CN112238456A - 一种基于蚁群算法的料片分拣路径规划方法 - Google Patents
一种基于蚁群算法的料片分拣路径规划方法 Download PDFInfo
- Publication number
- CN112238456A CN112238456A CN202011077015.XA CN202011077015A CN112238456A CN 112238456 A CN112238456 A CN 112238456A CN 202011077015 A CN202011077015 A CN 202011077015A CN 112238456 A CN112238456 A CN 112238456A
- Authority
- CN
- China
- Prior art keywords
- material sheet
- distance
- sheets
- planning
- material sheets
- 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.)
- Granted
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Mechanical Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Robotics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Manipulator (AREA)
Abstract
一种基于蚁群算法的料片分拣路径规划方法,首先定义料片之间的距离,而后以平台左下角为原点建立直角坐标系,料片重心坐标记为料片位置,计算机械手在料片至料筐的移动路程;而后在相邻的抓取顺序中找到能够同时抓取两块料片的位置,且两块料片面积之和小于吸盘面积;同时计算k类料片抓取面临的选择,在初始位置各放置一只蚂蚁到k类料片的第一块料片作为出发点,总计k只蚂蚁,依据初始信息素浓度和距离计算选择下一个可抓取的料片概率,并及时更新信息素浓度,直至结果收敛最短总路程不再变化,从而完成料片分拣路径规划,有效减少机械手的运动距离,并使得能在计划时间内完成料片分拣任务。
Description
技术领域
本发明涉及路径规划技术领域,尤其涉及一种基于蚁群算法的料片分拣路径规划方法。
背景技术
蚁群算法是Marco Dorigo提出的一种随机搜索算法,模拟蚂蚁找到食物源与蚁巢之间最短路径的过程,以解决旅行商人路径规划问题(The Traveling Salesman Problem,简写为TSP)。
蚂蚁在寻找食物时会释放信息素,一条路径距离越短,走过的蚂蚁越多,信息素浓度越大,之后的蚂蚁选择这条路径的概率越大。在算法的最初阶段每条路径上的信息素浓度相同,蚂蚁选择一条路径的概率与信息素浓度成正相关,与路径距离长短成负相关。将一定数量的蚂蚁放至不同的出发点,每次选择概率最大的路径走到下一个之前没经过的点,直到所有点都走过一次,即完成一轮旅行,对每只蚂蚁走过的总路程进行比较得出最短路程为这一轮的最优解。对每一轮的最优解进行比较得出全局最优解,而后对全局最优解路径的信息素浓度进行全局更新,包括信息素的挥发和释放过程;再对所有蚂蚁经过的路径上的信息素浓度进行局部更新,包括信息素的挥发和释放过程,一轮迭代即完成。随着算法推进,总路程越短的路径上信息素浓度越来越高,算法逐渐收敛。
但经典的蚁群算法只适用于求解TSP,不能广泛应用至有分类和排序的料片分拣问题。
发明内容
本发明所解决的技术问题在于提供一种基于蚁群算法的料片分拣路径规划方法,以解决上述背景技术中的问题。
本发明所解决的技术问题采用以下技术方案来实现:
一种基于蚁群算法的料片分拣路径规划方法,具体步骤如下:
1)定义抓取一块料片至下一片料片之间的距离,以平台左下角为原点建立直角坐标系,料片重心坐标记为料片位置,设置有A(xA,yA)和B(xB,yB)两块料片,因料筐随机械手在平台下方X轴方向移动,机械手从当前A料片移动至A料筐位置,移动路程为yA;第七轴从当前A料片对应的位置移动到下一个B料片对应的位置,移动路程为LAB;机械手从B料筐位置移动至B料片位置,移动路程为yB,用yA+LAB+yB表示机械手抓取A料片放回A料筐,再移动至B料片的这一段路程;
2)求出一次抓取一块料片的路径后,在相邻的抓取顺序中找到能够同时抓取A料片和B料片两块料片的位置,判据为两块料片距离小于2m,且两块料片面积之和小于吸盘面积0.7425平方米,在同时抓取A料片和B料片时,机械手移动距离为LAB,节省了yA+yB这段距离,机械手放A料片和B料片时从B料筐移动至A料筐的距离忽略不计;
3)因所有料片需按顺序放至料筐里,若有k(k<=8)类料片,则开始抓取时,选择第一块料片有k个选择,这次选择a类第一块料片,下一次选择时a类第二块料片取代第一块成为可选择对象,其它可选择的料片不变,依然有k个料片供选择,若a类料片全部抓取完毕,剩下k-1类料片,则面临k-1种选择,直到将最后一块料片抓完;
4)在初始位置各放置一只蚂蚁到k类料片的第一块料片作为出发点,总计k只蚂蚁,依据初始信息素浓度和距离计算选择下一个可抓取的料片概率,记蚂蚁在料片r处,s是可选择抓取的下一块料片,P(r,s)表示从料片r处选择抓取料片s的概率,τ(r,s)表示料片r到料片s这段路径间的信息素浓度,η(r,s)表示料片r与料片s之间路程的倒数,β是一个常数,表示路程的影响因子:
P(r,s)=τ(r,s)×[η(r,s)]β (1)
待机械手走完一轮后,对信息素浓度进行全局更新;目前,所有蚂蚁走过的路径中,在总路程最短的路径上对信息素浓度按照公式(2)进行更新:
τ(r,s)=(1-α)×τ(r,s)+α×Δτ1(r,s) (2)
公式(2)中,α表示信息素挥发系数,Lbest表示目前最短的总路程;
5)对信息素浓度进行局部更新,蚂蚁走过的路径上均有信息素的释放和挥发:
τ(r,s)=(1-ρ)×τ(r,s)+ρ×Δτ2(r,s) (3)
Δτ2(r,s)=τ0
公式(3)中,ρ表示信息素挥发系数,τ0表示初始信息素浓度;
τ0=(N×LNN)-1(4)
公式(4)中,N是料片总数,LNN是近邻算法走一轮经过的路程;
6)完成料片分拣路径规划
因近邻算法是从出发点开始选择下一个点,每次选择距离最近的点,不重复地选择完所有点得到的路径;蚁群算法的第一轮迭代,由于初始信息素浓度相同,从料片r选择料片s的概率只与距离相关,第一轮路径选择与近邻算法的结果相同,重复步骤4)~步骤5),直至结果收敛最短总路程不再变化,从而完成料片分拣路径规划。
有益效果:本发明应用于有分类和排序的料片分拣路径规划领域,蚁群算法迭代的第一步是近邻算法,收敛效果随料片初始坐标分布不同而不同,部分算例收敛后总路程是第一步迭代结果的80%,从而有效减少机械手的运动距离,并使得能在计划时间内完成料片分拣任务。
附图说明
图1为本发明的较佳实施例中的料片间距定义示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
一种基于蚁群算法的料片分拣路径规划方法,具体步骤如下:
1)定义抓取一块料片至下一片料片之间的距离,如图1所示,以平台左下角为原点建立直角坐标系,料片重心坐标记为料片位置,设置有A(xA,yA)和B(xB,yB)两块料片,因料筐随机械手在平台下方X轴方向移动,机械手从当前A料片移动至A料筐位置,移动路程为yA;第七轴从当前A料片对应的位置移动到下一个B料片对应的位置,移动路程约为LAB,实际小于LAB;机械手从B料筐位置移动至B料片位置,移动路程为yB,用yA+LAB+yB表示机械手抓取A料片放回A料筐,再移动至B料片的这一段路程;
2)求出一次抓取一块料片的路径后,在相邻的抓取顺序中找到能够同时抓取A料片和B料片两块料片的位置,判据为两块料片距离小于2m,且两块料片面积之和小于吸盘面积0.7425平方米,在同时抓取A料片和B料片时,机械手移动距离为LAB,节省了yA+yB这段距离,机械手放A料片和B料片时从B料筐移动至A料筐的距离忽略不计;
3)因所有料片需按顺序放至料筐里,若有k(k<=8)类料片,则开始抓取时,选择第一块料片有k个选择,这次选择a类第一块料片,下一次选择时a类第二块料片取代第一块成为可选择对象,其它可选择的料片不变,依然有k个料片供选择,若a类料片全部抓取完毕,剩下k-1类料片,则面临k-1种选择,直到将最后一块料片抓完;
4)在初始位置各放置一只蚂蚁到k类料片的第一块料片作为出发点,总计k只蚂蚁,依据初始信息素浓度和距离计算选择下一个可抓取的料片概率,记蚂蚁在料片r处,s是可选择抓取的下一块料片,P(r,s)表示从料片r处选择抓取料片s的概率,τ(r,s)表示料片r到料片s这段路径间的信息素浓度,η(r,s)表示料片r与料片s之间路程的倒数,β是一个常数,表示路程的影响因子:
P(r,s)=τ(r,s)×[η(r,s)]β (1)
待机械手走完一轮后,对信息素浓度进行全局更新;目前,所有蚂蚁走过的路径中,在总路程最短的路径上对信息素浓度按照公式(2)进行更新:
τ(r,s)=(1-α)×τ(r,s)+α×Δτ1(r,s) (2)
公式(2)中,α表示信息素挥发系数,Lbest表示目前最短的总路程;
5)对信息素浓度进行局部更新,蚂蚁走过的路径上均有信息素的释放和挥发:
τ(r,s)=(1-ρ)×τ(r,s)+ρ×Δτ2(r,s) (3)
Δτ2(r,s)=τ0
公式(3)中,ρ表示信息素挥发系数,τ0表示初始信息素浓度;
τ0=(N×LNN)-1 (4)
公式(4)中,N是料片总数,LNN是近邻算法走一轮经过的路程;
6)完成料片分拣路径规划
因近邻算法是从出发点开始选择下一个点,每次选择距离最近的点,不重复地选择完所有点得到的路径;蚁群算法的第一轮迭代,由于初始信息素浓度相同,从料片r选择料片s的概率只与距离相关,第一轮路径选择与近邻
算法的结果相同,重复步骤4)~步骤5),直至结果收敛最短总路程不再变化,从而完成料片分拣路径规划。
蚁群算法用C++实现过程如下:
Claims (8)
1.一种基于蚁群算法的料片分拣路径规划方法,其特征在于,首先定义料片之间的距离,而后以平台左下角为原点建立直角坐标系,料片重心坐标记为料片位置,计算机械手在料片至料筐的移动路程;再在相邻的抓取顺序中找到能够同时抓取两块料片的位置;同时计算k类料片抓取面临的选择,在初始位置各放置一只蚂蚁到k类料片的第一块料片作为出发点,总计k只蚂蚁,依据初始信息素浓度和距离计算选择下一个可抓取的料片概率,并及时更新信息素浓度,直至结果收敛最短总路程不再变化,从而完成料片分拣路径规划。
2.根据权利要求1所述的一种基于蚁群算法的料片分拣路径规划方法,其特征在于,具体步骤如下:
1)定义抓取一块料片至下一片料片之间的距离,以平台左下角为原点建立直角坐标系,料片重心坐标记为料片位置,设置有A(xA,yA)和B(xB,yB)两块料片,因料筐随机械手在平台下方X轴方向移动,机械手从当前A料片移动至A料筐位置,移动路程为yA;第七轴从当前A料片对应的位置移动到下一个B料片对应的位置,移动路程为LAB;机械手从B料筐位置移动之B料片位置,移动路程为yB,用yA+LAB+yB表示机械手抓取A料片放回A料筐,再移动至B料片的这一段路程;
2)求出一次抓取一块料片的路径后,在相邻的抓取顺序中找到能够同时抓取A料片和B料片两块料片的位置;
3)因所有料片需按顺序放至料筐里,假设有k类料片,即有k种选择;
4)在初始位置各放置一只蚂蚁到k类料片的第一块料片作为出发点,总计k只蚂蚁,依据初始信息素浓度和距离计算选择下一个可抓取的料片概率;
待机械手走完一轮后,对信息素浓度进行全局更新;
5)对信息素浓度进行局部更新,蚂蚁走过的路径上均有信息素的释放和挥发:
6)完成料片分拣路径规划
重复步骤4)~步骤5),直至结果收敛最短总路程不再变化,从而完成料片分拣路径规划。
3.根据权利要求2所述的一种基于蚁群算法的料片分拣路径规划方法,其特征在于,步骤2)中,所述两块料片面积之和<吸盘面积。
4.根据权利要求2所述的一种基于蚁群算法的料片分拣路径规划方法,其特征在于,步骤3)中,所述料片选择流程为:设置有k类料片,则开始抓取时,选择第一块料片有k个选择,这次选择a类第一块料片,下一次选择时a类第二块料片取代第一块成为可选择对象,其它可选择的料片不变,依然有k个料片供选择,若a类料片全部抓取完毕,剩下k-1类料片,则面临k-1种选择,直到将最后一块料片抓完。
5.根据权利要求2所述的一种基于蚁群算法的料片分拣路径规划方法,其特征在于,步骤4)中,所述抓取料片概率P(r,s)计算如下:
P(r,s)=τ(r,s)×[η(r,s)]β (1)
其中,蚂蚁在料片r处,s是可选择抓取的下一块料片,P(r,s)表示从料片r处选择抓取料片s的概率,τ(r,s)表示料片r到料片s这段路径间的信息素浓度,η(r,s)表示料片r与料片s之间路程的倒数,β是一个常数,表示路程的影响因子。
7.根据权利要求2所述的一种基于蚁群算法的料片分拣路径规划方法,其特征在于,步骤5)中,所述蚂蚁走过的路径上均有信息素的释放和挥发:
τ(r,s)=(1-ρ)×τ(r,s)+ρ×Δτ2(r,s) (3)
Δτ2(r,s)=τ0
其中,蚂蚁在料片r处,s是可选择抓取的下一块料片,τ(r,s)表示料片r到料片s这段路径间的信息素浓度,ρ表示信息素挥发系数,τ0表示初始信息素浓度。
8.根据权利要求7所述的一种基于蚁群算法的料片分拣路径规划方法,其特征在于,所述初始信息素浓度τ0计算如下:
τ0=(N×LNN)-1 (4)
其中,N是料片总数,LNN是近邻算法走一轮经过的路程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011077015.XA CN112238456B (zh) | 2020-10-10 | 2020-10-10 | 一种基于蚁群算法的料片分拣路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011077015.XA CN112238456B (zh) | 2020-10-10 | 2020-10-10 | 一种基于蚁群算法的料片分拣路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112238456A true CN112238456A (zh) | 2021-01-19 |
CN112238456B CN112238456B (zh) | 2023-03-07 |
Family
ID=74168691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011077015.XA Active CN112238456B (zh) | 2020-10-10 | 2020-10-10 | 一种基于蚁群算法的料片分拣路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112238456B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113492411A (zh) * | 2021-09-10 | 2021-10-12 | 季华实验室 | 机器人抓取路径规划方法、装置、电子设备及存储介质 |
CN115530015A (zh) * | 2022-09-19 | 2022-12-30 | 扬州大学江都高端装备工程技术研究所 | 基于区域蚁群路径规划的褐菇针式间苗系统及应用方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100241248A1 (en) * | 2008-02-20 | 2010-09-23 | Abb Research Ltd. | Method and system for optimizing the layout of a robot work cell |
CN105868857A (zh) * | 2016-04-01 | 2016-08-17 | 苏州玄禾物联网科技有限公司 | 一种小区垃圾回收最短路径优化方法 |
CN106600049A (zh) * | 2016-12-09 | 2017-04-26 | 国网北京市电力公司 | 路径生成的方法及装置 |
CN107272679A (zh) * | 2017-06-15 | 2017-10-20 | 东南大学 | 基于改进的蚁群算法的路径规划方法 |
CN107309876A (zh) * | 2017-07-14 | 2017-11-03 | 广西师范大学 | 机械手采摘的控制方法 |
CN107423840A (zh) * | 2017-04-24 | 2017-12-01 | 徐怡博 | 一种基于蚁群粒子群算法的机器人路径规划融合算法 |
CN107491078A (zh) * | 2017-09-30 | 2017-12-19 | 江西洪都航空工业集团有限责任公司 | 一种智能大型光伏电站清扫机器人系统 |
JP2019028992A (ja) * | 2017-07-28 | 2019-02-21 | 株式会社日立製作所 | 配送車両の配送計画生成方法、装置およびシステム |
US20190080244A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on improved variable neighborhood search and differential evolution algorithm |
CN109919345A (zh) * | 2017-12-12 | 2019-06-21 | 北京京东尚科信息技术有限公司 | 拣货路径规划方法与装置 |
US20190202056A1 (en) * | 2017-12-28 | 2019-07-04 | Ubtech Robotics Corp | Robot motion path planning method, apparatus and terminal device |
-
2020
- 2020-10-10 CN CN202011077015.XA patent/CN112238456B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100241248A1 (en) * | 2008-02-20 | 2010-09-23 | Abb Research Ltd. | Method and system for optimizing the layout of a robot work cell |
CN105868857A (zh) * | 2016-04-01 | 2016-08-17 | 苏州玄禾物联网科技有限公司 | 一种小区垃圾回收最短路径优化方法 |
CN106600049A (zh) * | 2016-12-09 | 2017-04-26 | 国网北京市电力公司 | 路径生成的方法及装置 |
CN107423840A (zh) * | 2017-04-24 | 2017-12-01 | 徐怡博 | 一种基于蚁群粒子群算法的机器人路径规划融合算法 |
CN107272679A (zh) * | 2017-06-15 | 2017-10-20 | 东南大学 | 基于改进的蚁群算法的路径规划方法 |
CN107309876A (zh) * | 2017-07-14 | 2017-11-03 | 广西师范大学 | 机械手采摘的控制方法 |
JP2019028992A (ja) * | 2017-07-28 | 2019-02-21 | 株式会社日立製作所 | 配送車両の配送計画生成方法、装置およびシステム |
US20190080244A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on improved variable neighborhood search and differential evolution algorithm |
CN107491078A (zh) * | 2017-09-30 | 2017-12-19 | 江西洪都航空工业集团有限责任公司 | 一种智能大型光伏电站清扫机器人系统 |
CN109919345A (zh) * | 2017-12-12 | 2019-06-21 | 北京京东尚科信息技术有限公司 | 拣货路径规划方法与装置 |
US20190202056A1 (en) * | 2017-12-28 | 2019-07-04 | Ubtech Robotics Corp | Robot motion path planning method, apparatus and terminal device |
Non-Patent Citations (5)
Title |
---|
LI FEN: "Path planning of 6-DOF humanoid manipulator based on improved ant colony algorithm", 《PATH PLANNING OF 6-DOF HUMANOID MANIPULATOR BASED ON IMPROVED ANT COLONY ALGORITHM》, 19 July 2012 (2012-07-19), pages 4158 - 4161 * |
王贵程: "基于改进蚁群算法包装机器人轨迹规划研究", 《基于改进蚁群算法包装机器人轨迹规划研究》, vol. 33, no. 8, 15 August 2019 (2019-08-15), pages 94 - 100 * |
赵世安: "基于蚁群算法的物流配送车辆路径优化问题研究", 《基于蚁群算法的物流配送车辆路径优化问题研究》, vol. 32, no. 10, 20 October 2017 (2017-10-20), pages 33 - 36 * |
赵峰: "自适应搜索半径蚁群动态路径规划算法", 《自适应搜索半径蚁群动态路径规划算法》 * |
赵峰: "自适应搜索半径蚁群动态路径规划算法", 《自适应搜索半径蚁群动态路径规划算法》, vol. 54, no. 19, 28 April 2018 (2018-04-28), pages 56 - 61 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113492411A (zh) * | 2021-09-10 | 2021-10-12 | 季华实验室 | 机器人抓取路径规划方法、装置、电子设备及存储介质 |
CN113492411B (zh) * | 2021-09-10 | 2021-11-30 | 季华实验室 | 机器人抓取路径规划方法、装置、电子设备及存储介质 |
CN115530015A (zh) * | 2022-09-19 | 2022-12-30 | 扬州大学江都高端装备工程技术研究所 | 基于区域蚁群路径规划的褐菇针式间苗系统及应用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112238456B (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112238456B (zh) | 一种基于蚁群算法的料片分拣路径规划方法 | |
CN105739504B (zh) | 一种机器人工作区域的排序方法及排序系统 | |
CN105426992B (zh) | 移动机器人旅行商优化方法 | |
CN107272679B (zh) | 基于改进的蚁群算法的路径规划方法 | |
CN111337930B (zh) | 一种auv目标搜索方法 | |
CN105717926A (zh) | 基于改进蚁群算法的移动机器人旅行商优化方法 | |
CN109839110A (zh) | 一种基于快速随机搜索树的多目标点路径规划方法 | |
CN105430099B (zh) | 一种基于位置聚类的协同式Web服务性能预测方法 | |
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 | |
CN103648139A (zh) | 基于文化蚁群算法的无线传感器网络节点部署设计方法 | |
CN115454070B (zh) | 一种K-Means蚁群算法多机器人路径规划方法 | |
Wang | Path planning of mobile robot based on a* algorithm | |
CN115167460A (zh) | 基于融合算法的机器人集群任务最优路径规划方法 | |
CN107169594B (zh) | 一种车辆路径问题的优化方法及装置 | |
CN111080035A (zh) | 基于改进量子粒子群优化算法的全局路径规划方法 | |
CN108596339A (zh) | 一种构建子种群和子问题的多目标优化遗传算法 | |
Baidoo et al. | Solving the TSP using traditional computing approach | |
CN113219991A (zh) | 一种基于改进acs算法的移动机器人路径规划方法 | |
Turguner et al. | Solving job shop scheduling problem with Ant Colony Optimization | |
CN112308353A (zh) | 一种药品仓库作业调度优化方法 | |
Zhang et al. | An improved particle swarm optimization for the multi-depot vehicle routing problem | |
CN101477689A (zh) | 一种基于自适应蚁群智能的空中机器人视觉分层匹配方法 | |
CN113008232A (zh) | 一种基于蚁群算法的仓储机器人路径寻优方法 | |
CN114610045B (zh) | 一种基于改进蚁群算法的机器人路径规划方法及系统 | |
Othman et al. | Strategies DACS3 increasing its performances |
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 |