最短路径替换全局最优路径中的局部路径,得到完整的最终路径。
2.根据权利要求1所述的基于模拟退火蚁群算法的电力巡检机器人路径规划方法,其特征在于,步骤1中所述的根据室外变电站环境构建地图,规划电力巡检机器人的运行路径与停靠点,根据停靠点坐标信息构建拓扑地图,具体为:
步骤1-1、激光导航系统利用电力巡检机器人自身携带的激光测距传感器和里程计构建特征稀疏环境的二维地图;
步骤1-2、规划电力巡检机器人的运行路径与停靠点:
将机器人的运行路径简化为直线路径,并在运行路径上设置停靠点;停靠点分为关键点与巡检点:关键点为机器人能够更改运动方向位置,可完成直行、转弯、掉头动作的点,巡检点为电力巡检机器人停靠并执行变电站设备检测的点;
步骤1-3、根据全部停靠点坐标信息,构建变电站拓扑地图G(i,j,wi,j);其中,i={1,2,...,n}、j={1,2,...,n}表示巡检点,边(i,j)上的权值wij表示(i,j)之间的距离。
3.根据权利要求2所述的基于模拟退火蚁群算法的电力巡检机器人路径规划方法,其特征在于,步骤2所述的根据巡检任务,利用经典Dijkstra算法得到任意两个巡检点的局部最短路径,同时构建无向图,具体为:
步骤2-1、读取拓扑地图各巡检点的坐标信息以及连通关系,计算连通两巡检点的距离;
步骤2-2、以距离为权值建立邻接矩阵;若两巡检点不连通,则距离为无穷大;
步骤2-3、读取巡检任务,利用Dijkstra算法求得任意两巡检点间最短距离,并记录距离最短时的路径序列与两巡检点之间经过停靠点的个数,然后根据巡检任务中需要到达的巡检点构建新的地图Gnew(i',j',w'),其中i'、j'即巡检点,边(i',j')上的权值w'ij为步骤1-3中得到的(i,j)之间最短距离,同时构建无向图Gc(i',j',wc'i,j),wc'ij为(i',j')经过的停靠点数。
4.根据权利要求1所述的基于模拟退火蚁群算法的电力巡检机器人路径规划方法,其特征在于,步骤4中所述的用局部最短路径替换全局最优路径中的局部路径,得到完整的最终路径,具体为:
将步骤3-7中计算出的全局最优路径中的局部路径用局部最短路径替换,得到完整的最优路径,即为完整的停靠点坐标序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811026526.1A CN109141430B (zh) | 2018-09-04 | 2018-09-04 | 基于模拟退火蚁群算法的电力巡检机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811026526.1A CN109141430B (zh) | 2018-09-04 | 2018-09-04 | 基于模拟退火蚁群算法的电力巡检机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109141430A CN109141430A (zh) | 2019-01-04 |
CN109141430B true CN109141430B (zh) | 2022-02-18 |
Family
ID=64826732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811026526.1A Active CN109141430B (zh) | 2018-09-04 | 2018-09-04 | 基于模拟退火蚁群算法的电力巡检机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109141430B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754121A (zh) * | 2019-01-09 | 2019-05-14 | 天津工业大学 | 双机器人协同巡检路径优化方法 |
CN110068332B (zh) * | 2019-02-21 | 2022-06-24 | 国网浙江平湖市供电有限公司 | 基于可穿戴设备的变电站巡检路径规划装置及方法 |
CN111721279A (zh) * | 2019-03-21 | 2020-09-29 | 国网陕西省电力公司商洛供电公司 | 一种适用于输电巡检工作的末端路径导航方法 |
CN111158358B (zh) * | 2019-11-29 | 2022-11-11 | 中国电力科学研究院有限公司 | 一种基于三维模型对变电/换流站自优巡检的方法及系统 |
CN111239768A (zh) * | 2020-01-13 | 2020-06-05 | 南京七宝机器人技术有限公司 | 一种电力巡检机器人自主构建地图并查找巡检目标的方法 |
CN111752303B (zh) * | 2020-06-15 | 2022-09-27 | 中国人民解放军国防科技大学 | 一种小型无人机中继充电路径规划方法与系统 |
CN111708369B (zh) * | 2020-07-17 | 2021-07-23 | 武汉科技大学 | 一种变电站巡检机器人路径规划方法 |
CN112113569A (zh) * | 2020-09-03 | 2020-12-22 | 中国联合网络通信集团有限公司 | 一种巡检路径优化方法及装置 |
CN112197778A (zh) * | 2020-09-08 | 2021-01-08 | 南京理工大学 | 基于改进a*算法的轮式机场巡界机器人路径规划方法 |
CN112235759B (zh) * | 2020-09-15 | 2022-05-17 | 武汉工程大学 | 一种多机器人路由优化方法及装置 |
CN112612273B (zh) * | 2020-12-21 | 2021-08-24 | 南方电网电力科技股份有限公司 | 一种巡检机器人避障路径规划方法、系统、设备和介质 |
CN112817310A (zh) * | 2020-12-30 | 2021-05-18 | 广东电网有限责任公司电力科学研究院 | 一种变电站巡检策略的制定方法及装置 |
CN112902970A (zh) * | 2021-02-25 | 2021-06-04 | 深圳市朗驰欣创科技股份有限公司 | 一种巡检路径规划方法和巡检机器人 |
CN113240249B (zh) * | 2021-04-26 | 2022-04-29 | 泰瑞数创科技(北京)有限公司 | 基于无人机增强现实的城市工程质量智能评价方法及其系统 |
CN113313674B (zh) * | 2021-05-12 | 2023-05-12 | 华南理工大学 | 一种基于虚拟数据平面的船体除锈方法 |
CN113342046B (zh) * | 2021-06-22 | 2022-06-03 | 国网湖北省电力有限公司宜昌供电公司 | 基于蚁群算法的输电线路无人机巡检路径优化方法 |
CN113819919B (zh) * | 2021-09-26 | 2022-07-01 | 陕西科技大学 | 一种基于布尔约束的机器人最优路径规划方法 |
CN114115277A (zh) * | 2021-11-26 | 2022-03-01 | 中国建设银行股份有限公司 | 一种基于巡检机器人的巡检管理方法及相关设备 |
CN114756034B (zh) * | 2022-06-13 | 2022-09-09 | 北京蒙帕信创科技有限公司 | 一种机器人实时避障路径规划方法及装置 |
CN114995503B (zh) * | 2022-06-16 | 2023-05-02 | 江西理工大学 | 一种无人机巡检路径优化方法 |
CN115171235A (zh) * | 2022-06-28 | 2022-10-11 | 广州土圭垚信息科技有限公司 | 一种蓝牙信标综合巡检方法及巡检系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408589A (zh) * | 2014-10-24 | 2015-03-11 | 陕西科技大学 | 基于混合粒子群算法的agv优化调度方法 |
CN106156897A (zh) * | 2016-08-22 | 2016-11-23 | 武汉轻工大学 | 物流配送中最优路径规划模拟系统 |
CN106650991A (zh) * | 2016-09-27 | 2017-05-10 | 中国矿业大学(北京) | 基于模拟退火蚁群算法的路径规划 |
CN107543549A (zh) * | 2017-10-27 | 2018-01-05 | 上海理工大学 | 无人机单侧成像约束条件下的路线规划方法 |
CN107977751A (zh) * | 2017-12-11 | 2018-05-01 | 浙江理工大学 | 一种基于遗传算法的地下物流节点间路径规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI362500B (en) * | 2008-03-03 | 2012-04-21 | Ind Tech Res Inst | Transformation apparatus for the signal strength in a wireless location system and method thereof |
-
2018
- 2018-09-04 CN CN201811026526.1A patent/CN109141430B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408589A (zh) * | 2014-10-24 | 2015-03-11 | 陕西科技大学 | 基于混合粒子群算法的agv优化调度方法 |
CN106156897A (zh) * | 2016-08-22 | 2016-11-23 | 武汉轻工大学 | 物流配送中最优路径规划模拟系统 |
CN106650991A (zh) * | 2016-09-27 | 2017-05-10 | 中国矿业大学(北京) | 基于模拟退火蚁群算法的路径规划 |
CN107543549A (zh) * | 2017-10-27 | 2018-01-05 | 上海理工大学 | 无人机单侧成像约束条件下的路线规划方法 |
CN107977751A (zh) * | 2017-12-11 | 2018-05-01 | 浙江理工大学 | 一种基于遗传算法的地下物流节点间路径规划方法 |
Non-Patent Citations (3)
Title |
---|
Path planning based on simulated annealing ant colony algorithm;Liu Kun,et.al;《2016 9th International Symposium on Computational Intelligence and Design (ISCID)》;20161231;第2卷;第461-466页 * |
基于混合算法的单配送中心路径优化方法;闫凯等;《测绘科学技术学报》;20161231;第33卷(第6期);第650-653页 * |
改进蚁群算法对CVRP及机器人路径规划问题的应用研究;王沛栋;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20120215;I140-343 * |
Also Published As
Publication number | Publication date |
---|---|
CN109141430A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141430B (zh) | 基于模拟退火蚁群算法的电力巡检机器人路径规划方法 | |
Xiong et al. | Path planning of multiple autonomous marine vehicles for adaptive sampling using Voronoi-based ant colony optimization | |
Fu et al. | A heuristic evolutionary algorithm of UAV path planning | |
Zeng et al. | A comparison of optimization techniques for AUV path planning in environments with ocean currents | |
Liang et al. | Applying genetic algorithm and ant colony optimization algorithm into marine investigation path planning model | |
Das et al. | Co-operative control of a team of autonomous underwater vehicles in an obstacle-rich environment | |
Song et al. | Intelligent optimization algorithm-based path planning for a mobile robot | |
Wei et al. | Informative path planning for mobile sensing with reinforcement learning | |
Arora et al. | Robotic path planning using genetic algorithm in dynamic environment | |
Xiong et al. | Path planning of multiple unmanned marine vehicles for adaptive ocean sampling using elite group-based evolutionary algorithms | |
Liu et al. | A new path plan method based on hybrid algorithm of reinforcement learning and particle swarm optimization | |
Che et al. | Global path planning for explosion-proof robot based on improved ant colony optimization | |
Wang et al. | Simultaneous task and energy planning using deep reinforcement learning | |
Liu et al. | Research on multi-AGVs path planning and coordination mechanism | |
Wei et al. | Multi-robot path planning for mobile sensing through deep reinforcement learning | |
Li et al. | A mixing algorithm of ACO and ABC for solving path planning of mobile robot | |
Hou et al. | Bounded cost path planning for underwater vehicles assisted by a time-invariant partitioned flow field model | |
Li et al. | Robot patrol path planning based on combined deep reinforcement learning | |
Li et al. | Bayesian learning model predictive control for process-aware source seeking | |
Liang et al. | Global path planning for mobile robot based genetic algorithm and modified simulated annealing algorithm | |
Liu et al. | A Cooperative Evolutionary Computation Algorithm for Dynamic Multiobjective Multi-AUV Path Planning | |
Xiao et al. | Distilling autoregressive models to obtain high-performance non-autoregressive solvers for vehicle routing problems with faster inference speed | |
Abbas et al. | Scaling deep learning models for large spatial time-series forecasting | |
Zeng et al. | Imperialist competitive algorithm for AUV path planning in a variable ocean | |
Nai et al. | A Vehicle Path Planning Algorithm Based on Mixed Policy Gradient Actor-Critic Model with Random Escape Term and Filter Optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |