CN111353621B - 一种基于冷热度原理改进蚁群算法的agv路径规划方法 - Google Patents

一种基于冷热度原理改进蚁群算法的agv路径规划方法 Download PDF

Info

Publication number
CN111353621B
CN111353621B CN201811564152.9A CN201811564152A CN111353621B CN 111353621 B CN111353621 B CN 111353621B CN 201811564152 A CN201811564152 A CN 201811564152A CN 111353621 B CN111353621 B CN 111353621B
Authority
CN
China
Prior art keywords
area
cold
agv
hot
planning method
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
CN201811564152.9A
Other languages
English (en)
Other versions
CN111353621A (zh
Inventor
刘意杨
曾鹏
王智凝
白洪飞
李增辉
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.)
Shenyang Institute of Automation of CAS
Original Assignee
Shenyang Institute of Automation of CAS
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 Shenyang Institute of Automation of CAS filed Critical Shenyang Institute of Automation of CAS
Priority to CN201811564152.9A priority Critical patent/CN111353621B/zh
Publication of CN111353621A publication Critical patent/CN111353621A/zh
Application granted granted Critical
Publication of CN111353621B publication Critical patent/CN111353621B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于冷热度原理改进蚁群算法的AGV路径规划方法，提取AGV的操作位点，并通过操作位点划分独立路段，建立含有冷热度区域的环境电子地图模型；判断目标节点在电子地图中所在的区域，动态选择有差异的初始化信息素分布，采用改进的信息素更新方式和调整状态转移概率；蚁群从任务起点开始搜索遍历节点，直至在目标搜索区域内找到目标节点，完成本次迭代，生成若干条路径；当前迭代次数达到最大迭代次数，找出全局最优路径。本发明利用冷热度概念，分析生产任务，对零配件和产品标记的冷热度，建立带有冷热度区域的电子地图，有利于确定目标点的位置；对确定目标节点所在区域设置有差异的初始化信息素分布。

Description

一种基于冷热度原理改进蚁群算法的AGV路径规划方法
技术领域
本发明涉及多AGV路径规划领域，具体地说是一种基于冷热度原理改进蚁群算法的AGV路径规划方法。
背景技术
随着工业4.0与中国制造2025的到来，制造业，尤其是离散制造业的自动化、信息化的发展成为企业壮行升级的方向。自动导引小车(Automated Guided Vehicle,AGV)是离散制造业实现自动化和信息化的重要手段。针对离散制造业中面向柔性生产的特点，各个工位需要具备一定的灵活性，传统的传送带、人力推车等物流运输方式效率低下，不能满足柔性生产的需求，在仓库、车间以及各个工位之间使用AGV成为大势所趋。
在车间物流运输系统中，本文采用蚁群算法，对接收到任务的AGV快速规划出从任务起点到任务终点的最佳AGV运行路径。蚁群算法是一种模拟蚂蚁觅食原理而设计出的一种仿生优化群体智能算法。在蚂蚁觅食寻路的过程中，会通过释放信息素与环境相互作用来告知同伴这条路径是否为一条优秀路径，在基本蚁群算法中，模拟了蚂蚁通过道路时释放信息素的这一行为，并利用信息素浓度和启发式函数的值来计算蚂蚁的转移概率，指导蚂蚁对路径进行选择。同时算法模拟了自然界中信息素的挥发与更新，将信息素浓度控制在一定的范围内，并保持较优路径在后续迭代中的备选优势，经过一定次数的迭代之后，算法最终能够得到全局的优秀路径。虽然传统蚁群算法具有较强的鲁棒性、优良的分布式计算机制、易于与其他算法相结合等优点，但是，其普遍存在收敛速度慢、效率低和容易陷入局部最优等缺陷；因此，本文引入冷热度原理的概念对蚁群算法进行改进，提高车间AGV的运行效率。
发明内容
针对现有技术的不足，本发明提供一种基于冷热度原理改进蚁群算法的AGV路径规划方法，解决由于初始信息素浓度分布相同，算法搜索没有目的性速度较慢，导致系统响应慢；信息素更新不及时，导致蚂蚁所走过的路径上信息素积累得过快或过慢，算法易陷入局部最优或停滞，使AGV实际运行的路径不能够达到最短路径的问题。
本发明为实现上述目的所采用的技术方案是：
一种基于冷热度原理改进蚁群算法的AGV路径规划方法，包括以下步骤：
步骤1：根据生产任务分析，对所需要的零配件和产品标记冷热度；
步骤2：根据车间布局信息和路径信息，提取AGV的操作位点，并通过操作位点划分独立路段，建立含有冷热度区域的环境电子地图模型；
步骤3：根据AGV所接受的任务，判断目标节点在电子地图中所在的区域，动态选择有差异的初始化信息素分布，使目标节点所在区域的信息素高于其他区域，并采用改进的信息素更新方式和调整状态转移概率；
步骤4：蚁群从任务起点开始搜索遍历节点，直至在目标搜索区域内找到目标节点，完成本次迭代，同时生成若干条路径；
步骤5：如果当前迭代次数达到最大迭代次数，则在生成的全局最优路径组中，记录蚁群算法所搜索到的实测最小值、收敛最优值和收敛迭代次数，否则返回步骤3。
所述独立路段为连接两个相邻操作点位的路段。
所述操作位点包括工位点、仓库点、转弯点、定位点、充电点和备用点、仓库上料点、成品出仓点。
所述工位点为AGV进行上料或下线操作的区域，包括上料区和下线区，上料区和下线区为相对独立区域；
上料区，用于存放加工产品所需要的配件；
下线区：用于存放已加工装配完成的产品；
所述仓库点为用于存放各个工位点所需运送件的区域。
所述转弯点为AGV需要执行转弯命令的区域，包括L型转弯点、T型转弯点和十字型转弯点。
所述冷度为根据生产任务分析，将需求较低的零配件或成品标记为冷度；
所述热度为根据生产任务分析，将需求较高的零配件或成品标记为热度。
所述建立冷热度区域的电子地图，根据生产任务的标记，把车间环境电子地图，建立含有冷热度区域的电子地图，其中包含上料冷热度区域和下线冷热度区；
上料冷热度区：生产任务中标记的零配件在电子地图中所存放的对应区域；
下线冷热度区：生产任务中标记的产品在电子地图中所存放的对应区域；
所述将目标节点在电子地图中所处的区域设置有差异的信息素分布：AGV接受任务后，确定目标节点所在的区域，将该区域的初始信息素浓度设置的比其他区域的信息素浓度高。
所述根据路径长度和拐点个数对路径进行排序为：
首先根据每条路径长度的长短对路径排序，短的路径优于长的路径；
如果路径长度相等，则继续根据拐点个数的多少对路径排序，少的拐点个数优于多的拐点个数。
所述实测最小值：在算法中蚂蚁所能遍历到的路径最小值；
所述收敛最优值：在算法中蚂蚁所收敛到的路径值，即AGV的实际路径；
所述收敛迭代次数：算法收敛时的迭代次数。
本发明具有以下有益效果及优点：
1.本发明通过生产任务分析，能够对零配件标记冷热度，有利于后续系统的判断；
2.本发明可以利用冷热度概念，建立带有冷热度区域的电子地图，有利于确定目标点的位置；
3.本发明利用零配件和产品标记的冷热度，确定目标节点所在区域，对电子地图设置有差异的初始化信息素分布。
附图说明
图1是本发明的方法流程图；
图2是本发明的格栅建模示意图；
图3是本发明的电子地图冷热度划分示意图；
图4是本发明的有差异的初始化信息素分布示意图；
图5是本发明的地图1中任务在改进后的算法中的运行情况示意图；
图6是本发明的地图2中任务在改进后的算法中的运行情况示意图；
图7是本发明的四组实验路径长度实测最小值对比图；
图8是本发明的四组实验最优收敛长度对比图；
图9是本发明的四组实验路径长度接近程度对比图；
图10是本发明的四组实验收敛迭代次数对比图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
为使本发明的上述目的、特征和有点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
如图1所示为本发明的方法流程图。
一种基于冷热度原理改进蚁群算法的AGV路径规划方法，包括以下步骤：
步骤1：根据车间布局信息和路径信息，提取AGV的操作位点，并通过操作位点划分独立路段；
步骤2：根据生产任务分析，把生产任务中所需要的零配件和产品标记冷热度，建立含有上料和下线冷热度区域的电子地图；
步骤3：根据AGV所接收的任务，判断任务目标点所在区域，动态选择有差异的初始信息素分布，使目标点所在区域的信息素浓度高于其他区域的信息素浓度，并采用改进的信息素更新方式和调整状态转移概率。
步骤4：蚁群从任务起点开始搜索遍历节点，直至在目标搜索区域内找到目标节点，完成本次迭代，同时生成若干条路径；
步骤5：如果当前迭代次数达到最大迭代次数，则在生成的全局最优路径组中，记录蚁群算法所搜索到的实测最小值、收敛最优值和收敛迭代次数，否则返回步骤3。
所述独立路段为连接两个相邻操作点位的路段。
所述操作位点包括工位点、仓库点、转弯点、定位点、充电点和备用点、仓库上料点、成品出仓点。
所述工位点为AGV进行上料或下线操作的区域，包括上料区和下线区，上料区和下线区为相对独立区域；
上料区，用于存放加工成品所需要的零配件；
下线区：用于存放已加工装配完成的产品。
所述仓库点为用于存放各个工位点所需运送件的区域。
所述转弯点为AGV需要执行转弯命令的区域，包括L型转弯点、T型转弯点和十字型转弯点。
所述环境电子地图模型采用栅格建模法建立，如图2所示。
栅格建模法是建立环境电子地图的一种方法，把已知的车间环境栅格化处理，1代表该位置有障碍物，0代表该位置无障碍物。
如图3所示为本发明的带有冷热度区域的电子地图划分示意图。
所述冷度区为根据生产任务需求，将需求较低的零配件或成品标记为冷度，放置在电子地图中所对应的冷热度区；
所述热度区为根据生产任务需求，将需求较高的零配件或成品标记为热度，放置在电子地图中所对应的冷热度区；
所述将目标节点所处冷热度区作为目标搜索区域包括：
如果生产任务所需要的零配件标记为热度或已加工完成的成品标记为热度，则将配件或成品热度区作为目标节点的目标搜索区域；
如果生产任务所需要的零配件标记为冷度或已加工完成的成品标记为冷度，则将配件或成品热度区作为目标节点的目标搜索区域；
所述根据路径长度和拐点个数对路径进行排序为：
首先根据每条路径长度的长短对路径排序，短的路径优于长的路径；
如果路径长度相等，则继续根据拐点个数的多少对路径排序，少的拐点个数优于多的拐点个数。
所述设置有差异的初始信息素分布为目标区域的信息素浓度高，其他区域的信息素浓度低，如图4所示。电子地图共有四个区域即上料冷热度区和下线冷热度区，目标位置在哪个区域，就把该区域的信息素浓度设置较高。
所述改进信息素更新方式为不仅考虑信息素的累加也考虑信息素的挥发，信息素更新更新方式为：
τij(t+1)＝(1-ρ)*τij(t)+ρΔτij(t)
式中，Q是常数，表示信息素浓度增强因子，是一个定值,m是蚂蚁种群的个数。蚂蚁k经过路段(i,j)时会释放Δτij(t)的信息素量，为t周期后增加的总信息素浓度。
所述调整状态转移概率为调整状态转移概率的启发信息，在其发信息中考虑当前节点的下一个节点到目标节点的距离，使蚁群算法的搜索方向指向目标节点，状态转移概率的公式为：
ηjd＝1/djd
式中，(xj,xd)、(yj,yd)分别表示j、d两节点的坐标值；djd表示节点(j,d)间的欧氏距离，ηjd表示当前节点j和目标节点d间的期望值。
将改进距离启发函数因子引入到节点状态转移概率公式中为公式：
若j∈admitk
式中，表示蚂蚁k在i、j节点间的转移概率；τij(t)表示蚂蚁k遗留在路径i、j上的信息素，admitk表示当前可以选择到达的节点集合。
通过以上改进策略，需要进行实验验证，在两个不同的地图中，每个地图选择两个不同的起点和终点共四组任务，每组任务分别在基本蚁群算法和改进蚁群算法的基础上进行连续的10次实验，分别记录每次实验中的收敛迭代次数、实测最小值和收敛最优值。
如图5所示为地图1中任务在改进后的算法中的运行情况。
其中图5(a)为地图2中任务1在改进后的算法中的运行情况，图5(b)为地图2中任务2在改进后的算法中的运行情况。
如图6所示为地图2中任务在改进后的算法中的运行情况。
其中图6(a)为地图2中任务1在改进后的算法中的运行情况，图6(b)为地图2中任务2在改进后的算法中的运行情况。
对四组任务实验所得到的数据进行分析：
如图7所示为四组实验路径长度实测最小值对比图。
从图中可以看出，改进后的算法所能搜索到的最短路径长度更小了，说明算法的寻优能力更强了。
如图8所示为四组实验最优收敛长度对比图。
从图中可以看出，改进后的算法所能收敛到的路径更短了，说明算法所能搜索到的AGV实际运行路径更小了。
如图9所示为四组实验路径长度接近程度对比图。
从该图可以看出，在改进后的算法中，收敛迭代最优值与实测最小值的差值更小，避免了算法易陷入局部最优。说明改进后的算法AGV实际所行走的路径更接近算法所能搜索到的最短路径。
如图10所示为四组实验收敛迭代次数对比图。
从该图可以看出算法改进后，收敛迭代次数明显降低，说明系统的响应时间更快了。
通过对生产任务分析，对零配件和产品标记冷热度，并建立含有冷热度区域的电子地图，判断任务中的目标节点所在区域，动态选择有差异的初始化信息素分布，采用改进的信息素更新方式和调整状态转移概率的启发信息，能够使算法的收敛速度明显的加快，并且算法所搜到的AGV实际行走的路径更接近最小值，避免了算法陷入局部最优。
经过实验数据分析，改进蚁群算法加快了算法收敛速度和避免了算法陷入局部最优。

Claims (8)

1.一种基于冷热度原理改进蚁群算法的AGV路径规划方法，其特征在于，包括以下步骤：
步骤1：根据生产任务分析，对所需要的零配件和产品标记冷热度；
所述冷度为根据生产任务分析，将需求较低的零配件或成品标记为冷度；
所述热度为根据生产任务分析，将需求较高的零配件或成品标记为热度；
步骤2：根据车间布局信息和路径信息，提取AGV的操作位点，并通过操作位点划分独立路段，建立含有冷热度区域的环境电子地图模型；
所述建立冷热度区域的电子地图，根据生产任务的标记，把车间环境电子地图，建立含有冷热度区域的电子地图，其中包含上料冷热度区域和下线冷热度区；
上料冷热度区：生产任务中标记的零配件在电子地图中所存放的对应区域；
下线冷热度区：生产任务中标记的产品在电子地图中所存放的对应区域；
步骤3：根据AGV所接受的任务，判断目标节点在电子地图中所在的区域，动态选择有差异的初始化信息素分布，使目标节点所在区域的信息素高于其他区域，并采用改进的信息素更新方式和调整状态转移概率；
步骤4：蚁群从任务起点开始搜索遍历节点，直至在目标搜索区域内找到目标节点，完成本次迭代，同时生成若干条路径；
步骤5：如果当前迭代次数达到最大迭代次数，则在生成的全局最优路径组中，记录蚁群算法所搜索到的实测最小值、收敛最优值和收敛迭代次数，否则返回步骤3。
2.根据权利要求1所述的基于冷热度原理改进蚁群算法的AGV路径规划方法，其特征在于：所述独立路段为连接两个相邻操作点位的路段。
3.根据权利要求1或2所述的基于冷热度原理改进蚁群算法的AGV路径规划方法，其特征在于：所述操作位点包括工位点、仓库点、转弯点、定位点、充电点和备用点、仓库上料点、成品出仓点。
4.根据权利要求3所述的基于冷热度原理改进蚁群算法的AGV路径规划方法，其特征在于：所述工位点为AGV进行上料或下线操作的区域，包括上料区和下线区，上料区和下线区为相对独立区域；
上料区，用于存放加工产品所需要的配件；
下线区：用于存放已加工装配完成的产品；
所述仓库点为用于存放各个工位点所需运送件的区域。
5.根据权利要求3所述的基于冷热度原理改进蚁群算法的AGV路径规划方法，其特征在于：
所述转弯点为AGV需要执行转弯命令的区域，包括L型转弯点、T型转弯点和十字型转弯点。
6.根据权利要求1所述的基于冷热度原理改进蚁群算法的AGV路径规划方法，其特征在于：所述将目标节点在电子地图中所处的区域设置有差异的信息素分布：AGV接受任务后，确定目标节点所在的区域，将该区域的初始信息素浓度设置的比其他区域的信息素浓度高。
7.根据权利要求1所述的基于冷热度原理改进蚁群算法的AGV路径规划方法，其特征在于：根据路径长度和拐点个数对路径进行排序为：
首先根据每条路径长度的长短对路径排序，短的路径优于长的路径；
如果路径长度相等，则继续根据拐点个数的多少对路径排序，少的拐点个数优于多的拐点个数。
8.根据权利要求1所述的基于冷热度原理改进蚁群算法的AGV路径规划方法，其特征在于：
所述实测最小值：在算法中蚂蚁所能遍历到的路径最小值；
所述收敛最优值：在算法中蚂蚁所收敛到的路径值，即AGV的实际路径；
所述收敛迭代次数：算法收敛时的迭代次数。
CN201811564152.9A 2018-12-20 2018-12-20 一种基于冷热度原理改进蚁群算法的agv路径规划方法 Active CN111353621B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811564152.9A CN111353621B (zh) 2018-12-20 2018-12-20 一种基于冷热度原理改进蚁群算法的agv路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811564152.9A CN111353621B (zh) 2018-12-20 2018-12-20 一种基于冷热度原理改进蚁群算法的agv路径规划方法

Publications (2)

Publication Number Publication Date
CN111353621A CN111353621A (zh) 2020-06-30
CN111353621B true CN111353621B (zh) 2023-08-29

Family

ID=71196720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811564152.9A Active CN111353621B (zh) 2018-12-20 2018-12-20 一种基于冷热度原理改进蚁群算法的agv路径规划方法

Country Status (1)

Country Link
CN (1) CN111353621B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112629537B (zh) * 2020-12-11 2023-05-26 华晟（青岛）智能装备科技有限公司 一种动态选择输送路线方法及系统
CN117744909B (zh) * 2024-02-19 2024-05-14 华芯(嘉兴)智能装备有限公司 天车的漫游控制方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520858A (zh) * 2008-02-28 2009-09-02 北京航空航天大学 一种求解旅行商问题的蚁群优化-微分进化融合方法
US7957355B1 (en) * 2005-05-27 2011-06-07 Heiferling Mark J Swarm autonomous routing algorithm for mobile ad hoc network communications
CN105387875A (zh) * 2015-12-24 2016-03-09 安徽工程大学 基于蚁群算法的移动机器人路径规划方法的一种改进
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
CN106225788A (zh) * 2016-08-16 2016-12-14 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7957355B1 (en) * 2005-05-27 2011-06-07 Heiferling Mark J Swarm autonomous routing algorithm for mobile ad hoc network communications
CN101520858A (zh) * 2008-02-28 2009-09-02 北京航空航天大学 一种求解旅行商问题的蚁群优化-微分进化融合方法
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
CN105387875A (zh) * 2015-12-24 2016-03-09 安徽工程大学 基于蚁群算法的移动机器人路径规划方法的一种改进
CN106225788A (zh) * 2016-08-16 2016-12-14 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进蚁群算法的移动机器人路径规划研究;孙先成 等;《机械与电子》;第第35卷卷(第第5期期);第1-4页 *

Also Published As

Publication number Publication date
CN111353621A (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN108241375B (zh) 一种自适应蚁群算法在移动机器人路径规划中的应用方法
CN107990903B (zh) 一种基于改进a*算法的室内agv路径规划方法
CN109839110B (zh) 一种基于快速随机搜索树的多目标点路径规划方法
CN102799179B (zh) 基于单链序贯回溯q学习的移动机器人路径规划算法
CN105426992B (zh) 移动机器人旅行商优化方法
CN112650229B (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
Zhang et al. Energy-efficient path planning for a single-load automated guided vehicle in a manufacturing workshop
CN109489667A (zh) 一种基于权值矩阵的改进蚁群路径规划方法
Xue et al. Path planning of mobile robot based on improved ant colony algorithm for logistics
CN110807236A (zh) 一种基于多机器人的仓储物流仿真系统
CN108827311B (zh) 一种制造车间无人搬运系统路径规划方法
CN110334838B (zh) 基于蚁群算法和遗传算法的agv小车协同调度方法及系统
CN111353621B (zh) 一种基于冷热度原理改进蚁群算法的agv路径规划方法
Zhang et al. Multi-AGV Path Planning for Indoor Factory by Using Prioritized Planning and Improved Ant Algorithm.
CN114089760A (zh) 一种基于混合蚁群算法的agv路径规划方法
CN113359702B (zh) 一种基于水波优化-禁忌搜索的智能仓库agv作业优化调度方法
Dharmasiri et al. Novel implementation of multiple automated ground vehicles traffic real time control algorithm for warehouse operations: djikstra approach
CN116203959A (zh) 基于hac算法的机器人路径规划方法及系统
CN116203965A (zh) 一种基于agv的改进蚁群算法的路径规划算法
Bai et al. Design and Simulation of a Collision-free Path Planning Algorithm for Mobile Robots Based on Improved Ant Colony Optimization.
Liu et al. Research on multi-AGVs path planning and coordination mechanism
CN115454070B (zh) 一种K-Means蚁群算法多机器人路径规划方法
CN116449846A (zh) 一种蚁群算法的优化方法
CN115560772A (zh) 一种基于改进蚁群算法的全局规划路径方法
CN113759915A (zh) 一种agv小车路径规划方法、装置、设备及存储介质

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