CN112033403A - 一种基于势场改进蚁群算法的无人机最优路径搜索方法 - Google Patents

一种基于势场改进蚁群算法的无人机最优路径搜索方法 Download PDF

Info

Publication number
CN112033403A
CN112033403A CN202010371998.1A CN202010371998A CN112033403A CN 112033403 A CN112033403 A CN 112033403A CN 202010371998 A CN202010371998 A CN 202010371998A CN 112033403 A CN112033403 A CN 112033403A
Authority
CN
China
Prior art keywords
path
ant colony
unmanned aerial
aerial vehicle
pheromone
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.)
Pending
Application number
CN202010371998.1A
Other languages
English (en)
Inventor
周武能
罗勇
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.)
Donghua University
National Dong Hwa University
Original Assignee
Donghua 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 Donghua University filed Critical Donghua University
Priority to CN202010371998.1A priority Critical patent/CN112033403A/zh
Publication of CN112033403A publication Critical patent/CN112033403A/zh
Pending legal-status Critical Current

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
    • 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]

Landscapes

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

Abstract

本发明涉及一种基于势场改进蚁群算法的无人机最优路径搜索方法，首先通过栅格法创建模型并进行各个参数的初始化，然后进行蚁群算法初始化，包括设置蚁群规模、信息素和启发信息等参数，蚁群进行搜索时依据概率选择公式，选择下一个搜索的位置，最后利用人工势场法进行全局搜索，利用蚁群算法进行局部搜索并更新信息素。本发明的一种基于势场改进蚁群算法的无人机最优路径搜索方法，与传统的人工势场法相比，克服了局部极值点的问题，准确性更高；与单一的蚁群算法相比，本发明在保证准确率的情况下，提高了搜索速度，因此在应对紧急交通路口的事故时可以进行快速响应，在保证无人机避障安全快速飞行的前提下，规划最优轨迹的准确率也能得到保证。

Description

一种基于势场改进蚁群算法的无人机最优路径搜索方法
技术领域
本发明属于无人机技术领域，涉及一种基于势场改进蚁群算法的无人机最优路径搜索方法。
背景技术
无人机作为一种新型工业技术，已被广泛应用于各种领域，随着日益增长的城市交通流量和多发的交通事故，利用无人机对于城市各主要交通干道进行实时监控，不仅能够实时的采集交通信息，还能及时地应对突发的交通事故，第一时间赶到现场获取大量事故信息，对于智能交通和智慧城市起着至关重要的作用。目前已知的无人机搜索算法中，主要以人工势场法和蚁群算法为例进行比较。
人工势场法路径规划是由Khatib提出的一种虚拟力法。它的基本思想是将机器人在周围环境中的运动，设计成一种抽象的人造引力场中的运动，目标点对移动机器人产生“引力”，障碍物对移动机器人产生“斥力”，最后通过求合力来控制移动机器人的运动。应用这种算法，具有局部快速搜索能力，求解速度较快，但主要存在以下缺点，当物体离目标点比较远时，引力将变的特别大，相对较小的斥力在甚至可以忽略的情况下，物体路径上可能会碰到障碍物；当目标点附近有障碍物时，斥力将非常大，引力相对较小，物体很难到达目标点；在某个点，引力和斥力刚好大小相等，方向想反，则物体容易陷入局部最优解或震荡。
蚁群算法是一种用来寻找优化路径的概率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。这种算法具有分布计算、信息正反馈和启发式搜索的特征，本质上是进化算法中的一种启发式全局优化算法。这种算法是一种生物启发类的算法，搜索准确率较大，但蚁群算法收敛速度慢、易陷入局部最优。蚁群算法中初始信息素匮乏。蚁群算法一般需要较长的搜索时间，其复杂度可以反映这一点；而且该方法容易出现停滞现象，即搜索进行到一定程度后，所有个体发现的解完全一致，不能对解空间进一步进行搜索，不利于发现更好的解。
发明内容
本发明的目的是解决现有技术中存在的上述问题，提供一种基于势场改进蚁群算法的无人机最优路径搜索方法。
为达到上述目的，本发明采用的技术方案如下：
一种基于势场改进蚁群算法的无人机最优路径搜索方法，包括以下步骤：
(1)初始化栅格模型，将无人机飞行预设轨迹的一定区域进行栅格划分；
初始化栅格模型包括：设置每个栅格的大小x1、路径长度的调制系数x2、障碍物影响调制系数x3和栅格影响系数值D；
(2)对于建立的栅格模型，建立目标函数，并求最优；
目标函数为：
minDminLy＝x2L+x3D；
其中，x2为路径长度的调制系数，x3为障碍物影响的调制系数，L为路径长度，D为栅格影响系数；
最优化目标函数是指求解出最优路径以使得路径长度L最小且每个障碍物的栅格影响系数D最小；
所述求优是利用蚁群算法进行寻优，具体过程为：
(2.1)初始化蚁群算法的参数，包括设置蚁群规模n、信息素重要程度因子α、启发函数重要因子β、迭代次数m、每只蚂蚁的起点坐标P和终点坐标G；
(2.2)蚁群开始搜索；蚁群进行搜索时依据概率选择公式，选择下一个搜索的位置；
蚂蚁k在第n位置P(n)＝r到第n+1位置P(n+1)＝s(P(n)＝r和P(n+1)＝s表示第n位置在 r，第n+1位置在s)的概率选择由以下公式决定：
Figure RE-GDA0002744151040000021
其中，集合allowedk(n)表示第k个蚂蚁到下步所能允许到达的位置，
Figure RE-GDA0002744151040000022
与
Figure RE-GDA0002744151040000023
分别为从P(n)＝r到P(n+1)＝s的路径所在边的信息素浓度和启发期望信息，q0为常数，且 0≤q0≤1，
Figure RE-GDA0002744151040000024
表示取当s∈allowedk(n)时，
Figure RE-GDA0002744151040000025
的最大值，
Figure RE-GDA0002744151040000026
表示取
Figure RE-GDA0002744151040000027
的最大时，s的取值，S是按照概率确定的下一个到达的位置，其概率分布由下式确定：
Figure RE-GDA0002744151040000028
其中，
Figure RE-GDA0002744151040000029
与
Figure RE-GDA00027441510400000210
分别为从P(n)＝r到P(n+1)＝s的路径所在边的信息素浓度和启发期望信息，
Figure RE-GDA00027441510400000211
其中d(r,s)表示r,s两点之间的距离，α和β分别表示信息素重要程度因子和启发函数重要因子，集合allowedk(n)表示第k个蚂蚁到下步所能允许到达的位置，
Figure RE-GDA0002744151040000031
表示第k只蚂蚁在下一步可到达位置集合allowedk(n)中各个位置的概率；
上式中的ηrs(n)经过与人工势场融合后，由下列公式确定：
F1＝Kd(A，G)；
Figure RE-GDA0002744151040000032
F＝F1+F2；
Figure RE-GDA0002744151040000033
Figure RE-GDA0002744151040000034
其中，F1为吸引力，F2为排斥力，K为调制系数，A为无人机的当前位置，G为目标点位置，d(A，G)为A,G两点间的欧式距离，d0为障碍物的最大影响半径，η为斥力场调制系数，ηPF为未融合前的蚁群算法的启发信息，ηd为人工势场中的启发信息，F为人工势场中合力大小，a为常数，d(p，G)为当前位置P点与目标点位置G点之间的距离；
(2.3)进行局部信息素更新；
第k只蚂蚁搜索路径的过程中，按照下式对走过的边信息素进行更新：
Figure RE-GDA0002744151040000035
其中，
Figure RE-GDA0002744151040000036
为常数且
Figure RE-GDA0002744151040000037
为初始信息素，C为常数，Cm是产生路径的长度，m是蚁群算法迭代次数；
所述信息素是指蚂蚁在访问过的节点中会留下一种被称为信息素的物质，其大小与蚂蚁所走过的路径长度有关。通过各节点上信息素的累积和挥发，可引导后续蚂蚁进行路径选择，从而寻找一条最优的路径；
(2.4)一次迭代完成后，进行全局信息素更新；
全局信息素更新公式为：
τrs(n+1)＝(1-ρ)τrs(n)+ρΔτrs(n)；
其中ρ是控制信息素衰减的常数，且0＜ρ≤1，τrs(n)和τrs(n+1)分别为当前和下一次迭代开始的信息素浓度，Δτrs(n)＝1/Lgb，Lgb为本次迭代找到的最优路径；
(2.5)当达到预设的迭代次数m，算法结束，并从每次迭代中输出的路径中，找出使路径长度L最小且每个障碍物的栅格影响系数D最小的路径，即为无人机最优飞行路径；否则，返回至步骤(2.2)。
作为优选的技术方案：
如上所述的一种基于势场改进蚁群算法的无人机最优路径搜索方法，步骤(1)中所述一定区域为无人机预设飞行轨迹所在的区域。
本发明的主要原理为利用栅格法创建模型，人工势场法进行全局搜索，蚁群算法进行局部最优搜索，算法流程主要为：首先通过栅格法创建模型并且进行各个参数的初始化，其次进行蚁群算法初始化，包括设置蚁群规模、信息素和启发信息等参数，蚁群进行搜索时依据概率选择公式，选择下一个搜索的位置，然后利用人工势场和传统局部信息素和启发信息的更新公式融合克服局部极值点问题，得出一条搜索路径，最后综合蚁群算法的搜索结果，输出一条最优路径。
栅格法主要用于模型的建立，便于计算搜索路径的长度和障碍物的影响调制系数，便于势力场的引力斥力合力的计算；人工势场法主要用于弥补蚁群算法的全局收敛速度太慢的缺点，与蚁群算法中启发信息的融合一起影响蚁群的搜索；蚁群算法主要用于最优路径的搜索，输出最优路径，同时弥补人工势场陷入局部最优的问题。
有益效果：
本发明的一种基于势场改进蚁群算法的无人机最优路径搜索方法，与传统的人工势场法相比，克服了局部极值点的问题，准确性更高；与单一的蚁群算法相比，本发明在保证准确率的情况下，提高了搜索速度，因此在应对紧急交通路口的事故时可以进行快速响应，在保证无人机避障安全快速飞行的前提下，规划最优轨迹的准确率也能得到保证。本发明能够有效地在进行交通巡检时，应对突发的交通事故或者交通堵塞能够快速响应，实现到目标点的快速准确的路径规划和自主避障。
附图说明
图1为本发明的一种基于势场改进蚁群算法的无人机最优路径搜索方法的原理示意图；
图2为本发明的一种基于势场改进蚁群算法的无人机最优路径搜索方法流程图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
利用无人机对于城市各主要交通干道进行实时监控，不仅能够实时的采集交通信息，还能及时地应对突发的交通事故，第一时间赶到现场获取大量事故信息，对于智能交通和智慧城市起着至关重要的作用。本发明希望快速地为无人机规划一条最快的到达从当前位置到事故发生路口的路线，并规避障碍物，主要原理如图1所示，A、B、C、D分别表示四个交通路口，虚线为无人机预设的飞行路线，带箭头实线为实时规划路线，三角形为无人机实时的当前位置，五角星为发生意外交通事故路口。
如图2所示，一种基于势场改进蚁群算法的无人机最优路径搜索方法，包括以下步骤：
(1)初始化栅格模型，将无人机飞行预设轨迹所在的区域进行栅格划分；
初始化栅格模型包括：设置每个栅格的大小x1、路径长度的调制系数x2、障碍物影响调制系数x3和栅格影响系数值D；
(2)对于建立的栅格模型，建立目标函数，并求最优；
目标函数为：
minDminLy＝x2L+x3D；
其中，x2为路径长度的调制系数，x3为障碍物影响的调制系数，L为路径长度，D为栅格影响系数；
最优化目标函数是指求解出最优路径以使得路径长度L最小且每个障碍物的栅格影响系数D最小；
所述求优是利用蚁群算法进行寻优，具体过程为：
(2.1)初始化蚁群算法的参数，包括设置蚁群规模n、信息素重要程度因子α、启发函数重要因子β、迭代次数m、每只蚂蚁的起点坐标P和终点坐标G；
(2.2)蚁群开始搜索；蚁群进行搜索时依据概率选择公式，选择下一个搜索的位置；
蚂蚁k在第n位置P(n)＝r到第n+1位置P(n+1)＝s的概率选择由以下公式决定：
Figure RE-GDA0002744151040000051
其中，集合allowedk(n)表示第k个蚂蚁到下步所能允许到达的位置，
Figure RE-GDA0002744151040000052
与
Figure RE-GDA0002744151040000053
分别为从P(n)＝r到P(n+1)＝s的路径所在边的信息素浓度和启发期望信息，q0为常数，且 0≤q0≤1，
Figure RE-GDA0002744151040000054
表示取当s∈allowedk(n)时，
Figure RE-GDA0002744151040000055
的最大值，
Figure RE-GDA0002744151040000056
表示取
Figure RE-GDA0002744151040000057
的最大时，s的取值，S是按照概率确定的下一个到达的位置，其概率分布由下式确定：
Figure RE-GDA0002744151040000061
其中，
Figure RE-GDA0002744151040000062
与
Figure RE-GDA0002744151040000063
分别为从P(n)＝r到P(n+1)＝s的路径所在边的信息素浓度和启发期望信息，
Figure RE-GDA0002744151040000064
其中d(r,s)表示r,s两点之间的距离，α和β分别表示信息素重要程度因子和启发函数重要因子，集合allowedk(n)表示第k个蚂蚁到下步所能允许到达的位置，
Figure RE-GDA0002744151040000065
表示第k只蚂蚁在下一步可到达位置集合allowedk(n)中各个位置的概率；
上式中的ηrs(n)经过与人工势场融合后，由下列公式确定：
F1＝Kd(A，G)；
Figure RE-GDA0002744151040000066
F＝F1+F2；
Figure RE-GDA0002744151040000067
Figure RE-GDA0002744151040000068
其中，F1为吸引力，F2为排斥力，K为调制系数，A为无人机的当前位置，G为目标点位置，d(A，G)为A,G两点间的欧式距离，d0为障碍物的最大影响半径，η为斥力场调制系数，ηPF为未融合前的蚁群算法的启发信息，ηd为人工势场中的启发信息，F为人工势场中合力大小，a为常数，d(p，G)为当前位置P点与目标点位置G点之间的距离；
(2.3)进行局部信息素更新；
第k只蚂蚁搜索路径的过程中，按照下式对走过的边信息素进行更新：
Figure RE-GDA0002744151040000069
其中，
Figure RE-GDA00027441510400000610
为常数且
Figure RE-GDA00027441510400000611
为初始信息素，C为常数，Cm是产生路径的长度，m是蚁群算法迭代次数；
(2.4)一次迭代完成后，进行全局信息素更新；
全局信息素更新公式为：
τrs(n+1)＝(1-ρ)τrs(n)+ρΔτrs(n)；
其中ρ是控制信息素衰减的常数，且0＜ρ≤1，τrs(n)和τrs(n+1)分别为当前和下一次迭代开始的信息素浓度，Δτrs(n)＝1/Lgb，Lgb为本次迭代找到的最优路径；
(2.5)当达到预设的迭代次数m，算法结束，并从每次迭代中输出的路径中，找出使路径长度L最小且每个障碍物的栅格影响系数D最小的路径，即为无人机最优飞行路径；
否则，返回至步骤(2.2)。
实验表明现有技术中的蚁群算法一般在前20次迭代中，收敛比较快，但是整个收敛过程比较慢，当迭代到260次时又出现了快速的收敛，因此收敛过程不稳定。迭代次数与路径长度的关系，一般的势场蚁群算法在试验仿真场景一定的情况下，在迭代30次后，算法就趋于稳定，最优路径长度在33.9258；本发明的势场改进的蚁群算法在迭代15次后，算法趋于稳定，最优路径长度是33.9053，在收敛效率上进一步提高，收敛曲线也变得更加平滑，目前此类算法已经应用到了足球机器人的路径规划上面，使用在无人机的路径规划还是首次。
本发明与传统的人工势场法相比，克服了局部极值点的问题，准确性更高；本发明与单一的蚁群算法相比，在保证准确率的情况下，提高了搜索速度，因此在应对紧急交通路口的事故时可以进行快速响应，在保证无人机避障安全快速飞行的前提下，规划最优轨迹的准确率也能得到保证。

Claims (2)

1.一种基于势场改进蚁群算法的无人机最优路径搜索方法，其特征是包括以下步骤：
(1)初始化栅格模型，将无人机飞行预设轨迹的一定区域进行栅格划分；
初始化栅格模型包括：设置每个栅格的大小x1、路径长度的调制系数x2、障碍物影响调制系数x3和栅格影响系数值D；
(2)对于建立的栅格模型，建立目标函数，并求最优；
目标函数为：
minDminLy＝x2L+x3D；
其中，x2为路径长度的调制系数，x3为障碍物影响的调制系数，L为路径长度，D为栅格影响系数；
最优化目标函数是指求解出最优路径以使得路径长度L最小且每个障碍物的栅格影响系数D最小；
所述求优是利用蚁群算法进行寻优，具体过程为：
(2.1)初始化蚁群算法的参数，包括设置蚁群规模n、信息素重要程度因子α、启发函数重要因子β、迭代次数m、每只蚂蚁的起点坐标P和终点坐标G；
(2.2)蚁群开始搜索；蚁群进行搜索时依据概率选择公式，选择下一个搜索的位置；
蚂蚁k在第n位置P(n)＝r到第n+1位置P(n+1)＝s的选择由以下公式决定：
Figure RE-FDA0002744151030000011
其中，集合allowedk(n)表示第k个蚂蚁到下步所能允许到达的位置，
Figure RE-FDA0002744151030000012
与
Figure RE-FDA0002744151030000013
分别为从P(n)＝r到P(n+1)＝s的路径所在边的信息素浓度和启发期望信息，q0为常数，且0≤q0≤1，
Figure RE-FDA0002744151030000014
表示取当s∈allowedk(n)时，
Figure RE-FDA0002744151030000015
的最大值，
Figure RE-FDA0002744151030000016
表示取
Figure RE-FDA0002744151030000017
的最大时，s的取值，S是按照概率确定的下一个到达的位置，其概率分布由下式确定：
Figure RE-FDA0002744151030000018
其中，
Figure RE-FDA0002744151030000021
与
Figure RE-FDA0002744151030000022
分别为从P(n)＝r到P(n+1)＝s的路径所在边的信息素浓度和启发期望信息，
Figure RE-FDA0002744151030000023
其中d(r，s)表示r，s两点之间的距离，α和β分别表示信息素重要程度因子和启发函数重要因子，集合allowedk(n)表示第k个蚂蚁到下步所能允许到达的位置，
Figure RE-FDA0002744151030000024
表示第k只蚂蚁在下一步可到达位置集合allowedk(n)中各个位置的概率；
上式中的ηrs(n)经过与人工势场融合后，由下列公式确定：
F1＝Kd(A，G)；
Figure RE-FDA0002744151030000025
F＝F1+F2；
Figure RE-FDA0002744151030000026
Figure RE-FDA0002744151030000027
其中，F1为吸引力，F2为排斥力，K为调制系数，A为无人机的当前位置，G为目标点位置，d(A，G)为A，G两点间的欧式距离，d0为障碍物的最大影响半径，η为斥力场调制系数，ηPF为未融合前的蚁群算法的启发信息，ηd为人工势场中的启发信息，F为人工势场中合力大小，a为常数，d(p，G)为当前位置P点与目标点位置G点之间的距离；
(2.3)进行局部信息素更新；
第k只蚂蚁搜索路径的过程中，按照下式对走过的边信息素进行更新：
Figure RE-FDA0002744151030000028
其中，
Figure RE-FDA0002744151030000029
为常数且
Figure RE-FDA00027441510300000210
为初始信息素，C为常数，Cm是产生路径的长度，m是蚁群算法迭代次数；
(2.4)一次迭代完成后，进行全局信息素更新；
全局信息素更新公式为：
τrs(n+1)＝(1-ρ)τrs(n)+ρΔτrs(n)；
其中ρ是常数，且0＜ρ≤1，τrs(n)和τrs(n+1)分别为当前和下一次迭代开始的信息素浓度，Δτrs(n)＝1/Lgb，Lgb为本次迭代找到的最优路径；
(2.5)当达到预设的迭代次数m，算法结束，并从每次迭代中输出的路径中，找出使L最小且D最小的路径，即为无人机最优飞行路径；否则，返回至步骤(2.2)。
2.根据权利要求1所述的一种基于势场改进蚁群算法的无人机最优路径搜索方法，其特征在于，步骤(1)中所述一定区域为无人机预设飞行轨迹所在的区域。
CN202010371998.1A 2020-05-06 2020-05-06 一种基于势场改进蚁群算法的无人机最优路径搜索方法 Pending CN112033403A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010371998.1A CN112033403A (zh) 2020-05-06 2020-05-06 一种基于势场改进蚁群算法的无人机最优路径搜索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010371998.1A CN112033403A (zh) 2020-05-06 2020-05-06 一种基于势场改进蚁群算法的无人机最优路径搜索方法

Publications (1)

Publication Number Publication Date
CN112033403A true CN112033403A (zh) 2020-12-04

Family

ID=73579387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010371998.1A Pending CN112033403A (zh) 2020-05-06 2020-05-06 一种基于势场改进蚁群算法的无人机最优路径搜索方法

Country Status (1)

Country Link
CN (1) CN112033403A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112506228A (zh) * 2020-12-28 2021-03-16 广东电网有限责任公司中山供电局 一种变电站无人机最优紧急避险路径选择方法
CN112947591A (zh) * 2021-03-19 2021-06-11 北京航空航天大学 基于改进蚁群算法的路径规划方法、装置、介质及无人机
CN113821029A (zh) * 2021-08-31 2021-12-21 南京天溯自动化控制系统有限公司 一种路径规划方法、装置、设备及存储介质
CN113985888A (zh) * 2021-11-08 2022-01-28 合肥工业大学 一种基于改进蚁群算法的叉车路径规划方法及系统
CN114115301A (zh) * 2022-01-26 2022-03-01 河北工业大学 基于狼群算法和人工势场的移动机器人改进a*算法
CN114527746A (zh) * 2022-01-12 2022-05-24 燕山大学 一种智能汽车路径规划及避障跟踪方法
CN115357031A (zh) * 2022-10-19 2022-11-18 武汉理工大学 一种基于改进蚁群算法的船舶路径规划方法及系统
CN116642506A (zh) * 2023-05-30 2023-08-25 黑龙江大学 一种基于蚁群算法的盲人引导地图仿真提醒系统
CN117454456A (zh) * 2023-12-22 2024-01-26 浙江远算科技有限公司 基于蚁群算法的海上风电场排布优化仿真方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050390A (zh) * 2014-06-30 2014-09-17 西南交通大学 一种基于可变维粒子群膜算法的移动机器人路径规划方法
CN110220525A (zh) * 2019-05-14 2019-09-10 昆明理工大学 一种基于势场蚁群算法的路径规划方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050390A (zh) * 2014-06-30 2014-09-17 西南交通大学 一种基于可变维粒子群膜算法的移动机器人路径规划方法
CN110220525A (zh) * 2019-05-14 2019-09-10 昆明理工大学 一种基于势场蚁群算法的路径规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
曲宝福等，: ""基于势场改进蚁群算法的足球机器人路径规划研究"", 《现代商贸工业》 *
罗欢，: ""基于改进遗传算法的足球机器人路径规划研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *
谭建豪等编著: "《旋翼无人机的建模、规划和控制》", 31 October 2019, 湖南大学出版社 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112506228A (zh) * 2020-12-28 2021-03-16 广东电网有限责任公司中山供电局 一种变电站无人机最优紧急避险路径选择方法
CN112506228B (zh) * 2020-12-28 2023-11-07 广东电网有限责任公司中山供电局 一种变电站无人机最优紧急避险路径选择方法
CN112947591A (zh) * 2021-03-19 2021-06-11 北京航空航天大学 基于改进蚁群算法的路径规划方法、装置、介质及无人机
CN113821029A (zh) * 2021-08-31 2021-12-21 南京天溯自动化控制系统有限公司 一种路径规划方法、装置、设备及存储介质
CN113985888A (zh) * 2021-11-08 2022-01-28 合肥工业大学 一种基于改进蚁群算法的叉车路径规划方法及系统
CN113985888B (zh) * 2021-11-08 2022-09-16 合肥工业大学 一种基于改进蚁群算法的叉车路径规划方法及系统
CN114527746A (zh) * 2022-01-12 2022-05-24 燕山大学 一种智能汽车路径规划及避障跟踪方法
CN114115301B (zh) * 2022-01-26 2022-04-22 河北工业大学 基于狼群算法和人工势场的移动机器人改进a*算法
CN114115301A (zh) * 2022-01-26 2022-03-01 河北工业大学 基于狼群算法和人工势场的移动机器人改进a*算法
CN115357031A (zh) * 2022-10-19 2022-11-18 武汉理工大学 一种基于改进蚁群算法的船舶路径规划方法及系统
CN116642506A (zh) * 2023-05-30 2023-08-25 黑龙江大学 一种基于蚁群算法的盲人引导地图仿真提醒系统
CN116642506B (zh) * 2023-05-30 2023-10-20 黑龙江大学 一种基于蚁群算法的盲人引导地图仿真提醒系统
CN117454456A (zh) * 2023-12-22 2024-01-26 浙江远算科技有限公司 基于蚁群算法的海上风电场排布优化仿真方法和系统
CN117454456B (zh) * 2023-12-22 2024-03-29 浙江远算科技有限公司 基于蚁群算法的海上风电场排布优化仿真方法和系统

Similar Documents

Publication Publication Date Title
CN112033403A (zh) 一种基于势场改进蚁群算法的无人机最优路径搜索方法
CN109144102B (zh) 一种基于改进蝙蝠算法的无人机航路规划方法
CN110609557B (zh) 无人车混合路径规划方法
CN110928295B (zh) 一种融合人工势场与对数蚁群算法的机器人路径规划方法
CN110333714B (zh) 一种无人驾驶汽车路径规划方法和装置
CN106767860B (zh) 一种基于启发式搜索算法来缩短智能汽车路径规划搜索时间的方法
CN109520507B (zh) 一种基于改进rrt的无人机实时路径规划方法
CN113821029B (zh) 一种路径规划方法、装置、设备及存储介质
CN112650229B (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
CN105679102B (zh) 一种全国飞行流量时空分布预测推演系统及方法
WO2016045615A1 (zh) 机器人静态路径规划方法
CN113359768A (zh) 一种基于改进的a*算法的路径规划方法
CN112684807A (zh) 无人机集群三维编队方法
CN104965518A (zh) 基于三维数字地图的电力巡检飞行机器人航线规划方法
CN111694357A (zh) 基于遗传算法和人工势场法的机器人行走路径规划方法
CN110262548A (zh) 一种考虑抵达时间约束的无人机航迹规划方法
CN110726408A (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
CN114397896A (zh) 一种改进粒子群算法的动态路径规划方法
Li et al. A behavior-based mobile robot navigation method with deep reinforcement learning
CN108919805A (zh) 一种车辆无人驾驶辅助系统
CN114839968A (zh) 一种水面无人艇路径规划方法
Sun et al. Research on path planning of agv based on improved ant colony optimization algorithm
CN114967680A (zh) 基于蚁群算法和卷积神经网络的移动机器人路径规划方法
CN113220008B (zh) 多火星飞行器的协同动态路径规划方法
CN113219991B (zh) 一种基于改进acs算法的移动机器人路径规划方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201204

RJ01 Rejection of invention patent application after publication